探究人工智能，谷歌/IBM/微软/英特尔都有啥宝贝？

现在科技领域最火的是什么？人工智能、机器学习、深度神经网络显然是热点中的热点。太多我们认识中的不可能，被强大的机器学习、人工智能给颠覆了。比如去年Deepmind的AlphaGo就在围棋领域战胜了世界冠军李世石，让人感觉不可思议，在AlphaGo之前的软件，连业余六段左右的高手都赢不了，更遑论顶级职业选手！如果你是程序高手，有想法，是不是可以自己在家也能玩机器学习呢？稍微研究的深入一点，发现完全不是这么回事儿。　

源起于DIY的欲望

笔者有朋友的孩子想在围棋上有所建树。他发现，下围棋的课外辅导班要花钱，找人指导下棋也要花钱，并且随着孩子棋力水涨船高，是以几何级数的价格增加的。他又听说人工智能的围棋已经很厉害了，能不能干脆一次性投资，弄个下围棋很厉害的软件与配置，这样就相当于一直与一个高手下对手棋，对棋力增长是有好处的。

日本的天顶围棋（Zen）6软件已经有了很强的棋力

前几天DeepZen Go挑战赵治勋九段以失败告终

4路Titan X，2路至强E5已经很强……

我一想，这逻辑也说得通，AlphaGo不也赢了人类高手并且人类在学AlphaGo下棋吗？于是找了找，目前使用6700K处理器的计算机跑日本围棋软件Zen，可以有业余五六段的棋力，但这显然不是他想要的。前几天与赵治勋对弈的deepzen，配置要高很多，核心是2个至强E5 V4与4个Titan X做GPU计算，虽然不敌赵治勋，但毕竟显示出来了可观的棋力。

想拜AlphaGo为师？起码目前还不可能做到

前几天Deepmind团队又放出了消息，棋力大涨，明年初开始重新下棋。我突发奇想，反正这老哥也不差钱，如果谷歌团队公开了软件，会不会可以自己弄个单机版的AlphaGo？天天和比李世石更厉害的AI下围棋肯定涨棋力更快啊。但是仔细一研究，不是这么回事儿，AlphaGo用的处理器，买！不！到！

谷歌人工智能的处理器TPU

这个表是谷歌发表《自然》杂志论文的时候给出的配置与棋力预估。当时只是说要多少CPU与GPU以及对应的棋力。如果说一个CPU对应一个核心，现在的至强E5V4，已经有22核心的产品了，而如果是对应一个CPU，那么48个CPU可能就要很贵的刀片服务才行了，当然了有万能的淘宝，二手机架式的刀片服务器也贵不到哪儿去。

Deepmind团队公布的当时的配置，似乎让人觉得单机版的AlphaGo并非遥不可及，且棋力足够

在围棋上战胜人类的AlphaGo就运行在这个系统上

在今年5月，谷歌又公布了其自己定制的处理器的细节。谷歌用的并非Intel或是AMD的处理器，而是自己针对机器学习优化过的处理器，并命名为"张量处理单元（tensorflow process unit，TPU）。而AlphaGo就是构建在TPU上的。

TPU在规格上并不大，但没有更多细节

运行神经网络，TPU的每瓦性能更高

TPU的作用就是给机器学习的神经网络加速。谷歌对TPU具体怎么工作、有哪些指令都语焉不详，作为局外人能获得的信息有限，甚至连哪个半导体工厂代工的都没人知道。谷歌说TPU是一种辅助运算工具，还是要有CPU和GPU的。核心在于TPU是8位的，而我们的处理器是64位，因此在神经网络计算上，TPU的单位功耗贡献的计算能力上，要比传统的CPU有很大的优势，更适合大面积的分布式的计算。

IBM的TrueNorth

IBM对于计算机模拟神经的计算启动，可能要比其它的企业更早。而研究的起源，也不能说全自主的，而是有外界的因素，那就是DARPA（国防部高级计划研究局）。

DARPA的SyNapse项目

IBM研究模仿大脑的神经计算，也来自于DARPA。自从2008年以来，DARPA给了IBM5300万美元用来研究SyNapse（Systems of Neuromorphic Adaptive Plastic Scalable Electronics，自适应可伸缩神经系统，缩写的SyNapse单词正好是触突，神经的构成部分），而TrueNorth只是这个项目的一部分成果而已。

我们今天计算机的冯·诺依曼架构

IBM的TrueNorth芯片

这项研究的意义是，我们今天的计算机，处理和存储是分离的，高度依赖总线进行数据传输交换，即所谓冯·诺依曼体系。我们大脑的处理方式则不同，要知道神经的传输速度并不快，但是大脑的优势是脑细胞多，靠的是大量分布式的处理，现有的模仿大脑的办法，还是依赖处理器的数量堆积，所以能效比不高，而IBM的TrueNorth则是要打破这个屏障，在芯片上就完成对神经元的模拟。2011年的原型就有256个神经元的原型。

TrueNorth的架构，左边是256个核，右边是每个核的结构，用来模拟人的大脑

计算机识别动态视频中的每个车、每个人，以前只在电影和美