谷歌TPU和英伟达GPU都来抢市场，英特尔能靠FPGA稳住吗？

这种研发专用芯片和新计算机架构的热潮，在美国国防部研究机构 DARPA 的前项目管理人员 Gill Pratt 看来可谓是人工智能界的"寒武纪生物大爆发"，他本人现在正在丰田从事无人车的研究。他已经感觉到，把不同的计算分散给数量众多的小面积、低功耗芯片的运行方式，会让机器更像人脑，这也让能源的利用效率提高了不少。"在生物的大脑中，能源效率至关重要"，在近期的一次采访中，身处丰田在硅谷的新研究中心的 Gill 这样说。

地平线已经发生变化

硅基的计算机芯片有很多种。有的芯片可以存储数据，有的芯片可以完成玩具和电视机中的基本任务；也有的芯片可以运行计算机上的各种运算，它们大到能构造全球变暖模型的超级计算机用的芯片，小到个人计算机、服务器和手机上用的。

多年以来，计算机和类似的设备都是以CPU为核心运行的，CPU也是设备成本的大头。这一切都似乎不需要做什么改变。根据英特尔联合创始人戈登·摩尔提出的著名的摩尔定律，计算机芯片中晶体管数量每两年左右就会翻一番，几十年来计算机性能的提升就是按照摩尔定律一路稳定地发展了过来。而根据 IBM 研究员 Robert Dennard 提出的 Dennard 缩放定律，芯片性能提升的同时，它们消耗的能源却几乎维持不变。所以在以往的日子里一切都还好。

然而到了2010年，让晶体管数量再翻一倍花的时间比摩尔定律预测的更长了，Dennard 缩放定律也失效了，因为芯片设计人员们遇到了来自材质物理特性本身的限制。结果就是，如果想要更高的计算能力，只靠升级CPU已经不能解决问题了，需要增加更多的计算机、消耗更多的空间和电力。

语音和语言团队负责人黄学东（左）和计算架构组的 Doug Burger 都是微软的专用芯片开发团队成员

业界和学术界的研究者们都在想办法延长摩尔定律的生命力，探索全新的芯片材料和芯片设计方法。但是微软研究员 Doug Burger 有了另一种想法：除了整个业界从1960年代以来都倚仗的CPU的稳步进化之外，为什么不试着探索专用芯片之路呢？

当时微软才刚刚开始用机器学习改进必应搜索，通过分析用户的使用方式改善搜索结果。虽然那时候的算法对硬件的要比后来风靡的神经网络低得多，但是芯片已经有点跟不上了。

Doug Burger 和他的团队做了很多不同的尝试，最终决定用了这种叫做"FPGA"（现场可编程矩阵门阵列）的芯片，它们可以在工作过程中重新编程，适应新的任务。微软的Windows需要运行在英特尔的CPU上，但是CPU是不能重新编程的，一旦造出来，能做什么就固定了。有了FPGA，微软就可以改变芯片工作的方式。他们可以先对芯片编程，让它在特定的机器学习算法中表现非常好；然后可以重新编程，让它适合做逻辑运算。同一个芯片可以有截然不同的表现。

大概2015年前后，微软开始应用这类芯片。到现在，几乎每一台微软的数据中心新增的服务器中都带有一块FPGA芯片，它们帮助呈现必应搜索的结果，以及支持着微软的云计算服务Azure。

给计算机装上耳朵

2016年秋天，另一组微软的研究员们做了和 Jeff Dean 的团队同样的工作，构建了一个比人类的平均水平还要高一点点的语音识别系统，也是通过神经网络。

这个项目的负责人就是黄学东，他是来自中国的语音识别专家。在介绍这项工作的论文发表之后没多久，他就约了他的好朋友、英伟达 CEO黄仁勋在 Palo Alto 吃了个饭。他们开了一瓶香槟庆祝。

黄学东和他的微软同事们就是靠着数量众多的英伟达 GPU训练出他们的语音识别系统的。没有继续使用英特尔的CPU。如果没有做这样的转换，他们很可能完成不了这项突破。"我们花了差不多一年的时间达到了人类的水平"，黄学东说。"如果没有新计算架构的帮助，我们可能至少要花5年。"

基于神经网络的系统可以很大程度上自己学习，所以它们进化得比传统方法设计的系统快得多。以往的系统需要工程师们写下无数行代码，仔仔细细描述系统应该如何如何做。基于神经网络的系统就不需要这样。不过神经网络的问题就是，它需要无数次的试错。要构建一个单词识别达到人类水平的系统，研究者们需要花费很多时间反复训练它，对算法做精细的调节，以及不断优化训练数据。这个过程里需要尝试成百上千算个不同的算法，每个算法又需要运行上万、上亿次。这需要庞大的计算能力，如果微软这样的公司用一般的通用芯片来做这样的计算，这个过程花的时间就太久了，芯片可能支持不了这样高的负载，用掉的电也太多了。

所以，几个互联网巨头都已经借助英伟达的GPU训练自己的神经网络。GPU本来的设计只