AI除了深度学习，还有什么领域值得关注？

GPU跟按序列进行计算的中央处理单元(CPU)不一样，它提供了大规模的并行架构，可并发处理多个任务。考虑到神经网络必须处理庞大(有时候还是高维)的数据，在GPU上面训练要比在CPU上训练快得多。这就是为什么自2012年AlexNet(首个在GPU上实现的神经网络) 发布以来GPU实际上已经成为淘金热的铁铲原因。这方面NVIDIA一直处于领先地位，把英特尔、高通、AMD以及最近进入的Google甩在了身后。

但是GPU并不是专门用于训练或推理的硬件;它们原来是为了替视频游戏渲染图像而创造的。GPU具有很高的计算精度，但却不是随时之需，同时还遭遇了内存带宽和数据吞吐量的问题。这为Google之类的大公司内部新型的初创企业和项目开放了竞技场，使得后者可以设计和制造特殊的针对高维机器学习应用的芯片。新芯片设计有望实现的改进包括更高的内存带宽，基于图的计算而不是基于向量(GPU)或者标量(CPU)，更高的计算密度，每瓦特的效率和性能提升。这令人兴奋，因为AI系统显然为它的所有者和用户带来了加速回报：更快更高效的模型训练→更好的用户体验→用户与产品的互动更多→创造出更大规模的数据集→通过优化改进模型性能。因此，那些能以更高计算效率和能效更快训练并部署好AI模型的人将具备重大优势。

应用：模型训练更快(尤其是基于图的训练);以很高的能效和数据效率做出预测;在边缘层(物联网设备)运行AI系统;随时侦听的物联网设备;云基础设施即服务;无人车、无人机和机器人。

公司：Graphcore, Cerebras, Isocline Engineering, Google(TPU), NVIDIA(DGX-1), Nervana Systems(英特尔), Movidius(英特尔), Scortex。

主要研究人员：?

6、仿真环境

正如前面讨论过那样，AI系统训练数据的生成往往是很有挑战性的。此外，AI如果想在现实世界中发挥作用的话必须推广到许多情况下也适用。而开发可模拟真实世界的物理结构和行为的数字化环境，可以为我们衡量和训练AI一般智能提供试验场。这些环境以裸像素的形式呈现给AI，后者然后采取行动以便解决被设定(或者学会)的目标。在这些模拟环境下训练可以帮助我们理解AI系统时如何学习的以及如何对它们加以改进，但也能为我们提供有可能转移到现实世界应用的模型。