廉价的处理能力必将推动机器智能应用的爆炸性发展

摩尔定律已经死了，对吗？再想想。

是的，过去中央处理器的性能每年提高40%，现在放缓了，但是把中央处理器和其他处理器结合起来，性能每年提高100%以上。这一处理性能的大规模改进是前所未有的，再加上数据和人工智能的结合，必然会彻底改变我们考虑硬件设计、软件编写和技术如何应用于企业的方式。

每个行业都会被颠覆。经常听到这种说法。是的，绝对是真的。我们来看看为什么这样，这一切意味着什么。

在本文的突破性分析中，我们将发布一些数据，表明我们正进入一个新的创新时代，廉价的处理能力必将推动机器智能应用的爆炸性发展。我们将提到新的瓶颈，以及这对未来十年的系统结构和行业转型意味着什么。

摩尔定律真的死了吗？

在过去的十年里，我们没有听说过这个问题几百次。关于EETimes的文章已经讨论过了，MITTechnologyReview(麻省理工科技评论),CNET,SiliconANGLE的文章已经讨论过了，甚至一些跟随摩尔定律步伐的行业协会也已经讨论过了。作者的朋友和同事PatrickMoorhead说得非常正确：

>严格来说，摩尔定律意味着芯片密度每两年翻一番，所以可以说摩尔定律不再有效。

的确如此。他完全正确。然而，他在前面加了严格意义上的是有原因的…原因是他是一个懂事的人，知道芯片行业是变招高手。

过去的性能曲线被分解了。

下图显示，严格意义上的摩尔定律死亡并不重要。

摩尔定律过去的结果实际上正在加速增长，增长也相当引人注目。这张图显示了苹果电影系统的发展过程，从A9到A145纳米仿生电影系统达到高峰。

纵轴显示每秒的操作次数，横轴显示三种处理器类型的时间点:CPU以兆赫兹(1012赫兹)为单位(最下面几乎看不到的蓝线)的图形处理单元和GPU以每秒兆赫兹(1012)次浮点运算为单位(橙色)的神经处理单元和NPU以每秒兆次运算为单位(爆炸性灰色区域)。

很多人应该还记得，曾经，我们忙于购买最新最强大的个人电脑，因为新型号的钟表周期更快，也就是说，千兆赫兹更多。按照摩尔定律，性能每24个月翻一番，或每年增长40%左右。如今，CPU性能的提升已经放缓到每年约30%，因此从技术上讲，摩尔定律已经死亡。

苹果电影的系统性能打破了常规。

从各个方面来看，苹果电影系统(SoC)的改进速度自2015年以来已经超过每年118%。实际上，由于118%是上述三种处理器类型的实际数字实际数字。我们甚至没有计算系统中数字信号处理器和加速器组件的影响，包括这些因素在内的数字可以更高。

上图右侧显示的苹果A14非常强大，A14使用了64位结构、多核和替代处理器类型。重要的是，这些处理能力在iPhone中做什么？人工智能应用类型不断发展，从脸部识别到语音和自然语言处理、渲染视频、帮助听力障碍者等，最终可以将强化现实送到手掌。

处理功能走向边缘-网络，存储成瓶颈。

近日，我们报道了微软首席执行官萨提亚-纳德拉(SatyaNadella)史诗般的说法：吾辈攀登中心化高峰。下面的图片描述了一幅非常有说服力的画面。上面提到的处理能力正以前所未有的速度迅速发展。而且成本也在下降。A14芯片的单位成本是50美元，苹果公司在其V9公告中表示，即将发布的芯片可以放在冰箱里，可以优化能源使用，每年可以节约10%的电力消耗。据说这种芯片只需1美元，1美元就能节约10%的冰箱电费。

处理功能多种多样，价格低廉。看看昂贵的瓶颈在哪里:网络和存储。那么这意味着什么呢？

这意味着处理功能将被推到边缘，即数据诞生的地方。存储和网络将越来越分布和分散。定制芯片和处理功能可以嵌入人工智能，可以优化工作负载的延迟、性能、带宽、安全和价值。

记住，大部分数据(99%)都留在边缘。我们以特斯拉为例。特斯拉汽车创建的绝大多数数据不会返回云。这些数据甚至不会持久。特斯拉可能会保存5分钟的数据。有些数据偶尔会连接到云，用来训练人工智能模型。下面我们会回来讨论这个问题。

以上图表显示，如果您是一家硬件公司，那么您最好开始考虑如何使用蓝线，即处理能力的爆炸。依我们看，戴尔科技、惠普、PureStorage、NetApp等公司有两种方式，要么开始设计定制芯片，要么被颠覆。亚马逊网络服务公司、谷歌和微软都在这样做，思科和IBM都在这样做。就像云计算顾问SarbjeetJohal所说的，已经不是爷爷的半导体业务了。

如果你是一名软件工程师，你必须编写应用程序收集的所有数据，充分发挥这一巨大的处理功能，创造我们以前从未见过的新功能。

AI无处不在。

处理能力的大幅提高和廉价芯片必将为下一波人工智能、机器智能、机器学习和深度学习提供强大的动力。

人工智能和机器智能有时会被交换和使用。机器智能的概念源于我们与作家DavidMoschella的合作。有趣的是，他在自己的书《看数字》中说机器智能没有人工因素:

>机器智能没有人工因素，拖拉机强大，没有人工因素。

只是细微的差别，但是精确的语言往往能让事情变得清晰。我们经常听到人们谈论机器学习和深度学习，认为它们是人工智能的子集。机器学习将算法和代码用于数据，可以变得更聪明。例如，建立更好的模型，获得人类或机器的增强智能和更好的决策。这些模型将在不断迭代中获得更多数据和改进。

深度学习是基于更复杂的数学和更先进的机器学习。

上图右侧列出了人工智能的两个广泛要素。我们在这里想说的是，现在人工智能的大部分活动都集中在建立和训练模型上。这些活动大多发生在云中。我认为人工智能推理将在今后几年带来最激动人心的革新。

AI推理释放了巨大的价值。

AI推理是指模型的部署，即从传感器中获取实时数据，在本地处理数据，利用云开发良好的培训，实时进行微调。

我们举个例子。我们喜欢汽车的例子。观察特斯拉有一定的启发性，也是一个能说明边缘可能演变的好模型。然后想象一下，汽车转弯时需要一个优化性能和安全性的算法。该模型的输入包括摩擦力、道路状况、轮胎角度、轮胎磨损、轮胎压力等数据。模型创建者不断测试和添加数据，迭代模型，最后一切都可以部署。

接着，该模型的智能进入推理引擎，推理引擎是一个运行软件的芯片，被放置在车内，从传感器获取数据，并实时微调转向和制动等。好了，就像我们之前说的，特斯拉只保存短时间内的数据，因为数据太多。但是如果需要，可以选择存储一些特殊的数据送回云进行进一步的模型训练。比如，如果一只动物跑到滑，特斯拉可能会保存数据快照，发回云，然后与其他数据结合进一步完善模型，从而提高安全性。

这个例子只是成千上万个人工智能推理用例中的一个，未来十年将进一步发展。

AI的价值：从建模到推理。

以下概念图表明，建模和推理的费用比例随着时间的推移而发展。从图中可以看出，现在受到关注的应用程序，这些应用程序随着推理成为主流而成熟。人工智能推理在边缘和物联网领域的机会很大。

建模的重要性将继续。目前，建模工作负荷出现在欺诈检测、广告技术、天气、定价、推荐引擎等领域，建模工作负荷将不断改善。然而，我们认为推理是最重要的，前面的例子也很好地解释了这一点。

在图形中间，我们标注了一些行业，这些趋势会改变这些行业。

另外还有一点。在他的书中，Moschella解释了为什么过去的垂直行业大多是相互隔离的。这些垂直行业都有自己的产品、供应、物流、销售、营销、服务、营销、服务和履行。专业知识倾向于留在行业内，而大多数公司都呆在自己的泳道上。

现在我们可以看到很多科技巨头进入其他行业的例子。亚马逊进入杂货、媒体、医疗保健，苹果进入金融、电动车领域，特斯拉盯上了保险。很多科技巨头跨越了传统行业的界限，有很多例子，推广者就是数据。比如汽车厂商会逐渐比保险公司拥有更好的数据。DeFi(分散金融的英文缩写)或者使用区块链的平台会不断利用人工智能来改进和颠覆传统的支付系统，等等。

所以我们相信几乎陈词滥调的话：每个行业都可以被颠覆。

公司人工智能快照

上周，我们向读者展示了企业技术研究(ETR)公司的以下图表。

图中数据的纵轴显示净得分或支出势头。横轴是市场份额或ETR数据集中的普遍性。40%的红线是我们的主观定位锚点；在我们看来，40%的红线上下都很好。

机器学习和人工智能已经成为支出速度的第一个领域，所以有四颗星。机器人流程的自动化逐渐转向人工智能附近。可以说，云是所有机器学习活动的发生地，也转向人工智能附近。虽然我们认为人工智能会逐渐离开云，但我们刚刚描述了原因。

公司人工智能专家上位。

下面的图表显示了这个领域的一些有势头的供应商。显示了公司的首席信息官和信息技术买家以及他们的AI/ML相关支出。

上图使用了与前面相同的Y/X坐标:纵轴为支出速度，横轴为市场份额，红线为40%。

大型云计算公司(如微软、AWS、Google)在人工智能和ML方面占主导地位，地位最突出。他们有工具和数据。就像我们说的，很多建模都是在云中进行的，但是会被推到远程人工智能推理引擎，作为一个整体，这些引擎会有大规模的处理能力。我们正处于集中化的高峰期，这将为创造价值和在工业上应用人工智能提供巨大的机会。

Databricks公司可以被视为人工智能的领导者，并因其强大的净分和突出的市场份额而脱颖而出。SparkCognition公司在左上角的净分非常高，可以说是独一无二的，尽管样本很少。该公司将机器学习应用于大规模数据集。Datarobot公司从事自动化人工智能，公司在Y轴上的位置非常高。Dataiku公司专注于帮助创建基于机器学习的应用。C3.Ai公司是由TomSiebel设立和运营的企业人工智能公司。可见SAPSE、SAlesforce.com和IBMWatson正好在40%的线上下。甲骨文公司有自主数据库能力，也出现在图中，Adobe公司也在那里。

我想说的是，这些软件公司都在他们的产品中嵌入了人工智能。那些试图不被颠覆的现有公司可以从软件公司购买人工智能。他们不需要建立自己的人工智能。困难在于如何应用人工智能以及在哪里。简单的答案是:跟随数据。

要领。

这个主题还有很多内容，但是现在不说了，总结一下。

过去，我们努力讨论x86时代和降低半导体生产成本对产量的重要性。今天，我们量化了一些我们还没看到的东西，也就是说，量化了我们今天在处理上看到的实际性能提高。忘记摩尔定律已经死了，摩尔定律已经死了无关紧要。最初的命题在过去的十年里被电影系统和即将出现的包装系统(Systemonpackage)的设计并没有比例夸大。说到提高计算性能，现在还有量子计算。谁知道未来会是什么样子？

这些趋势是人工智能应用的基本推动力。和大多数情况下一样，创新源于消费者使用案例；苹果继续引领潮流。苹果将硬件和软件集成的方法更多地渗透到企业的思维方式中。显然，云计算供应商正朝着这个方向发展。这也可以在甲骨文公司看到。把硬件和软件放在一起优化是有道理的，也会成为一种趋势。上周我们讨论了Arm发布的消息，芯片定制的商机很多，就是这个原因。新任首席执行官PatGelsinger带领的英特尔也会朝这个方向发展。

在英特尔，Gelsinger可能会面临巨大的挑战，但是他所说的半导体需求越来越大，看不到尽头是对的。

如果你是企业，你不应该把重点放在发明人工智能上。相反，你应该知道哪些数据会给你带来竞争优势，如何利用机器智能和人工智能取得胜利。你会购买人工智能，而不是建造人工智能。

就像JohnFurrier多次提到的那样，数据正成为一种新的开发工具。十年前他所说的，现在更是如此：

资料是新的开发工具。

如果你是一个企业硬件玩家，你必须设计自己的芯片，编写更多的软件来开发人工智能。你应该在你的产品组合中嵌入定制芯片和人工智能，并越来越多地将计算带入数据。大多数数数据停留在它的创建地点。系统、存储和网络堆栈都被颠覆了。

如果你是软件开发者，你手掌里的处理能力是不可思议的。你应该在写新应用的时候用它来改变世界。你必须知道如何获取最相关的数据，以确保你的平台安全和创新。

最后，如果你是一家服务公司，你的机会是帮助其他公司不被颠覆。有很多机会。你有深厚的行业专业知识和水平技术能力，可以帮助客户生存和发展。

私密性？AI是好的吗？这两者都可以成为独立的话题，记者也在广泛报道。现在我们认为，谨慎的做法是，首先要更好地了解人工智能能能走多远，然后才能确定人工智能应该走多远，以及如何受到监管。我们最关心的是保护我们的个人数据和隐私，但是一般来说，此时我们并不想扼杀创新。

成都融和实业排队叫号系统厂家(www.iritqq.com)是一家集研发、生产、营销、服务于一体的高新技术企业.主营智能排队叫号系统、医院分诊系统、排队机、叫号机、评价器(好差评系统)、呼叫器、多媒体查询及信息发布配套系统等,公司产品已广泛应用于不动产登记、智慧医疗、智慧税务、智慧政务、智慧金融、智慧通讯、智慧服务大厅、智慧机关单位等服务窗口行业.咨询电话：028-87438905。