Google和Facebook已经开源了它们的计算机硬件设计，就是用来驱动它们产品中人工智能逻辑电路的那些硬件系统。正是依靠这些智能算法，才实现了Google的搜索引擎和推荐功能，Facebook的数码信息助手M——当然，还有两家公司都使用的定向广告功能。
Facebook的定制服务器，代号 Big Sur，内置了图形处理单元（GPU）。GPU是PC中用来显示3D 效果电子游戏的图像处理系统。它同样也是驱动Google的 TensorFlow人工智能系统的硬件。那么问题来了，为什么要基于图像处理器来构建人工智能计算系统，而不用那些主流的计算机处理系统呢？
NVIDIA Tesla M40 GPU加速器，图片来源：NVIDIA新闻网
最初GPU 是被设计成与计算机中心处理单元（CPU）共同工作的：用来下载所需的计算图像任务。渲染三维图像场景是一个出了名的不易并行化任务。由于一张图像中的两个不同区域之间没有联系或内部关联性，可以把原始任务轻松的分解成多个独立的小任务，这些小任务又能够被同步并行化处理，即同时完成。这样就可以大大加快工作速度。
正是这种平行化特性促使GPU制造商颠覆了他们硬件的原有功能。通过对它们进行适当的优化，可以仅在大量平行化任务的处理上实现峰值计算流量，这些GPU就变身为可以运行任何并行化代码的专门处理器，而不仅仅是处理图像任务。而另一方面，对CPU的优化则是为了更快的处理单线任务（非并行化），因为大多数通用软件仍旧是单线的。
与CPU的单个，两个，四个或八个处理核心不同，现代GPU有上千个核：比如说服务器内置的 NVIDIA Tesla M40配有3072个 CUDA 核心。然而，这种大规模并行化是有代价的：要想利用它强大的处理能力，必须要为其编写特定的软件，但对GPU 编程并不容易。
Facebook的Big Sur服务器，内置8个NVIDIA Tesla M40 GPUs，图片来源：Facebook
GPU因何能为人工智能服务？
GPU之所以能横空出世成为超级计算硬件候选者的原因之一在于，有些要求最高的计算问题是非常适合并行化执行的。
一个绝佳例证就是深度学习，它是人工智能发展中的前沿领域之一。为这项强大技术提供理论基石的是神经网络的概念——高度互联的节点构成的大型网络系统，这个概念在1990年代就被提出过，不过当时并没有取得成功。但是现在科技的进步让我们得以构建更大更深的神经网络，这项技术取得了根本性的进展。有了这些神经网络系统作支撑，我们才开发出了语义识别软件，语言翻译还有Google, Facebook和很多软件现在使用的语义识别工具。
对一个神经网络进行训练，让它“学习”如何工作的过程就类似于大脑中神经元之间建立和加强联接的过程。从计算意义上来讲，这个学习过程是能够被并行化的，因此可以利用GPU硬件来加快学习速度。机器学习需要有可以学习的原材料，而获取原材料的过程也很容易用GPU来加速。有了开源的机器学习工具－比如 Torch code library 和配备GPU的服务器，在基于的GPU系统上进行神经网络训练会比用CPU 系统快上好几倍。
GPU是计算机领域的未来吗？
近几十年来我们已经对摩尔定律的预言习以为常，摩尔定律是指计算机的运算速度大概每隔两年就要翻倍一次。一直以来，运算速度的大幅提升主要依靠微型化来实现，因为芯片体积的缩小会降低发热，从而使CPU运转速度加快。然而，这个“免费的午餐”也要吃到头了，因为半导体元件已经快被微缩到极限了，也就是硅材料尺寸的固有理论极限。现如今，进一步提高计算速度的唯一可靠途径就是大规模并行化，最近十年多核 CPU的发展已经印证了这一点。而GPU在这方面可是占尽先机的。
除了人工智能，GPU也被用于流体和空气动力学模拟，还有物理引擎和大脑的模拟，这也只是几个应用的实例。一些世界顶尖的超强计算机，诸如目前世界运算速度第二的超级计算机，橡树岭国家实验室的超级计算机Titan，就是构建在Nvidia 的GPU加速器集群上的。它的竞争者包括由Intel的 Phi 并行协同处理器驱动的天河二号，是目前世界上运算最快的超级计算机。不过并不是所有问题都可以轻易并行化的，而且为这些环境编程难度也很大。
橡树岭国家实验室的Titan超级计算机，图片来源：Oak Ridge National Laboratory
很可能，计算领域的未来，至少是人工智能的未来，也许会是更具颠覆性的神经形态计算机。IBM 的 True North芯片是其中一个，另一台（原型机）正处在耗资10亿欧元的人类脑计划（Human Brain Project）研制之中。在这个模型中，与通过众多处理器组成的网络来模拟神经网络所不同的是，芯片本身就是神经网络：芯片上独立的晶体管组成了电路，通过电信号来通信和处理信息。这与生物大脑中的神经元本质上没有什么不同。
支持者的论点是这种系统能让我们实现神经网络的向上扩展，最终实现与人脑相同的规模和复杂程度，这可以使人工智能真正做到与人类智能相匹敌。其他人，尤其是脑科学研究者，则更加谨慎，他们认为人类大脑除了神经元的庞大数量和密度以外，还有其他重要的特性。
无论如何，很有可能我们现在对大脑的认识需要通过超级计算机才能完善，而它恰恰是被用来模仿大脑工作方式的。
注：所有文章均由中国数字科技馆合作单位或个人授权发布，转载请注明出处。
