圖片來自“123rf.com.cn”

過去的事實證明，人類向來不善于預(yù)測。要么總是高估短期發(fā)展，低估中長期進程，要么壓根猜錯了方向。

基于自身需求和社會發(fā)展，人們確信，AI是解決交通問題的終極工具。資本同樣確信這一點，到2020年以前，全球AI產(chǎn)業(yè)投資將達到4000億美元，60%的投資和新創(chuàng)公司誕生在中美兩國。

停滯不前的自動駕駛

但投資人已經(jīng)發(fā)現(xiàn)，找新項目越來越難，而項目變得昂貴，這是資本泡沫出現(xiàn)的信號。

就短期而言，AI的效能和回報都被高估了。

作為自動駕駛研發(fā)的領(lǐng)先者，谷歌旗下的Waymo正在鳳凰城郊區(qū)部署自動駕駛車隊，并已經(jīng)開始收費服務(wù)。對于本地智能決策的實用項目而言，是巨大的階段性成功，盡管服務(wù)區(qū)域和服務(wù)人群都做了精心的限制和挑選。顯然，這是限定場景下的L4級別自動駕駛應(yīng)用。

然而，當(dāng)?shù)鼐用駸嶂杂谌⌒aymo的自動駕駛車輛。這些白色的克萊斯勒Pacifica在高速路上試圖并線卻總不成功，最后被迫駛下公路；或者在經(jīng)過十字路口時把車道占住，不敢拐彎，導(dǎo)致追尾。人類司機不耐煩過于守規(guī)矩的交通參與者，他們粗魯?shù)匕蠢龋静还蹵I是否聽得懂。

Waymo的CEO克拉夫西克則暗示AI的笨拙狀態(tài)還要持續(xù)多年，他認為L5級自動駕駛的實用部署可能需要“數(shù)十年”，這和他3年前的樂觀態(tài)度形成鮮明對比。

算力的瓶頸在哪里？

這多半源于工程師們對AI訓(xùn)練時的心力交瘁。真實世界的工況復(fù)雜程度，很難通過固定模型調(diào)參，達到完全覆蓋的目的。和公眾認識的相反，獲取數(shù)據(jù)是容易的。只要法律允許且車主們同意，地球上每天運行的十幾億輛汽車，都可以裝上廉價傳感器，獲取行駛數(shù)據(jù)，上傳云端。

如此海量的元數(shù)據(jù)，必然存在大量重復(fù)的冗余數(shù)據(jù)。工程師們花了很長時間，編寫算法，提煉并構(gòu)建對AI訓(xùn)練有最大價值的數(shù)據(jù)庫（即訓(xùn)練模型）。

不過，數(shù)據(jù)后期的分類標定、數(shù)據(jù)質(zhì)量以及算法，存著在很多的不確定因素。而公眾和監(jiān)管機構(gòu)都堅持，自動駕駛汽車需要測試數(shù)億至數(shù)千億公里，才能驗證它們在減少交通事故方面的可靠性。這無疑加大了AI應(yīng)用在自動駕駛的難度。

由于算力的局限，致使AI訓(xùn)練過程變得很長。數(shù)據(jù)量超出硬件承載的上限，AI就無法表現(xiàn)得老練得體。也因為同樣的原因，人們必須事先篩選數(shù)據(jù)，避免硬件崩盤。

眾所周知，隨著硅基芯片加工極限迫近，單個芯片的算力提升乏力。摩爾定律不是法律，它只不過是從業(yè)者觀察到芯片業(yè)蓬勃發(fā)展時期的規(guī)律而已，而這一規(guī)律正在走向終結(jié)。

因為硅原子的直徑是0.3nm，這是不可逾越的物理限制。而且，門控電路很難控制單個原子。此時的量子效應(yīng)不可忽略，電路邏輯從確定狀態(tài)變成概率，芯片邏輯將一塌糊涂。目前人類在水中雕刻硅片的“刀具”是深紫外光——接近X射線的波長，硅加工當(dāng)下的極限是7nm，而提升的終點可能是2-3nm。

既然電路密度提升愈來愈困難，擴大面積、增加立體維度，不就仍可以擴張電路復(fù)雜度嗎？考慮到能耗帶來的尺寸翹曲和散熱問題，無論二維還是三維擴張，都受到嚴格限制。即便全球頂尖加工能力，硅片面積擴張后，成品率也不可避免地急劇下降。

當(dāng)前人類仍在不斷提升算力，靠的是大規(guī)模并聯(lián)，多芯片算力協(xié)同的代價，則是數(shù)據(jù)內(nèi)部傳輸?shù)男实拖潞凸募眲∩仙?/p>

新架構(gòu)可能不是最終答案

2016年戰(zhàn)勝李世石的AlphaGo仍是傳統(tǒng)的馮諾依曼結(jié)構(gòu)，配置了1202個CPU和176個GPU，功率17萬瓦，下一盤棋電費3000美元。而李世石的大腦就算滿負荷運行最多也只20瓦，只夠點亮一盞昏暗的白熾燈。這不是一場公平的決斗。在人腦面前，AI笨拙得驚人，也低效得驚人。

而第二年戰(zhàn)勝柯潔的AlphaGo則采用了4片基于云的TPU，構(gòu)成180TFlops算力（1T哈希率=1萬億次運算）。而2018年谷歌推出的TPU3.0，具備100P（1P哈希率=1000萬億次運算）算力。作為代價，TPU3.0必須采用水冷機制。超算的冷卻更需要龐大設(shè)備，微軟的內(nèi)蒂克項目干脆建在蘇格蘭奧克尼群島冰冷的海底。

TPU本質(zhì)上是專用場景的ASIC芯片，對馮諾依曼結(jié)構(gòu)的瓶頸進行優(yōu)化，不能處理文本，專門用于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)計算。計算密度無法提升的時候，我們依靠改善架構(gòu)，繼續(xù)榨取算力。

但是TPU的體積、功耗和麻煩的冷卻設(shè)備，都注定它不可能充當(dāng)車載本地AI?；诟咚倬W(wǎng)絡(luò)的云端算力，減輕了本地AI的負擔(dān)。不過，這些提升終有盡頭，而且盡頭近在眼前。

在硅基芯片的潛力挖掘殆盡之前，我們必須找到更強大的算力。量子計算和化合物半導(dǎo)體、生物計算都具備替代潛質(zhì)。而大多數(shù)國家資本，正在大規(guī)模地押注量子。但是截至目前，世界上還沒有真正意義上的量子計算機，也很難估量什么樣的方案能更有效地束縛微觀態(tài)的量子。量子計算機的實用化預(yù)測，從5年到50年不等。

在人們擔(dān)心強AI失控之前，AI本身還未能對算法進化做出什么貢獻。算法的巧妙依賴于人腦。對于人類來說，個體知識體系并不重要，算法的優(yōu)化源自人類經(jīng)驗積累。這和芯片電路規(guī)模擴張，有異曲同工之妙。在合理功耗下算力足夠強，是AI勝任高級別自動駕駛的唯一現(xiàn)實路徑。

在硅基芯片潛力挖掘殆盡之前，探索出新路徑來，決定了AI的未來。這就是我們無法看清未來的原因。