Google的开源人工智能引擎预示着重大硬件变革

2015年11月9日，Google将其人工智能引擎（AI）作为开源项目发布到互联网上，作为最重要的创新项目之一，这显示了计算机软件行业正在发生着的变革。最近，互联网巨头们接二连三地公开自己线上的核心业务软件，这些开源加快了技术发展的进程。随着人工智能引擎TensorFlow的开放，Google能以多种方式为公司外的机器学习研究提供支持，这些研究成果同样也将反馈给Google。

同时Google的人工智能引擎也反映了当今计算机硬件行业的发展趋势。在Google内部，处理诸如图像识别、语音识别和语言翻译等任务时，TensorFlow依赖于GPU以及GPU集群。这些本被用于渲染游戏图像的芯片，也适用于其它工作，而智能引擎对这些芯片的依赖比想象中的更多。据GoogleAI项目工程师称，Google不仅仅只是训练模型，而且正在投入产品服务——将它们植入用户手中的智能电话。

这是一次重大的转变。目前，Facebook庞大的计算机数据中心虽然也用GPU集群训练人脸识别模型，但实际在社交网站上为用户提供人脸识别服务时，还是使用传统的CPU或CPU集群。Facebook首席技术官（CTO）指出，这种基本配置是目前的行业标准。但Google为了追求更高的效率，某些时候既使用GPU来训练AI模型，又使用GPU来执行模型。Google也非独辟蹊径，中国搜索引擎巨头百度也正在搭建一套类似的AI系统。百度首席科学家吴恩达（Andrew Ng）认为这是一次巨大的模式变革。

这一变革对于专注于GPU芯片的美国巨头NVIDIA公司而言是件好事。不生产GPU的Intel公司最近收购了一家专门生产FPGA的公司，因为一些互联网企业和研究所开始关注可编程逻辑阵列（FPGA），将它作为AI领域的GPU替代品。

在全球在线服务业务中，AI扮演着越来越重要的角色，随之而来的备选芯片架构在AI中的地位也水涨船高。目前，在提供线上服务的计算机数据中心里已然如此，可预测的若干年内，同样的现象也将出现在使用相同服务的移动设备上。

在Google、Facebook、微软以及百度等公司，GPU已被证明对“深度学习”非常有效，因为它可以并行处理许多小数据集。深度学习依赖于神经网络，一种模拟人类大脑中神经元的系统，这些网络可以用来快速分析大量数据。举个例子，为了训练神经网络识别一只猫，需要输入无数张猫的图像，而GPU即擅长处理此类任务。另外，它们的能耗也没有CPU那么高。

然而，这些公司在实际使用深度学习技术的手机App应用中，往往是由运行在CPU上的数据系统驱动的。根据百度高性能专家介绍，这是因为GPU只有在持续输入数据的情况下效率才比较高，而通常用来驱动手机App的数据服务器软件并不以这种方式向芯片传输数据。通常情况下，当收到手机App发来的请求后，服务器每次仅处理一个请求，而如果使用GPU并行处理收到的每个请求，则很难保证GPU有足够多的线程能够有效运行。因此GPU从未真正在实际中使用过。换句话说，如果能实现给GPU不断传入数据，那么其效率将比CPU高出许多。百度正在其新的AI平台上做此类尝试。总体而言，就是请求发送到数据中心，然后将多个请求打包传入GPU，使得每次不再只处理一个请求，而是多个请求。

目前还不清楚Google将如何处理这个问题。但是他们表示已经有TensorFlow在执行阶段使用GPU的案例。其发言人证实，基于不同的问题，有时候会把GPU既用于训练模型，又用于识别使用。

这似乎显得微不足道，但事实上却是一项大的改变。驱动这些AI应用产品的系统包括数以千计台的机器，而且这些系统在我们日常生活中的地位日益重要。现在Google的深度学习技术不仅用来识别照片、识别语音、机器翻译，还用来提高搜索质量。其它公司也将同样的技术用于精准广告投放、计算机安全，甚至理解自然语言的应用。即是说，像Google和百度这样的公司都需要极其大量的GPU。

与此同时，人工智能引擎TensorFlow将其中一些AI产品从数据中心移植到了智能手机上。通常，在使用手机端涉及深度学习相关的App时，不回传信息到数据中心是无法运行的。所有的AI都部署在服务器端。例如，在安卓手机上执行一个命令，此命令必须传到Google的数据中心，通过那里的庞大的CPU或GPU网络才能处理。

Google一直在提升自己的AI引擎，使得可以在手机端就自动完成某些任务。公司工程师表示，可以使用一个能在手机端运行的模型描述，而且不需要对模型描述或代码做实质性的改动。

Google的翻译App正是这样搭建的。Google在数据中心训练模型来识别单词和完成翻译，训练完成后App就能独立地运行，而不再需要网络联接。于是把手机对准一块法语路牌，就能立即显示出英语翻译。

这要做好其实很困难，毕竟手机的处理能力有限。随着时间的推进，越来越多的此类任务会被移植到手机端。深度学习软件会改进，移动设备硬件也在发展。有人认为，深度学习的未来是在小巧灵活的移动设备上。

于此呼应的是，GPU正在试图寻找置入手机的方式，硬件制造商也在不断改进CPU的速度和效率。同时，IBM也在开发专为AI任务定制的神经形态芯片，使用过的人觉得它非常适合移动设备。

如今，Google的AI引擎不仅运行在服务器的CPU和GPU上，还运行在常规的智能手机芯片上。而且据Google工程师称，他们开发的TensorFlow引擎能让工程师们轻而易举地迁移到其它硬件平台上。随着该引擎工具的开源，外部人员也可以使用，应该可以移植到更广泛的额外硬件上了。

综上可见，硬件行业也正经历着变革——和软件界一样日新月异。