德勤報告 | 2018 AI趨勢：AI芯片更豐(feng) 富，用機器學習(xi) 的企業(ye) 翻倍

2018 AI趨勢：AI芯片更豐(feng) 富，用機器學習(xi) 的企業(ye) 翻倍

這是一個(ge) 急速變化但又有很強發展銜接性的時代。

德勤在報告Technology, Media and ecommunications Predictions（科技、傳(chuan) 媒和通訊的預測）開頭這樣說。

這份報告中，德勤預測了增強現實（AR）、智能手機、AI芯片、機器學習(xi) 、互聯網、數字傳(chuan) 媒等領域在2018年的大趨勢。總體(ti) 來講，科技、傳(chuan) 媒和通訊領域內(nei) 將呈現指數級進步，生活中的方方麵麵也將發生不易察覺的變化。

這份報告長達80頁，我們(men) 將其中與(yu) 人工智能相關(guan) 的兩(liang) 部分編譯整理如下。在2017年的尾巴，我們(men) 提前去2018年預覽一下。

  AI芯片

強大的運算力對訓練和推理神經網絡來說*。

2009年，*塊GPU問世，這種專(zhuan) 門為(wei) 密集型計算、高度並行計算設計的芯片，比CPU更能滿足機器學習(xi) 任務的要求。自此，越來越多的類型開始豐(feng) 富“AI芯片”這個(ge) 新名詞。

德勤預測，2018年，GPU和CPU仍是機器學習(xi) 領域的主流芯片。

GPU的市場需求量大概在50萬(wan) 塊左右，在機器學習(xi) 任務中對FPGA的需求超過20萬(wan) 塊，而ASIC芯片的需求量在10萬(wan) 塊左右。

△ GPU、FPGA和ASIC芯片需求與(yu) 2016年對比圖

在年底，超過25%的數據中心中用來加速機器學習(xi) 的芯片將為(wei) FPGA和ASIC芯片。

△ FPGA和ASIC芯片的*超過25%

那麽(me) ，每種類型的芯片到底向什麽(me) 方向發展，德勤給出了詳細的預測：

機器學習(xi) 優(you) 化的GPU：在2018年，GPU製造者將推出專(zhuan) 門優(you) 化機器學習(xi) 任務的特別版GPU。其實現在已經能看到這樣的案例，英偉(wei) 達稱自己的Volta架構將使深度學習(xi) 訓練加速12倍，在深度學習(xi) 推理任務上比Pascal架構還要快6倍。

機器學習(xi) 優(you) 化的CPU：在GPU市場蒸蒸日上的同時，我們(men) 也可以看到CPU公司推出機器學習(xi) 的CPU芯片。比如英特爾Knights Mill芯片，比非機器學習(xi) 優(you) 化芯片的性能提升了4倍。

機器學習(xi) 優(you) 化的FPGA：在2016年，FPGA芯片的銷售額已經超過40億(yi) 美元。在2017年年初報告《Can FPGAs Beat GPUs in Accelerating Next-Generation Deep Neural Networks?》中，研究人員表示在某些情況下，FPGA的速度和運算力可能比GPU還要強。

目前，微軟、亞(ya) 馬遜AWS和百度也稱將FPGA用於(yu) 機器學習(xi) 的相關(guan) 任務中。總體(ti) 來說，2018年機器學習(xi) 任務對FPGA的需求超過了20萬(wan) 。

機器學習(xi) 優(you) 化的ASIC芯片：ASIC是隻執行單一任務的芯片，目前ASIC芯片的製造廠商很多。在2017年，整個(ge) 產(chan) 業(ye) 的總收益大約在150億(yi) 美元左右。

綜合各芯片廠商放出的消息，英特爾的收購的Nervana，能在2018年生產(chan) 出自己的芯片。此外，日本富士通也計劃在2018年推出一款名為(wei) 深度學習(xi) 單元（DLU）的芯片。

TPU：TPU是穀歌為(wei) 適應機器學習(xi) 任務推出的ASIC芯片，適用於(yu) 處理在開源的TensorFlow中的任務。在穀歌數據中心的推理任務中，TPU已經顯示出良好的性能，和CPU相比，性能可以提升10到50倍。據穀歌預測的數據顯示，2018年對TPU的需求大約在10萬(wan) 塊左右。

低能耗機器學習(xi) 加速芯片：德勤預測，在2018年，手機、平板和其他移動設備對機器學習(xi) 芯片的需求量在5億(yi) 左右。移動端芯片的zui大特點就是低能耗，GPU芯片的功率大致在250瓦左右，相比之下TPU芯片需要的功率僅(jin) 為(wei) 75瓦。對傳(chuan) 感器網絡來說，所需功率需要低於(yu) 10毫瓦。

德勤預測，可能再過兩(liang) 三年，低功率的機器學習(xi) 芯片才能有突破性進展。

光流芯片：除了上麵幾種，還有一種特殊的芯片類型，IBM的True North芯片就是一種光流芯片，它能加速機器學習(xi) 任務，並且非常。不過德勤表示，現在還很難預測這種光流芯片在2018年的體(ti) 量，但整體(ti) 來說可能低於(yu) 10萬(wan) 塊，甚至低於(yu) 1萬(wan) 塊。

  機器學習

德勤預測，在2018年，大中型企業將更加看重機器學習在行業中的應用。和2017年相比，用機器學習部署和實現的項目將翻倍，並且2020年將再次翻倍。

△ 翻倍再翻倍

在報告中，德勤重點提出了讓機器學習(xi) 更廣泛應用企業(ye) 中的5個(ge) 重要推動力，分別為(wei) 數據科學的自動化、訓練數據需求的減少、訓練速度的加快、解釋結果和本地部署等。

1. 數據科學自動化：像數據開發和特征工程這種耗時的機器學習(xi) 任務，可能會(hui) 占用數據科學家80%的時間。好消息是，這種繁瑣的工作正在逐步被自動化取代。從(cong) 耗時的工作解放出來後，數據科學家執行機器學習(xi) 試驗的時間從(cong) 幾個(ge) 月縮短到了幾天。自動化在一定程度上緩解了數據科學家的短缺，為(wei) 企業(ye) 賦予和更多活力。

2. 減少訓練數據的需求：訓練一個(ge) 機器學習(xi) 模型可能需要數以百萬(wan) 計的數據元素，為(wei) 訓練數據獲取標記數據也是一件耗時且成本高的事情。目前，已經湧現出致力於(yu) 減少機器學習(xi) 需要的訓練數據的技術，包括數據合成、算法生成的模擬真實數據特征等。

3. 加速訓練：正如上麵所說，像GPU、FPGA等機器學習(xi) 專(zhuan) 有硬件的出現可以縮短機器學習(xi) 模型的訓練時間，加速研究進展。

4. 解釋結果：雖然機器學習(xi) 的進展日新月異，但機器學習(xi) 模型通常存在關(guan) 鍵缺陷，比如黑箱，意味著我們(men) 無法解釋其中的原理。這些不清楚讓模型無法適應更多的應用。如果黑箱消失、結果都可解釋，是機器學習(xi) 應用的一大進步。

5. 本地部署：機器學習(xi) 將隨著部署能力一同成長。德勤去年曾經預測，機器學習(xi) 正在走進移動設備和智能傳(chuan) 感器，帶來智能家庭、智慧城市、無人駕駛、可穿戴技術和物聯網技術。

像穀歌、微軟、Facebook等科技*正在嚐試將機器學習(xi) 模型壓縮到便攜設備上，比如穀歌的TensorFlow Lite、Facebook的Caffe2Go和蘋果的Core ML。