更多深度文章，请关注云计算频道：
https://yq.aliyun.com/cloud
本月初，谷歌CEO Sundar Pichai在跟开发者分享从他的机器学习实验室得到的结果时，他表现的非常兴奋。因为他们实验室的研究人员，已经找到了自动化生成机器学习软件的方法。并且他们也发现，这个方法很容易就能部署到新的情景和行业内。
不过，该项目在AI研究领域内名声大噪的另外一个原因就是，它成功的证明了在机器学习领域竞争，计算资源（计算能力）才是取胜的关键。 
一篇来自谷歌的论文研究表明，在这个项目中，他们同时使用了800多个功能强大并且非常昂贵的图形处理器（GPU）。GPU的使用，对近期机器学习能力的提高起到了至关重要的作用。（详见：2013年10大突破性技术：深度学习）他们告诉《麻省理工科技评论》，这个项目已经持续使用这些芯片两周。仅仅这一个研究项目就消耗了大量的资源，即使像谷歌这样有钱的公司，也难以承受如此大的开销。
对于无法访问大型GPU集群的研究人员来说，做这样的实验就意味着要有大量的研究经费。如果从亚马逊的云计算服务中心租用800个GPU，一周就需要大约12万美金的开销。
比起运行深度学习的软件，训练深度学习软件所消耗的资源更加庞大。计算能力对于现在的机器学习来说，算是一个瓶颈。斯坦福大学的副教授Reza Zadeh如是说，同时Reza Zadeh还是Matroid的创始人兼首席执行官，Matroid是一家利用软件帮助企业来识别视频中人和车的公司。 
人工智能的发展需要在计算能力不断的有所突破，但是不幸的是计算行业赖以生存了50年的两大定律却正在渐渐的走向灭亡，一个是“摩尔定律”，它曾预测每两年，相同面积的芯片上的晶体管数量将会翻倍；另外一个是Dennard缩放比例定律，它指出当晶体管变小时，它们的功耗如何按比例缩小。
今天，这两个昔日辉煌的定律都不在适用了。英特尔已经减缓了引入更小，更密集的晶体管的步伐。（详见：Moore's Law is dead.Now What?）在20世纪中期，随着晶体管的不断变小，晶体管的使用效率就很难得到提升，所以能耗成为了最头疼的问题。
押注人工智能的一个好消息是，图形芯片目前已经成功的进入到人们的视野中。最近，全球领先图形芯片英伟达的首席执行官黄仁勋向公众展示了一个图表，该图表显示，英伟达芯片的性能在以指数级加速，相比之下通用处理器CPU的性能提升已经减缓。
致力于将新技术商业化的微软NEXT的工程师Doug Burger表示，传统软件和机器学习软件之间也有类似的差距（暗指CPU和GPU之间的差距）。他说：“目前，通用软件的性能已经到了一个停滞期，但是人工智能却还在迅猛的发展。”
Doug Burger还认为，这种趋势还会继续下去。工程师们会让GPU变得越来越强大，因为GPU可以更专业的处理图形或者机器学习中所需要的数学问题。
同样的理念还出现在Doug Burger在微软领导的一个项目中，它通过使用被称作是FPGAs的可重构芯片为人工智能软件提供了更加强大的计算能力。它同样激励着一些初创公司和巨头，比如说谷歌——创造一种特殊的芯片去驱动机器学习。（详见：google reveals a powerful NEW Ai Chip and Supercomputer）。
从长远角度来看，要使人工智能更加强大，计算机芯片必须更加彻底的改变。开发特定的芯片是一个主要的方向，现实情况已经证明，这些芯片确实能够使计算机效率更高，并且不会损害机器学习软件输出结果的准确性。（详见：Why a Chip That’s Bad at Math Can Help Computers Tackle Harder Problems）。
芯片的设计直接复制生物结构也可能会成为未来的一个新的方向，IBM和其他公司已经构建出使用尖峰电流进行计算的芯片原型，其计算过程类似于人类神经元的激发过程。（详见：Thinking in Silicon）
Burger说“一些简单的动物，能够用很少的能量实现的功能就超过了今天我们机器人，不得不承认的是，在这些行为中一定存在很多提高性能和效率机制等待着被我们发现。”
毕竟人工智能这条路才真正的开始，我们可以从人类的神经网络中获取算法模型。或许我们也可以从人类的神经网络中获取更多的启发。在人工智能这条道路上，我们还需要花费很长的时间。