下一代芯片必备两大天赋：神经网络与深度学习

　　‘深度学习’(deep learning)已经改变了计算机在现实世界中观看、倾听与认知事物的方式。然而，对于半导体产业来说，最重要或许也最实际的问题是：深度学习将会深入智能手机、可穿戴式设备或是自动驾驶汽车中使用的微型计算机视觉SoC吗？谁将致力于开发针对神经网络优化的SoC架构？它将会是一款什么样的SoC？

　　“毫无疑问地，深度学习确实是改变游戏规则的一大突破，”嵌入式视觉联盟(EVA)创办人Jeff Bier以计算机视觉为例表示，深度学习具有强大的影响力，“必须说的是，目前它还只是一种经验领域。人们正在尝试不同的东西。”

　　现在已经有充份的证据显示芯片供货商对深度学习(更具体地说是卷积神经网络)的兴趣不断增加。卷积神经网络(CNN)正广泛地应用在影像与视频辨识领域。

　　高通(Qualcomm)日前推出了首款可‘模拟人脑’的Zeroth认知运算平台。根据高通表示，Zeroth将会被应用在未来的移动芯片中，包括即将推出的Snapdragon 820。

　　Cognivue是另一家专注于深度学习领域的公司。该公司开发出新的Opus嵌入式视觉SoC架构，据称将可利用深度学习方面的进展，大幅提高认知侦测的准确度。Cognivue目前正与加拿大渥太华大学(University of Ottawa)合作开发这一架构。

　　从Nvidia今年的GPU技术大会(GTC)发布来看，就能了解Nvidia也正看好以GPU为主的深度学习领域。

　　中国搜寻巨擘百度(Baidu)也致力于开发深度神经网络模型，用于辨识数据中心的基本对象分类。百度计划将这些模型移植到嵌入式系统中。

　　百度深度学习研究院(Baidu Research)科学家吴韧表示，“随着智能手机的处理性能大幅提高，从数据中心的深度学习撷取的超级智能模型可执行在我们的手机上。”一支有效配置的手机可以直接在手机上执行这些模型，而不需要透过云端传送与接收数据。吴韧并补充说：“目前所面临的最大挑战在于是否能以低功耗模式执行作业。”

　　人工智能导入深度学习

　　有一点是明确的。笼罩在1980年代末期和1990年代早期对于人工智能(AI)的沮丧和失望已经烟消云散了。在这个新的‘巨量数据’时代，大量的数据和超强运算能力的结合，开始训练神经网络辨别对象。深度学习如今正被视为迈向AI道路的一种全新领域。

　　有些人宣称，机器正取得像人类一样准确辨识对象的能力。根据微软(Microsoft)研究人员最近发布的一篇文章，该公司基于深度CNN的计算机视觉系统在ImageNet 1000挑战赛中的对象分类表现，首度超越了人类的能力。就在微软宣布其神经网络系统以4.94%的误差率超越人类基准的5.1%误差率过后五天，Google也宣布该公司的系统表现更胜微软0.04%。

　　然而，在电子产业中，不同的厂商解决深度学习的方法也各不相同。

　　Nvidia三款GPU产品进军深度学习领域

　　在GPU技术大会上，Nvidia执行长黄仁勋以Titan X发表专题演讲，他指出这款新的GeForce游戏GPU是‘唯一适合深度学习’的系统。他并发表Nvidia的数字深度学习GPU训练系统——这是一款专为加速高质量深度神经网络而设计的软件应用。他还发布了一套桌侧深度学习机Digits DevBox，专为任务而打造，采用四个GTX Titan X显卡，并搭配直觉使用的DIGITS训练系统软件。