由于，人工智能（AI）擔負工作與目前大多數(shù)計算機的運算工作有些不同。然而，AI隱含著分析預測、推理、直觀的能力與功能。實時是最有創(chuàng)意的機器學習算法也受到現(xiàn)有機器硬件能力的束縛。因此，若要在AI方面取得長足進步，我們必須在硬件上進行改變，或是半導體材料上進行突破。演變從GPU開始，引入模擬設備（analog devices），然后演變成為具容錯性量子計算機（fault tolerant quantum computers）。

現(xiàn)在從大規(guī)模分布式深度學習算法應用于圖形處理器（GPU）開始將高速移動的數(shù)據(jù)，達到最終理解圖像和聲音。DDL算法對視頻和音頻數(shù)據(jù)進行訓練，GPU越多表示學習速度越快。目前，IBM創(chuàng)下紀錄：隨著更多GPU加入能提升達到95％效率，就能識別750萬個圖像達到33.8％，使用256個GPU 于64個Minsky電源系統(tǒng)上。

自2009年以來，隨著GPU模型訓練從視頻游戲圖形加速器轉向深度學習，使分布式深度學習每年以約2.5倍的速度發(fā)展。所以IBM曾于2017年IEEE國際電子設備會議（2017 IEEE International Electron Devices MeeTIng）針對應用材料發(fā)表Semiconductor Futurescapes： New Technologies， New SoluTIons，談到需要開發(fā)哪些技術才能延續(xù)這種進步速度并超越GPU？

如何超越GPU

IBM研究公司認為，GPU的轉變分為三個階段進行：

1、首先將在短期內利用GPU和傳統(tǒng)的CMOS構建新的加速器以繼續(xù)進行；

2、其次將尋找利用低精密度和模擬設備（analog devices）來進一步降低功率和提高性能的方法；

3、然后進入量子計算時代，它可是一個機會，能提供全新的方法。

在CMOS上的加速器還有很多工作要做，因為機器學習模型可以容忍不精確的計算。正因為“學習”模型可以借助錯誤學習而發(fā)揮作用，然而，在銀行交易是無法容忍有一些許的錯誤。預估，精準運算快速的趨勢，到2022年每年以2.5倍在提高。所以，我們還有五年時間來突破模擬設備（analog devices），將數(shù)據(jù)移入和移出內存以降低深度學習網(wǎng)絡的訓練

時間。因此，analog devices尋找可以結合內存和運算，對于類神經(jīng)演算的進展將是非常重要的。

類神經(jīng)演算如同模擬腦細胞。神經(jīng)元（neurons） 結構相互連接以低功率訊號突破von-Neumann的來回瓶頸（von-Neumann’s back-and-forth bottleneck），使這些訊號直接在神經(jīng)元之間傳遞，以實現(xiàn)更高效的計算。美國空軍研究實驗室正在測試IBM TrueNorth神經(jīng)突觸系統(tǒng)的64芯片數(shù)組，專為深度神經(jīng)網(wǎng)絡推理和挖掘信息而設計。該系統(tǒng)使用標準CMOS，但僅消耗10瓦的能量來驅動其6400萬個神經(jīng)元和160億個突觸。

但相變化內存（phase change memory）是下一代內存材料，可能是針對深度學習網(wǎng)絡優(yōu)化的首款仿真器件。

進入量子時代 （quantum）

據(jù)IBM公司的研究論文，在Nature Quantum InformaTIon中展示了機器學習中量子的優(yōu)勢證明（“DemonstraTIon of quantum advantage in machine learning”），展示了只有五個超導量子位處理器，量子運算能夠穩(wěn)定減少達100倍運算步驟，并且比非量子運算更能容忍干擾的信息。

IBM Q的商業(yè)系統(tǒng)現(xiàn)在有20個量子位，并且原型50個量子位設備正在運行。它的平均時間為90μs，也是以前系統(tǒng)的兩倍。但是容錯系統(tǒng)在今天的機器上顯示出明顯的量子優(yōu)勢。同時，試驗新材料（如銅相通的替代品）是關鍵 - IBM及其合作伙伴在IEDM上推出的其他關鍵芯片改進，以推進所有運算平臺，從von Neumann到類神經(jīng)及量子。

解決處理器到儲存器的連接和帶寬瓶頸，將為AI帶來新的儲存器架構，最終可能導致邏輯和儲存器制造過程技術之間的融合。IBM的TrueNorth推理芯片就是這種新架構的一個例子，其中每個神經(jīng)元都可以存取自己的本地儲存器，并且不需要脫機存取儲存器。

借助訓練和推理形式的AI運算，必須推向邊緣裝置上（edge devices），例如：手機、智能手表等。因此，這將興起由計算設備組成的網(wǎng)絡系統(tǒng)。大多數(shù)這樣的邊緣裝置會受到功率和成本的限制，所以他們的計算需求可能只能透過高度優(yōu)化的ASIC來滿足?，F(xiàn)在，傳統(tǒng)無晶圓廠半導體公司是否有能力提供這類型的ASIC或是否由AI芯片新創(chuàng)公司例如云端服務提供商，由誰主導目前還為時過早。

備注：*馮諾伊曼架構（von Neumann bottleneck）：是一種將程序指令內存和數(shù)據(jù)存儲器合并在一起的計算機設計概念架構，因此也隱約指出將儲存裝置與中央處理器分開的概念。在CPU與內存之間的流量（數(shù)據(jù)傳輸率）與內存的容量相比起來相當小，在現(xiàn)代計算機中，流量與CPU的工作效率相比之下非常小。當CPU需要在巨大的數(shù)據(jù)上執(zhí)行一些簡單指令時，數(shù)據(jù)流量就成了整體效率非常嚴重的限制，CPU將會在數(shù)據(jù)輸入或輸出內存時閑置。由于CPU速度遠大于內存讀寫速率，因此瓶頸問題越來越嚴重。