彎道超車新武器:卡位人工智慧,三大前瞻技術有未來

在網際網路與行動網路的時代,市場對於程式設計師求才若渴,而Google 、Facebook等公司莫不大力提倡程式設計的重要,或者遊說各國政府讓程式設計成為國民教育;來到人工智慧時代,這些科技公司又再次面臨人才搶奪大戰,如何招攬到最適合公司的頂尖人才是重要課題,包括微軟、Facebook與Google都積極培訓人才,同時也想辦法降低機器學習等人工智慧技術門檻,其中Google發表了名為自動化機器學習(Auto Machine Learning)的工具,希望機器學習建模等流程能更為「自動化」。

AI三大基石:演算法、數據與運算

人工智慧的三大基石,除了演算法與數據,另一個就是運算。在眾多硬體當中,晶片扮演重要角色。在人工智慧訓練過程中,「矩陣乘法」與「記憶體存取」都會產生大量的耗能,但現行市面上的人工智慧晶片,在功耗與效能上仍有不足之處,也因此美國英特爾、Google與NVIDIA等公司莫不投入大量資源研發適用的晶片,其中特殊應用積體電路(Application-specific integrated circuit,ASIC)吸引眾多廠商投資,如Google就自產ASIC晶片TPU,華為推出麒麟970。

而在研究方向上,過去一直被忽視的情感領域研究,也逐漸被重視。「當你看待人類時,我們的情商是我們整體智力的基礎。」以情感辨識技術聞名的Affectiva公司的執行長兼共同創辦人卡利歐比說(Rana el Kaliouby)。Google Cloud人工智慧暨機器學習首席科學家李飛飛也指出,「現在我們的AI都是用邏輯的方法來判斷情感。邏輯代表IQ,而情感代表EQ。未來,從情緒到情感,是人工智慧未來前進的方向。」



人工智慧的下一步:量子電腦

不過,要讓人工智慧跨越到下一個層級還有一個重要的技術:量子運算。巴黎硬體創投Hardware Club合夥人楊建銘在〈量子電腦春暖花開〉一文中指出,不同於傳統電腦使用0與1的二進位系統,量子電腦在原理上所使用的量子位元(qubit),可以同時以不同的或然率存在於兩個狀態。這個特質,加上不同量子彼此之間可以跨越距離進行纏結(entanglement),讓量子電腦理論上可以用很少的能量就完成大量平行運算。而這樣的特性也讓全球頂尖企業與新創爭相投入大量資金研究,搶奪量子霸權(quantum supremacy),如IBM在2017年7月宣布推出商業量子計算機IBM Q,而Google內部有一個ProjectQ項目也和量子計算有關。

不過,量子電腦離真正商用化還有一大段距離,因此雖然大廠紛紛投入,並外外界放話量子時代正要來臨,但真正推出商用化服務的公司很少。「量子電腦的問題在於,目前不管是新創或者Google、IBM乃至於英特爾等大廠的系統,都必須把溫度降到絕對零度附近,才能進行量子運算,地球上的降溫系統本身就是一個極為耗能的裝置,要等到綜合能源效率和建置成本到達可以和半導體晶片相比擬,恐怕還要不少的時光。」楊建銘強調。

前瞻技術:ASIC晶片——標準化與規模化的完美平衡

人工智慧晶片可以概分為兩大類,一類為人工神經網路(Artificial Neural Network),而另一類為神經擬態計算(Neuromorphic computing)。理論上,神經擬態計算效能更佳,但實務上還無法有好的表現,產業生態鏈也不完備,如Facebook人工智慧實驗室負責人、人工智慧深度學習權威勒丘恩(Yann LeCun)說,「這類網路,沒有在任何有意思的問題上表現出與當前最好技術(指人工神經網路深度學習技術)接近的結果。」也因此目前市面上盛行的人工智慧晶片大多屬於人工神經網路範疇。

而在人工神經網路晶片之中,又有通用晶片與專用晶片之分。其中ASIC是一種高度客製化的特殊規格積體電路。在演算法模型還沒有標準化、而市場規模也還沒有成形前,圖形處理器(GPU)與現場可程式化閘陣列(FPGA)等通用晶片是較為保險的選擇,「可以避免投入大量資源開發了專用晶片後,遇到演算法趨勢改變的風險。」工研院IEK產業分析師范哲豪指出。

ASIC是真正適合深度學習的晶片

但是,這些通用晶片一開始就不是針對深度學習設計的,因此在性能與功耗表現有其局限。隨著人工智慧技術大量被導入業界,Google與英特爾等大廠紛紛投入晶片高效能與低能耗的ASIC專用晶片研發,突破這些限制。

另一面,過去人工智慧如Siri系統,多是先把終端數據傳送到雲端,透過雲端運算再把結果回傳給終端硬體,但由於自駕車無人機等部分智慧聯網裝置,需要快速反應(無法忍受雲端和終端的通訊延遲)與高度隱私性(數據一旦上傳雲端,有被駭的風險),讓各家大廠紛紛投入終端裝置可以使用的專用晶片研發。讓用在智慧終端的ASIC專用晶片技術成為未來極具潛力的半導體技術。

台灣有發展機會嗎?

而台灣過去幾十年從CPU到GPU開發,累積相當多的能力與優秀的半導體設計人才,在耗能設計上(efficient semiconductor)具有優勢。不過,國研院國家晶片系統設計中心副主任王建鎮則指出,「目前全球人工智慧晶片設計與製造領域競爭激烈,台灣若不急起直追,恐怕優勢將無法延續。」

加上由於現在演算法都還不確定,軟體還充滿未知數,若貿然設計終端硬體風險很高,這對台廠來說是不小的挑戰。也就是說,這不僅是一場人工智慧硬體的戰爭,而是一場從演算法軟體到硬體的人工智慧軟硬整合大戰,而這剛好是台灣的痛點,前清華大學副校長吳誠文就說,「硬體跟應用軟體的結合,是台灣很痛的一個文化問題。所謂『文化決定造化』,如果我們不改變,造化就是這樣,機會就在那裡,但我們走不進去。」吳誠文所指的文化,是台灣硬體廠只接大量訂單的規模經濟模式,「如果這個觀點不通,永遠無法突破。」

*更多精彩內容請見《數位時代》284期
https://www.bnext.com.tw/magazines
*尊重智慧財產權,如需轉載請註明資料來源:《數位時代》第284期
http://www.bnext.com.tw/