巴倫周刊早在 2015 年 10 月, 就曾以 AI 為主題做過封面故事, 當時的標題為《Watch Out Intel, Here Comes Facebook》. 當中曾被提及的 Nvidia, 股價已大漲 770%, 而美光可能在 AI 發展之撐下, 成為新一代晶片界新星, 因為發展過程中, 需要許多的記憶體晶片, 該公司股價迄今已成長 270%.
Nvidia 五年來股價走勢圖
目前 AI 仍處於發展的初期, 未來可能會有更強勁的回報.
在網路和雲端計算開始興盛之下, 網路巨頭可以在其數據中心, 彙整大量數據並進行計算, 計算機科學家創造出一種新的機器學習 (machine learning) 模式, 稱為深度學習 (deep learning), 該模式不需要科學家制定明確的計算規則.
下圖顯示一個深度學習的例子, 其中一台計算機被教導辨識貓的照片, 數以百萬計的貓圖片被輸入計算機, 以及許多不是貓的例子亦被輸入, 例如狗的照片. 計算機將檢測映像像素中, 許多基本形狀的圖案.
深度學習範例之一, 辨識貓與狗
然後它會發現這些非常基本的形狀, 如何聚集形成相關的 (尖的耳朵) 和不相關的 (軟的耳朵) 可辨識圖案特徵, 這將成為計算機新的模型, 之後在辨別圖片是否為貓時, 它將套用此模型.
這種深度學習是一種強大的新範例: 人類只需要設定一個基本目標, 如分類圖片, 接著讓計算機找出解決方案的模式. 計算機所經曆的一系列步驟被稱為「網路」, 而不同的網路擅長不同的事物, 舉例來說, 所謂的強化學習為使用非常簡單的訊息, 只需要一個場景和一套規則, 它們變能找出最佳的行動模式.
Google 曾在 2017 年底, 使用這種方法製作能自我學習的計算機圍棋 AI 模型 AlphaGo Zero. 該模型運用神經網路的技術, 它透過與自己對弈, 學習到各種招式並發現新的戰略, 他在學習過程中並不需要人類的智能, 它最終擊敗了頂級人類圍棋棋士.
而科技公司在 AI 發展中扮演的重要角色為, 提供所需的硬體支援或是新的機器設備, 例如 Nvidia 的 GPU 晶片效率比 Intel 的微處理器更高. 美光的記憶體晶片需求激增, 並預計在 2021 年推出可支援深度學習的晶片.
深度學習將在運算中變得更加普遍, 隨著時間推移, 深度學習將接管人類編寫程序的工作, 但受限於晶片和軟體的發展, 要走到此目標還有很長一段路.