将强大的人工智能软件开源，让全世界任何人都可以使用，这似乎是科幻电影中的情节，但 Google 和 Microsoft 在最近几个月都已付诸实践。现在，Facebook 更进一步，向全世界开放其 强大 AI 计算机的硬件设计。
这是一个重大举措，因为虽然软件平台无疑可以使 AI 研究更轻松、更可复制、更易于共享，但没有强大的计算机，整个过程几乎是不可能的。
今天，Facebook 宣布开源其服务器设计——据称其运行速度是以前的两倍。名为 **Big Sur** 的新设计，除了中央处理器 (CPU)、硬盘和主板等传统计算机部件外，还配备了八个高功率图形处理单元 (GPU)。但 Facebook 表示，新的 GPU 特别允许其研究人员以两倍的规模和速度处理机器学习模型。
为何重要
定期处理图像或音频对消费级设备来说是十分耗费资源的，而某些类型的人工智能需要分解和学习 1000 万张图片才能从中学习。这个过程称为训练，需要强大的计算能力。
首先，让我们先建立一些基础知识——人工智能的底层可能是令人畏惧且复杂的。人工智能是一个总称，涵盖了许多创建模仿人类思维和推理的人工系统的各种方法。实现这一目标有许多方法；目前最流行的方法是用于深度学习的各种人工神经网络。这些网络在输出信息之前必须经过训练，即给它们提供示例。要让计算机学会识别猫，你需要向它展示数百万张猫的图片（尽管 Facebook 的方法已大大减少了这一数量）。神经网络是虚拟的数学单元集群，它们可以单独处理少量信息，例如像素，当它们组合并分层时，就可以处理更复杂的任务。
这意味着数百万张照片、短语或音频片段需要被分解，并由数百万个人工神经元在不同抽象级别上进行分析。如果我们考察传统计算机中适合执行这项任务的部件，我们有 两个选择：处理器 (CPU) 或图形处理器单元 (GPU)。
CPU 和 GPU 的区别
CPU 是现代计算机的主要“大脑”，它非常适合处理少量通用计算任务。它拥有相对较少的 核心（消费级电脑和手机为 4-8 个），但每个核心都具有更深的缓存内存，可以专注于一项任务更长时间。它会从计算机的随机存取内存 (RAM) 中检索其处理所需的数据。
GPU 则相反。一个 面向服务器的 GPU 可以拥有 数千个核心和少量内存，专门用于执行微小、重复的任务（如渲染图形）。回到人工智能，GPU 中众多的核心可以同时运行更多的计算，从而加速整个过程。根据 Facebook AI 研究工程总监 Serkan Piantino 的说法，CPU 以前是处理这类繁重计算的首选，但大规模项目需要庞大的网络芯片集群，这比使用 GPU 计算的芯片要多。
Piantino 表示：“GPU 的优势在于其极高的计算密度。目前，GPU 对我们关心的许多网络来说是最佳选择。”
Facebook 表示 Big Sur 可以与来自不同制造商的各种 GPU 配合使用，但他们特别使用了英伟达 (Nvidia) 最近发布的一款型号，该公司一直在 大力推广其产品以用于人工智能研究。在 CPU 与 GPU 在图像训练性能上的测试中，双核 10 核 Ivy Bridge CPU（非常快的 CPU）在 2 分 17 秒内处理了 256 张图像。而一个面向服务器的 K40 GPU 仅用 28.5 秒就处理了相同的图像。Facebook 在 Big Sur 中使用的较新型号——英伟达 (Nvidia) 的 M40——实际上更快。
许多英伟达 (Nvidia) 设备还附带了统一计算设备架构 (CUDA) 平台，该平台允许开发人员直接用 C 或 C++ 等原生代码编写到 GPU，以更高的精度并行编排核心。CUDA 是许多 AI 研究中心的 标配，例如 Facebook、Microsoft 和百度。
复制人脑？
GPU 是现代 AI 的主力，但一些研究人员认为目前的计算模式并非长久之计。联邦资助的 DARPA（国防部高级研究计划局）于 2013 年与 IBM 合作开展了 SyNapse 项目，旨在创造一种能够自然学习的新型计算机芯片——即接收输入本身就能教会硬件。其成果是 TrueNorth：一款于 2014 年发布的“神经形态”芯片。
TrueNorth 由 54 亿个晶体管制成，这些晶体管被组织成 100 万个人工神经元。人工神经元构建了 2.56 亿个人工突触，当接收到数据时，它们会将信息从一个神经元传递到另一个神经元。数据通过神经元传输，形成可被网络转化为可用信息的模式。
在欧洲，一个研究团队正在进行一项名为 FACETS（快速模拟计算的涌现瞬态状态）的项目。他们的芯片拥有 20 万个神经元，但有 5000 万个突触连接。IBM 和 FACETS 团队构建的芯片是可扩展的，这意味着它们可以并行工作，从而极大地提高计算能力。今年，IBM 将 48 个 TrueNorth 芯片集群构建了一个拥有 4800 万个神经元的网络，据 MIT Technology Review 报道，FACETS 希望通过 10 万亿个突触实现 10 亿个神经元。
即使有了这个数字，我们距离重现人脑（包含 860 亿个神经元，并可能拥有 100 万亿个突触）还有很长的路要走。（IBM 在 之前的 TrueNorth 试验中达到了 100 万亿这个数字，但芯片运行速度比实时慢 1542 倍，并且需要一个 96 机架的超级计算机。）
Knowm 的创始人、DARPA SyNapse 的校友 Alex Nugent，正致力于通过一种特殊的忆阻器来推动计算的未来，他认为这种忆阻器将取代基于晶体管的 CPU、GPU 和 RAM。
自 1971 年计算机科学家 Leon Chua 首次提出“缺失的电路元件”理论以来，忆阻器一直是科技行业的“独角兽”。理论上，忆阻器可以取代传统晶体管——现代计算机的 基本构建块。
晶体管可以存在于两种状态（开或关）。简单来说，计算机无非是一系列在开和关之间波动的晶体管。忆阻器利用电流来改变金属的电阻，这在这些值上提供了更大的灵活性。与晶体管的两种状态不同，忆阻器理论上可以有四种或六种状态，这会成倍增加忆阻器阵列可以存储的信息的复杂性。
生物效率
Nugent 与博伊西州立大学的硬件开发商 Kris Campbell 合作，创建了一个名为 AHaH（反赫布学习和赫布学习）的学习方法。这种方法使用忆阻器来模拟大脑中的神经元链。Nugent 表示，忆阻器根据施加的电压以双向步骤改变其电阻的能力，与神经元传输自身微小电荷的方式非常相似。这使得它们在使用过程中能够适应。由于其电阻充当天然的记忆，忆阻器将打破一些研究人员所说的 冯·诺依曼瓶颈，即数据在处理器和 RAM 之间传输时产生的处理能力限制。
Nugent 在接受《大众科学》采访时表示：“AHaH 计算认为‘让我们以这个构建块为基础进行构建’。通过利用这些‘神经元’，以不同的方式连接它们，并以不同的方式配对它们的输出，你就可以进行学习操作。”
Nugent 认为这项工作不仅适用于通用计算，而且特别侧重于机器学习。
Nugent 表示：“一旦你实现了我们目前已经能够达到的密度，你将其与忆阻器结合，你将其与一种使我们能够使用它的理论结合，你就可以将芯片堆叠成三维，最终实现生物效率。最终你会得到智能技术。”
