預測不準確？_風聞

技術有其邏輯

個人信息保護法已經來了，但是已經沒人抱有希望，該拿到的都得到了，不該拿到的也悄悄留下了。

畫個像，錄個音，慢慢開啓攝像頭，記錄下你的路徑，保存下你的輸入歷史，真正做到了百花齊放。

海量的數據養育了人工智能，那人類的角色究竟是什麼？

答案呼之欲出，人肉乾電池，餵養數據培育巨頭，獻完青春獻子孫，忠貞不二愛國情。

今天就好好跟大家嘮嘮我們為啥會變成人肉乾電池。

我想先給大家説幾個人名，圖靈、香農、貝塔朗菲和維納。

圖靈在二戰破譯德軍密碼的時候搞出了圖靈機，香農闡明瞭信息論，告訴我們信息是如何流動的，貝塔朗菲發展了系統論，也就是認為工程需要複雜條件和要素的合理配置，維納是控制論的代言人，信息流通也好，複雜計算也好，都不是無目的的狂想，而是奔着某種目標去的。比如錢學森老先生，就是工程控制論的行家裏手。

正是在這些人的鼓搗下，我們今天的計算機、互聯網媒體才真正發展起來，但是因為他們的理論門檻過高，長時間裏這些人和事並不為人所知，也只有圖靈因為圖靈計算機科學獎還算盛名在外。

而今天我們説到大數據和人工智能，好像都是非常fashion的概念，2016年阿爾法狗戰勝李世石真正讓AI成為人盡皆知的新名詞，而這些大師和他們的所學好像更是非常久遠的存在。

其實這是錯覺，第一屆人工智能大會是在1956年於英國達特茅斯召開，基本上和大師們是同時代的存在。

**☉**圖靈死於毒蘋果，原因就不多説了

理論是理論，現實中計算機組成的集大成者，採用的都是馮·諾依曼架構，這位老兄在參加曼哈頓工程的時候就意識到，當時的計算機結構有點問題，主要是不通用。

這裏的不通用的意思就是以往的計算機是特定類型的計算工具，而且用途單一僅是用於計算的機器，比如今天的超級計算機，功能很強大，但要是拿來打遊戲顯然是不太行的。

就這麼理解吧，超級計算機就是算盤的終極態。

而馮諾依曼架構簡單來説，就是分門別類，把計算機各部分該幹啥都預先設計好，需要哪塊就用哪塊，管輸入就專管輸入，計算就靠CPU（中央處理器），比如文字處理，一般就用CPU就夠，但要是打遊戲或者畫圖，最好還是配塊GPU。

所以現代的計算機不單單是用於計算的機器，這也是現代計算機可以通用化的真正原因，個人PC、芯片製造商也就此發家。

**☉**手機、電腦和超算，基本都在這個框架下各自發展。

機器總歸是要幫助我們處理信息完成工作的，這時候需要召喚二進制。所有的信息和數據，不管文字還是視頻從底層來説，都是0和1組成的，所以Word文檔能和虛幻引擎在一台電腦上共存。

也有不信邪的，比如蘇聯老大哥搞過三進制，0和1，還有個-1，1958年造出過三進制計算機Сетунь，但是老大哥市場化動力不足，最終項目無疾而終，起了個大早，趕了個晚集。

至於那些量子計算機、光學計算機等奇形怪狀，先挖個坑，有空再嘮。

到這個階段，計算機算是發展的明明白白了，在技術的推動下，人類進入了互聯網文明，發展出了互聯網經濟，工業時代需要的是電力和石油，而信息時代需要的是數據。

大自然當然是長不出數據來的，唯一能“供電”的，就是你我以及諸位了。所以不要覺得是大數據時代我們的個人隱私才具有價值，它們一直都是寶貴的財富（生產要素），只是大數據和人工智能讓這一切變得更顯性和便捷了。

從計算機走向消費品的那一刻起，就註定會有這麼一天，這是技術發展的自生邏輯，不因我們的個人意志而改變。

孩子大了

現代計算機和人工智能起源於20世紀中葉，到現在已經是長大成人，按照馮諾依曼的架構原理，需要處理的內容是越來越多，那就加模塊。

水多了加面，面多了加水。

第一次注水，是GPU的出現，原名叫做 Graphics Processing Unit，直譯為圖形處理器，俗稱顯卡，是CPU發展到一定階段出現的補充物。

CPU一般負責通用計算，簡單理解就是算數，但是隨着計算機的發展，尤其是Windows系統的攻城略地，圖形化界面（GUI）以及立體模型的需求越來越多。這其實也符合人性，DOS系統和原生Linux那種對着命令敲代碼的電腦用法，絕對不如直觀的東西看着舒服，普通老百姓顯然不會喜歡。

有需求就有市場，1999年英偉達發佈GeForce 256，而且GPU這個名字也是從此開始大規模運用。具體參數就不報了，今天看來就是玩具，重要的是它開創了GPU這個概念。

今天在電腦上配有獨立顯卡還能當個賣點，但是手機一般就會搞集成設計，比如SoC，高通、海思家的產品都是如此，這是因為手機空間有限，一寸空間一寸金，能省就省。

另一個原因就是手機是純圖形化的，對於GPU的運算需求更普遍。我想大家沒見過拿着手機敲代碼的吧。

現在，還是英偉達，花了69億收購了以色列Mellanox後推出了新的數據處理單元DPU，即Data Processing Unit，產品名BlueField-2、BlueField-2X，英偉達這次目的很明確，再複製一把GPU的輝煌。

**☉**人類的本質是復讀機，有需求就造一個

先別激動，成不成還兩可呢，數據時代肯定會到來，巨頭們都在跑馬圈地，但未必DPU就會是最後的贏家，因為入局的實在是太多了。

CPU/GPU/NPU/TPU/DPU，把這一堆放到你眼前，讓你猜一猜他們都是幹啥的，誰又能在數據時代笑到最後呢？

現在機器學習CPU也能做，但是數據吞吐量很有限，學生學習還好説，真正搞研究和工程應用，比如把用户數據拿到了怎麼分析，一般還是要上GPU。CPU幹一天的活，GPU幾個小時就搞定了。

而到了人工智能要具體落地的時刻，比如麒麟810要應用神經網絡，華為的策略是開發自己的嵌入式神經網絡處理器，實際上就是NPU，neural-network processing units，專門負責有關圖像視頻等內容的學習。

如果你是華為手機用户，那麼相冊中圖片中分類功能就是由NPU來完成的，一般宣稱不用上傳雲端即可實現，靠的就是NPU本身的強大。

還有iPhone最新的A14芯片，裏面也包含神經運算單元，蘋果稱之為神經引擎（Neural Engine）和機器學習矩陣加速器（machine learning matrix accelerators）。每秒可以執行11萬億次算術任務，最新制程5nm，16個核心，基本上可以説是目前的手機處理器的算力巔峯了。

**☉**像Intel擠的牙膏？

而谷歌還有自己的TPU，中文名為張量運算單元，Tensors  Processing Unit，是專門用於機器學習的處理器，配合自家的TensorFlow機器學習框架有奇效。

總算是説清楚這一堆PU是什麼東西了，本質上他們都是數據處理模塊，只不過用的頻繁，各個廠家給獨立出來了。

大數據時代真的要來，但疊牀架屋還適合時代發展的要求嗎？

現在廠家還在思考這個問題，但是Intel、高通等已經聯合起來反對英偉達收購ARM，顧慮的就是萬一英偉達控制手機+電腦端的數據處理芯片，那時候大家都得聽英偉達。

而我們的角色是人肉乾電池。不管怎麼説，數據是人工智能真正的關鍵所在，因為深度學習的數學原理依舊是黑箱狀態，現在可行的路徑就是堆數據，本質上是對概率的預測，而不是邏輯的推演。數據不夠多的話，預測就容易不準確了。

這個孩子要長大，需要餵養更多的奶水，我們多刷手機也算是為人類做貢獻了。

本回完

​