2019 ISSCC 大會于2月17—21日在美國舊金山開幕，Facebook 首席 AI 科學家 Yann LeCun 在會上發表了主題演講「深度學習硬件：過去、現在和未來」，詳細介紹了深度學習研究的發展將如何影響未來硬件架構。

如今，只要在網絡上搜索“深度學習”算法，都會顯示很多相關的信息，在過去的數十年里，人工智能已經越來越成功地應用于生物識別、語音識別、視頻識別、翻譯等。國內更是誕生了諸如曠視科技、商湯科技、極鏈科技Video++、依圖科技等優秀人工智能初創企業。設計人員將大量高度并行的計算加載到硬件上，尤其是最初為快速圖像渲染而開發的圖形處理單元（GPU）。這些芯片特別適合于計算密集型“訓練”階段，該階段使用許多經過驗證的例子來調整系統參數。在“推理”階段，其中部署深度學習處理的輸入，需要更大的存儲器訪問和快速響應，目前已經可以使用GPU實現。

深度學習與GPU

為了快速應對增長的需求，許多公司都正在開發能夠直接賦予深度學習能力的硬件，迫切的需要進行推理以及培訓。近年來隨著深度學習的迅速發展，卷積神經網絡（Convolutional Neural Network）被廣泛使用，特別是在圖像識別場景中的應用。為了滿足更多場景應用，需要有一種能夠根據實際場景需求替換不同CNN網絡模型的系統框架。在過去的20年里，視頻、游戲等產業推動了GPU的進步，其繪制圖形所需的矩陣正是深度學習所需的計算類型。

GPU技術的進步則是推動了神經網絡的發展，因為在沒有GPU的情況下訓練深度學習模型在大多數情況下會非常緩慢。許多人把生產中深度學習的想法想的過于復雜，我們可以在生產中使用CPU和選擇的網絡服務器進行深入學習。生產中進行訓練是非常罕見的。即使你想每天更新你的模型權重，也不需要在生產中進行訓練。這意味著你只是在生產過程中進行“推理”，比“培訓”更快更容易。你可以使用任何你喜歡的Web服務器，并將其設置為簡單的API調用。如果能夠有效地批量處理數據，GPU只會提供更快的速度。

GPU在處理圖形的時候，從最初的設計就能夠執行并行指令，從一個GPU核心收到一組多邊形數據，到完成所有處理并輸出圖像可以做到完全獨立。由于最初GPU就采用了大量的執行單元，這些執行單元可以輕松的加載并行處理，而不像CPU那樣的單線程處理。另外，現代的GPU也可以在每個指令周期執行更多的單一指令。所以GPU比CPU更適合深度學習的大量矩陣、卷積運算的需求。深度學習的應用與其原先的應用需求頗為類似。GPU廠家順理成章的在深度學習，找到了新增長點。

深度學習發展是否出現“瓶頸”

我們之所以使用GPU加速深度學習，是因為深度學習所要計算的數據量異常龐大，用傳統的計算方式需要漫長的時間。但如果未來深度學習的數據量有所下降，或者說我們不能提供給深度學習所需要的足夠數據量，是否就意味著深度學習也要進入“瓶頸”了呢?

做深度神經網絡訓練需要大量模型，然后才能實現數學上的收斂。深度學習要真正接近成人的智力，它所需要的神經網絡規模非常龐大，它所需要的數據量，會比我們做語言識別、圖像處理要多得多。假設說，我們發現我們沒有辦法提供這樣的數據，則很有可能出現瓶頸。

目前，深度學習還在蓬勃發展往上的階段。比如我們現階段主要做得比較成熟的語音、圖像、視頻方面，整個的數據量還是在不斷的增多的，網絡規模也在不斷的變復雜。可以說深度學習是GPU計算發展的關鍵，誰能找到最適合深度學習的模式，誰就是勝利者。

結語：

深度學習經過這么長時間的發展，在網絡的種類、復雜程度和處理的信息量上都發生了天翻地覆的變化。當前，網絡種類上，從早期的 AlexNet 和 GoogleNet 到現在各企業推出的 GAN以及各種深度強化學習的網絡，它們各自網絡結構都有不同，開發者在適應最新的網絡上常常會遇到一些麻煩。處理的信息量也在成倍地增長，算力需求越來越高的情況下，也將對搭載處理單元的硬件有著更高的要求。