Facebook 开源其人工智能背后的计算机

将强大的人工智能软件开源，让全世界所有人都能使用，这听起来像是科幻电影里的情节，但谷歌和微软近几个月都做到了这一点。现在 Facebook 更进一步，向全世界开放了其强大的人工智能计算机硬件设计。

这是一个重大举措，因为虽然软件平台确实可以使人工智能研究更容易、更可复制、更可共享，但如果没有强大的计算机，整个过程几乎是不可能的。

今天，Facebook 宣布将开放其服务器的设计源代码，并声称其运行速度是以前的两倍。新设计称为Big Sur ，除了中央处理器 (CPU)、硬盘和主板等计算机的其他传统部件外，还需要八个高性能图形处理单元 (GPU)。但 Facebook 表示，新的 GPU 尤其允许其研究人员使用两倍大小和速度的机器学习模型。

为什么重要

定期处理图像或音频对于消费级设备来说可能很费力，某些类型的人工智能必须分解和学习 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，让我们先了解一些基础知识——人工智能的底层可能令人生畏且复杂。人工智能是一个总称，指的是创建模仿人类思维和推理的人工系统的多种方法。实现这一目标的方法有很多；目前最流行的方法是用于深度学习的不同种类的人工神经网络。这些网络必须经过训练或展示示例，然后才能输出信息。要让计算机了解猫是什么，你需要向它展示数百万张猫的图片（尽管 Facebook 的方法已经大大减少了这个数字）。神经网络是数学单元的虚拟集群，可以单独处理像素等小信息，当它们组合在一起并分层时，可以处理无限复杂的任务。

这意味着数百万张照片、短语或音频片段需要分解，并由数百万个人工神经元以不同的抽象层次进行查看。如果我们要研究传统计算机中适合这项工作的部件，我们有两个选择：处理器 (CPU) 或图形处理器单元 (GPU)。

CPU和GPU之间的区别

CPU 是现代计算机的主要“大脑”，非常适合处理一些常规计算任务。它的核心数量相对较少（消费类计算机和手机中为 4-8 个），但每个核心都具有更深的缓存，可以多次处理同一任务。它利用计算机的随机存取存储器 (RAM) 来获取其处理过程中所需的数据。

GPU 则相反。单个面向服务器的 GPU 可以拥有数千个核心，内存很少，专门用于执行微小的重复任务（如渲染图形）。回到人工智能，GPU 中的多个核心允许同时运行更多计算，从而加快整个过程。Facebook 人工智能研究工程总监 Serkan Piantino 表示，CPU 曾经是这种繁重处理的首选，但大型项目需要大量的网络芯片，比使用 GPU 计算所需的芯片还要多。

“GPU 的优势在于，在一个地方就能实现高密度计算，”Piantino 说道。“目前，对于我们关心的很多网络来说，GPU 是最好的选择。”

Facebook 表示，Big Sur 可与来自不同制造商的各种 GPU 配合使用，但他们专门使用的是 Nvidia 最近发布的一款型号，Nvidia 一直大力推广其产品用于人工智能研究。在他们对 CPU 与 GPU 图像训练性能的测试中，双 10 核 Ivy Bridge CPU（读作：非常快）在 2 分 17 秒内处理了 256 张图像。他们的一款面向服务器的 K40 GPU 仅用 28.5 秒就处理了相同的图像。而 Facebook 在 Big Sur 中使用的较新型号 Nvidia 的 M40 实际上速度更快。

许多 Nvidia 设备还配备了计算统一设备架构 (CUDA) 平台，允许开发人员将 C 或 C++ 等本机代码直接写入 GPU，以更高的精度并行协调内核。CUDA 是许多 AI 研究中心（如 Facebook、微软和百度）的主要产品。

复制人类大脑？

GPU 是现代人工智能的主力，但一些研究人员认为，计算的现状并不是答案。2013 年，美国联邦政府资助的 DARPA（国防高级研究计划局）与 IBM 合作开展 SyNapse 项目，目标是创建一种能够自然学习的新型计算机芯片——接收输入的行为本身就会教会硬件。结果就是 TrueNorth：一款于 2014 年发布的“神经形态”芯片。

TrueNorth 由 54 亿个晶体管组成，这些晶体管被构造成 100 万个人工神经元。这些人工神经元构建了 2.56 亿个人工突触，当接收到数据时，这些突触会将信息从一个神经元传递到另一个神经元。数据在神经元中传播，形成可以转化为网络可用信息的模式。

在欧洲，一组研究人员正在开展一个名为 FACETS（即具有突发瞬态的快速模拟计算）的项目。他们的芯片有 20 万个神经元，但有 5000 万个突触连接。IBM 和 FACETS 团队已将他们的芯片设计为可扩展的，这意味着能够并行工作以大幅提高计算能力。今年，IBM 集群了 48 个 TrueNorth 芯片，构建了一个 4800 万个神经元网络，而《麻省理工技术评论》报道称，FACETS 希望实现十亿个神经元和十万亿个突触。

即使有了这个数字，我们仍然远远无法重建人类的大脑，人类的大脑由 860 亿个神经元组成，可能包含 100 万亿个突触。（IBM 在之前的 TrueNorth 试验中已经达到了这个 100 万亿的数字，但该芯片的运行速度比实时速度慢 1542 倍，并且需要一台 96 机架的超级计算机。）

Knowm 创始人兼 DARPA SyNapse 校友亚历克斯·纽金特 (Alex Nugent) 正尝试利用一种特殊的忆阻器来改变计算的未来，他表示这种忆阻器将取代依靠晶体管运行的 CPU、GPU 和 RAM。

自 1971 年计算机科学家 Leon Chua 首次提出“缺失电路元件”理论以来，忆阻器一直是科技行业的独角兽。从理论上讲，忆阻器可以替代传统晶体管，而晶体管是现代计算机的基石。

晶体管可以处于两种状态（开或关）。简单地说，计算机不过是大量在开和关之间波动的晶体管阵列。忆阻器利用电流改变金属的电阻，这为这些值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，这使忆阻器阵列可以容纳的信息复杂度成倍增加。

生物效率

Nugent 与博伊西州立大学的硬件开发人员 Kris Campbell 合作，实际创建了一种可与他所谓的 AHaH（反赫布和赫布）学习配合使用的特定芯片。这种方法使用忆阻器来模拟大脑中的神经元链。Nugent 说，忆阻器能够根据施加的电压双向改变其电阻，这与神经元传输自身微小电荷的方式非常相似。这使它们能够在使用时进行调整。由于它们的电阻充当了自然记忆，因此忆阻器将打破一些研究人员所说的冯·诺依曼瓶颈，即在处理器和 RAM 之间传输数据时产生的数据处理上限。

“AHaH 计算说‘让我们从这个构建块开始构建’，”Nugent 在接受《大众科学》采访时说。“通过基本上利用这些‘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，你可以进行学习操作。”

这就是 Nugent 认为这项工作不仅适用于通用计算，而且专门面向机器学习的原因。

“只要你把我们今天已经可以达到的密度与忆阻器配对，将它与使我们能够使用它的理论配对，将芯片堆叠成三维空间，你就能获得生物效率，”纽金特说。“最终得到的是智能技术。”