本文摘要：方位技术时，才能充分发挥仅次于效用。尽管目前新的问世的芯片为构建方位技术获取了设备条件，但大部分的人工智能算法尚能不反对该技术的构建。这就意味著人工智能算法的研发速度还跟上芯片，芯片的仅次于效用无法充分发挥。人工智能芯片第一阶段的研发目标是能同时继续执行多个并行任务。 但芯片一般来说不会遇上内存容许，也就是说芯片内存过小，足以同时展开多个任务的计算出来。要构建第二阶段的目标，人工智能还必须利用方位技术。方位技术就是对同一个数据继续执行多项任务。

方位技术时，才能充分发挥仅次于效用。尽管目前新的问世的芯片为构建方位技术获取了设备条件，但大部分的人工智能算法尚能不反对该技术的构建。这就意味著人工智能算法的研发速度还跟上芯片，芯片的仅次于效用无法充分发挥。人工智能芯片第一阶段的研发目标是能同时继续执行多个并行任务。

但芯片一般来说不会遇上内存容许，也就是说芯片内存过小，足以同时展开多个任务的计算出来。要构建第二阶段的目标，人工智能还必须利用方位技术。方位技术就是对同一个数据继续执行多项任务。

比如，如果你在杂货店里卖东西，想一次找齐购物表格上的所有东西，你可以请求你的朋友每人老大你去找一样。这种方法虽然需要同时继续执行，但效率依然不低，因为有可能有所不同的东西就放到相似的地方。最差的办法就是在每个货道里决定一个朋友，让这个朋友负责管理货道里的所有商品，这种方法效率更高。

方位技术就是这样一种需要提高效率的技术。新一代人工智能芯片必须享有强劲方位技术的算法，但目前并不是所有算法都需要继续执行这样的任务。有些人工智能算法还无法说明了充足的方位信息，无法充分发挥新一代人工智能芯片的全部性能。

百度硅谷人工智能实验室尝试了多种改良算法的方法，以期充分发挥方位技术的仅次于效用。初期实验指出我们很有可能够解决这些障碍。百度研发了持续性循环神经网络，能在计算出来规模较小时，将计算速度提升至30倍，提高了普通循环神经网络的方位功能。

这是新的算法研发的良好开端，但人工智能芯片的未来研发还须要更进一步加快。解决问题算法问题的另一个有可能方向是将卷积神经网络和复现的神经网络统合一起，但最差的解决办法目前还有待找到。以深度自学为基础的人工智能算法计算能力受限，必须更加较慢的计算机来构建新的突破。

当前算法早已构建重大突破，推展语音辨识、机器翻译和现实人类语音合成的巨大进步。硬件早已准备好庆贺人工智能的下个阶段，可行性实验也经常出现喜人迹象。

因此我们坚信我们于是以处在研发下一代算法的风口浪尖，这也正是我们的当务之急。我们期望能仅次于程度充分发挥当今人工智能芯片的计算能力，协助我们构建新的突破。

原创文章，予以许可禁令刊登。下文闻刊登须知。

本文来源：bat365中文官方网站-www.barberinglife.com