要想深入了解人工智能，必须掌握AI的这几点

伴随 AI 产业链结构的 逐步清晰，以及大模型带来的产业运作效率、技术深度的大幅改善，中期维度，假设 AI 技术不发生跳变式跃迁前提下，我们判断 AI 产业链价值有望逐步向两端靠拢，中间环节价 值有望持续减弱，并逐步形成“芯片+算力基础设施+AI 框架&算法库+应用场景”的典型产业 链结构，同时在这样的产业结构安排下，我们预计上游的芯片企业、云基础设施厂商，以 及下游的应用厂商有望逐步成为 AI 产业快速发展的核心受益者。

AI 芯片：GPU+FPGA+ASIC 并存局面。技术理论层面，GPU 的峰值性能与泛用性更 为出色，尤其是英伟达推出了 CUDA 编程框架，大大降低了开发难度。但 GPU 底层无法 编辑，如果出现底层算法的更改需要重新部署。FPGA 具有足够的计算能力和足够的灵活 性，FPGA 也是一种半定制的硬件，通过编程可定义其中的单元配置和链接架构进行计算， 因此具有较强的灵活性。

AI 训练环节：GPU 料将占据主导地位。伴随谷歌借助 BERT 模型在对话式 AI 领域的突破，以及微软的跟进，AI 训练端芯片的需求再次被激发。我们判断，在 当前技术可预期的范围，对话式 AI(主要用于 NLP 等)、广度&深度推荐系统将 构成中期市场核心应用场景之一。

AI 推理环节：市场百花齐放，核心在于应用场景的匹配。不同于训练类芯片， 更注重功耗、成本以及延迟类的需求，GPU 在推理环节优势并不明显，FPGA 与 ASIC 等新兴产品将会百花齐放。相较于训练环节，推理环节是一个更大、更 具吸引力的市场，但同时相较于训练环节，推理环节对于计算复杂度、计算精度 要求不高，但对于延迟较为敏感，本身技术要求和训练存在明显不同。同时传感器技术的成熟、通信网络的发展等，亦将极大促进边缘智能计算设备的需求，以及最终带动对推理芯片的需求。但在企业内部服务(推理)仍面临延迟、功耗等 层面的明显短板。

狭义AI和通用AI的区别

在电影中，AGI 是《星际迷航》中的数据、《星球大战》中的 C-3PO 和《银翼杀手》中的复制人。虽然从直觉上看，狭义 AI 与一般 AI 是同一类东西，只是一种不太成熟和复杂的实现，但事实并非如此。通用 AI 有所不同。例如，识别垃圾邮件在计算上并不等同于真正的创造性，而通用智能则可以做到这一点。

我曾经主持过一个关于人工智能的播客，叫做“人工智能中的声音”。这很有趣，因为大多数伟大的科学实践者都是平易近人的，也愿意上播客。因此，我最终得到了超过100位伟大的AI思考者对这个话题的深入讨论。有两个问题我会问大多数客人。第一个问题是，“通用人工智能可能吗?”几乎所有人——只有四个例外——都说有可能。然后我会问他们我们什么时候能造出来。这些答案五花八门，有的五年就有了，有的长达500年。

通用人工智能：意识的复杂性

尽管我们不了解大脑或思想，但实际上从那里开始就变得更加困难：一般的智力很可能需要意识。意识是你对世界的体验。温度计可以准确地告诉你温度，但它感觉不到温暖。知道和体验的区别，就是意识，我们几乎没有理由相信电脑能像椅子一样体验世界。

所以现在我们有了我们无法理解的大脑，无法解释的心灵，至于意识，我们甚至没有一个好的理论来解释仅仅是物质如何可能有一种体验。然而，尽管如此，相信通用人工智能的人工智能人士相信，我们可以在计算机中复制人类的所有能力。在我看来，这似乎是一种魔幻思维。

基础研究并不关心通常由解决问题产生的社会或经济利益。它寻求认识论的目的。例如，DeepMind最近在Gato上发布，该公司将其描述为“通用”解决方案。Gato可以执行600多种不同的任务，包括玩视频游戏、组织对象、为图片添加字幕和聊天。一位DeepMind研究人员甚至声称，关于AGI，“游戏结束了!”然而，这六百项任务中没有一项与治愈疾病、减少能源消耗或发明新材料有关。即使我们接受Gato是通用的，而不是一些炫耀的多功能解决方案(确实如此)，DeepMind也未能解决他们在五年前宣称对通用解决方案很重要的任何问题。他们正在玩的游戏与私人或公共价值创造无关，因为没有任何问题重要到需要解决。