晚了，很好史蒂芬·霍金说，这“可能意味着人类的末日”而脸书创始人马克·扎克伯格坚称，这将使驾驶更安全，并有助于更好地诊断疾病。无论你倾向于哪种观点，你都不太可能对人工智能这个有争议的话题没有意见。它有可能彻底改变我们的学习方式，并且已经以某种形式出现在我们的手机、交通工具和视频游戏中。然而，即使在真正的人工智能发展的这个令人难以置信的早期阶段，它也已经产生了一些令人惊讶和可怕的后果。例如，Facebook的研究人员关闭了两个聊天机器人，因为它们开始成功地用自己奇怪而难以理解的语言相互交流。
晚了，很好史蒂芬·霍金说，这“可能意味着人类的末日”而脸书创始人马克·扎克伯格坚称，这将使驾驶更安全，并有助于更好地诊断疾病。无论你倾向于哪种观点，你都不太可能对人工智能这个有争议的话题没有意见。它有可能彻底改变我们的学习方式，并且已经以某种形式出现在我们的手机、交通工具和视频游戏中。然而，即使在真正的人工智能发展的这个令人难以置信的早期阶段，它也已经产生了一些令人惊讶和可怕的后果。例如，Facebook的研究人员关闭了两个聊天机器人，因为它们开始成功地用自己奇怪而难以理解的语言相互交流。
最好的人工智能
事情已经发展到一个阶段，人工智能正在成为家喻户晓的名字，比如机器人索菲亚(Sophia the Robot)，一个依靠人工智能运行的人形机器人，在Twitter上引发了一系列关于她认为人类不可避免的毁灭的表情包。索菲亚，她是由香港汉森机器人公司并模仿女演员奥黛丽·赫本，甚至在2017年成为沙特阿拉伯公民。
人工智能也已经达到了在我们可能认为是人类独有的生活领域开始超越我们的地步，比如玩耍。最近，许多人工智能被赋予了“解决”流行游戏的任务，他们被赋予了规则，并玩了数十万轮，以便在每种情况下学习和计算出最佳策略。谷歌的AlphaZero就是一个例子，它在2017年击败了围棋世界冠军。正如英国围棋协会解释的那样，围棋的玩法是在空棋盘上战略性地放置黑白棋子，以抓住对手并证明胜利。然而，这个人工智能在四个小时内自学了国际象棋，然后在自己的游戏中击败了世界上最好的国际象棋软件。这两款游戏都完全依赖策略，但即使添加了运气元素，ai似乎也已经开始击败人类了。其中一点就是21点。即使对人类来说，21点基本上也依赖于对概率的理解，正如贝特威对21点策略的失败所解释的那样．人工智能不能保证自己获胜，但它可以确保在击球或站立时，每只手都选择最合理的数学选项。也许更令人印象深刻的是丹麦哥本哈根大学的人工智能，它已经开始创造自己的纸牌游戏，甚至更大程度地展示了我们曾经认为自己垄断的那种创造力。这在现实世界中可能会有一些有趣的应用，而不仅仅是让一些人觉得有点过时，因为它可以通过为不同能力的玩家创建不同的规则来民主化游戏世界。
行业工具
人工智能突然出现在每个人嘴边的一个原因是，过去阻碍我们实现人工智能的技术限制正开始消失。随着硬件变得越来越先进，开发人工智能的成本和我们需要的空间急剧下降。例如，在2012年，一个与斯坦福大学合作的nvidadiaresearch团队演示了12个NVIDIA gpu(图形处理单元)可以提供2000个cpu或中央处理器的深度学习性能。这一点很重要，因为就像日本冲绳理工大学研究生院和德国Forschungszentrum Jülich的研究人员所做的那样，即使模拟一秒钟的人类大脑活动，也需要令人难以置信的82944个处理器。
早在2002年，世界上最快的超级计算机，NEC地球模拟器，能够35.86万亿次浮点运算。这是在花费了600亿日元和装满了整个仓库的处理器之后。如今，你只需要3000多美元就可以制造一台同样强大的计算机，更不用说把它放在桌子下面了。到目前为止，大部分费用都花在gpu上，每个gpu大约1000美元。这一价格点主要是因为NVIDIA目前在市场上拥有非官方的垄断地位，但许多初创公司现在已经出现，挑战这一垄断地位，这可能意味着未来成本将大幅降低。与太阳下的其他技术一样，谷歌也在这方面进行了尝试，生产了专门为谷歌自己的开源软件库Tensorflow设计的张量处理单元(TPU)。深度学习不需要很高的精度，但需要大量的计算，这是选择硬件时考虑的一个重要因素。然而，更关键的是CPU可以处理的PCIe通道数量，因为在机器训练时，附加的gpu需要以超高的速率输入数据。AMD的Ryzen CPU目前支持24个通道，而英特尔的桌面CPU只有16个通道，到目前为止，最令人印象深刻的是AMD去年才推出的Threadripper，它可以支持64个通道。除了处理器，还需要内存、SSD、电源、主板、硬盘驱动器和塔式机箱。 Once acquired, a hobbyist can assemble these components with just a screwdriver and screws to create a machine like the one below, capable of performing 50 trillion operations per second.
给初学者的建议
总而言之，所需硬件的复杂程度完全取决于AI的复杂程度。当涉及到硬件时，统计技术是相当少的。如果要求机器自己在大量数据中查找模式，则硬件要求要高得多。因此，一个纯粹用于语音识别和/或语言学习的模型可以运行400MB的数据，因此适合现代智能手机，而开发这样的模型需要使用一个小镇的电力和数亿美元的设施。
这是因为每个数据点之间必须执行关联，需要在内存中存储大量数据，当涉及到机器学习的复杂性时，RAM是最常见的限制因素。在一个问题上投入十倍的数据将使硬件需求增加十倍，这就是为什么像杰森·布朗利这样的博主建议学习者从iMac i7这样的设备开始，这样的限制迫使他们学习如何创建良好的实验设计。
然而，创造出我们认为与人类相当的真正智能是不可能的，而且在一段时间内是不可能的。
