硬件革命將人工智能推向主流，它大大削減了AI系統的訓練時間和成本，沒有讓AI變成了一場鮮有人能夠參與的軍備競賽。近年來，隨著計算機在越來越複雜的任務中顯示出其相對於人類的優越性，智能算法已經成為了人工智能領域的一大突破。然而，如今，在推動人工智能向前發展方面，另一種力量可能會產生更大的影響。

專業芯片和其他硬件的進步提升了最先進的人工智能係統的能力，同時也將該類技術推向主流。這是否能夠產生切實的商業利益，則是另一回事。

斯坦福大學的一個研究小組發起的項目人工智能指數(AI Index)清楚地表明了人工智能硬件革命的重要性。最新的AI Index試圖總結人工智能的進展，捕捉到了過去18個月來人工智能最大進展的軌蹟的一個變化。

從很多層面來看，這些算法並沒有實現近年來的飛躍。部分原因是，在一些任務中，該類技術所取得的成果並沒有顯著增加：例如，在圖像識別方面，計算機在完成了對人類的超越以後，便沒有更多的建樹。

這也反映了一個事實，即有待解決的問題越來越難，進展也越來越慢。眾所周知，語言是機器智能的下一個前沿領域，攻克難度尤其大。雖然語音識別和語言翻譯等任務已經被解決，但理解和推理仍然是人類所統治的一個領域。

相反，最引人注目的進步來自硬件。例如，經過專門設計的芯片被用來處理機器學習所需的大量數據，業界也為針對這項工作開發專用的系統。

美國研究機構OpenAI指出了2012年出現的一個硬件拐點。在那之前，芯片行業的經驗法則摩爾定律(Moore’s Law)在人工智能計算領域佔據主導地位。摩爾定律是指，處理能力每兩年就會翻一番。

從那時起，人工智能係統就遵循了摩爾定律。隨著新型硬件和更多的資源投入到這個問題上，最先進的人工智能係統的能力每3.4個月就提升一番。

這種硬件加速存在一個悖論。一方面，在科學的前沿，它讓人工智能變成了一場鮮有人能夠參與的軍備競賽。

能夠控制巨大計算資源的大公司和政府將是唯一有能力參與這場競賽的。OpenAI的運營理念一直是，擁有最大計算機的人工智能研究人員將會繼承這個世界。該組織最近從微軟獲得了10億美元的投資，來繼續留在這場競賽當中。

然而，硬件革命的另一個影響是，將這項技術推向了主流。谷歌的TPU是世界上最先進的機器學習處理芯片之一，外界可以通過該公司的雲計算平台按小時租用(如果你的工作負荷沒有時間敏感性，而且你不介意排隊等候，只需每小時1.35美元)。

在矽谷，人們過多地主張“大眾化”新技術，但在人工智能領域，該主張是合理的。隨著亞馬遜網絡服務(AWS)等雲服務使得低成本的硬件和機器學習工具得到廣泛使用，訓練神經網絡——人工智能中計算最密集的部分——突然變得普遍觸手可及。

斯坦福大學的DawnBench項目提供了一種對人工智能係統進行基準測試的方法。根據該項目的數據，在不到兩年的時間裡，在被廣泛使用的ImageNet數據集上訓練一個系統所需的時間已經從3小時降至88秒。這意味著能夠將成本從2323美元大幅削減至12美元。

訓練時間和成本的巨大減少是否會讓高級人工智能成為一項實用技術，則是另一回事。機器學習的廣泛影響很難確定，但AI Index指向了一個很有前景的衡量標準。今年10月，美國約1.32%的招聘信息與人工智能有關，高於2010年的0.26%。這個數字仍然很小，“人工智能工作”的定義也有爭議，但大方向是明確的。

麻省理工學院教授埃里克·布林約爾松(Erik Brynjolfsson)致力於研究新技術對經濟的影響，他警告稱，僱傭了數據科學家和機器學習專家的公司不會馬上看到回報：它們首先需要通過開發最大限度地利用這項技術所需的新工作流程，以便克服內部的瓶頸。

從一項被大肆吹捧的技術中獲取切實的回報的人工智能競賽已經拉開帷幕。