自動(dòng)駕駛的基礎(chǔ)是算法，但短期之內(nèi)，AI本身的發(fā)展還是要依賴(lài)人類(lèi)大腦的巧妙，要讓其真正實(shí)現(xiàn)自主的為人類(lèi)服務(wù)，可能還需要5年、10年、50年甚至更長(zhǎng)。

過(guò)去的事實(shí)證明，人類(lèi)向來(lái)不善于預(yù)測(cè)。要么總是高估短期發(fā)展，低估中長(zhǎng)期進(jìn)程，要么壓根猜錯(cuò)了方向。

基于自身需求和社會(huì)發(fā)展，人們確信，AI是解決交通問(wèn)題的終極工具。資本同樣確信這一點(diǎn)，到2020年以前，全球AI產(chǎn)業(yè)投資將達(dá)到4000億美元，60%的投資和新創(chuàng)公司誕生在中美兩國(guó)。

停滯不前的自動(dòng)駕駛

但投資人已經(jīng)發(fā)現(xiàn)，找新項(xiàng)目越來(lái)越難，而項(xiàng)目變得昂貴，這是資本泡沫出現(xiàn)的信號(hào)。

就短期而言，AI的效能和回報(bào)都被高估了。

作為自動(dòng)駕駛研發(fā)的領(lǐng)先者，谷歌旗下的Waymo正在鳳凰城郊區(qū)部署自動(dòng)駕駛車(chē)隊(duì)，并已經(jīng)開(kāi)始收費(fèi)服務(wù)。對(duì)于本地智能決策的實(shí)用項(xiàng)目而言，是巨大的階段性成功，盡管服務(wù)區(qū)域和服務(wù)人群都做了精心的限制和挑選。顯然，這是限定場(chǎng)景下的L4級(jí)別自動(dòng)駕駛應(yīng)用。

然而，當(dāng)?shù)鼐用駸嶂杂谌⌒aymo的自動(dòng)駕駛車(chē)輛。這些白色的克萊斯勒Pacifica在高速路上試圖并線(xiàn)卻總不成功，最后被迫駛下公路；或者在經(jīng)過(guò)十字路口時(shí)把車(chē)道占住，不敢拐彎，導(dǎo)致追尾。人類(lèi)司機(jī)不耐煩過(guò)于守規(guī)矩的交通參與者，他們粗魯?shù)匕蠢龋静还蹵I是否聽(tīng)得懂。

Waymo的CEO克拉夫西克則暗示AI的笨拙狀態(tài)還要持續(xù)多年，他認(rèn)為L(zhǎng)5級(jí)自動(dòng)駕駛的實(shí)用部署可能需要“數(shù)十年”，這和他3年前的樂(lè)觀(guān)態(tài)度形成鮮明對(duì)比。

算力的瓶頸在哪里？

這多半源于工程師們對(duì)AI訓(xùn)練時(shí)的心力交瘁。真實(shí)世界的工況復(fù)雜程度，很難通過(guò)固定模型調(diào)參，達(dá)到完全覆蓋的目的。和公眾認(rèn)識(shí)的相反，獲取數(shù)據(jù)是容易的。只要法律允許且車(chē)主們同意，地球上每天運(yùn)行的十幾億輛汽車(chē)，都可以裝上廉價(jià)傳感器，獲取行駛數(shù)據(jù)，上傳云端。

如此海量的元數(shù)據(jù)，必然存在大量重復(fù)的冗余數(shù)據(jù)。工程師們花了很長(zhǎng)時(shí)間，編寫(xiě)算法，提煉并構(gòu)建對(duì)AI訓(xùn)練有最大價(jià)值的數(shù)據(jù)庫(kù)（即訓(xùn)練模型）。

不過(guò)，數(shù)據(jù)后期的分類(lèi)標(biāo)定、數(shù)據(jù)質(zhì)量以及算法，存著在很多的不確定因素。而公眾和監(jiān)管機(jī)構(gòu)都堅(jiān)持，自動(dòng)駕駛汽車(chē)需要測(cè)試數(shù)億至數(shù)千億公里，才能驗(yàn)證它們?cè)跍p少交通事故方面的可靠性。這無(wú)疑加大了AI應(yīng)用在自動(dòng)駕駛的難度。

由于算力的局限，致使AI訓(xùn)練過(guò)程變得很長(zhǎng)。數(shù)據(jù)量超出硬件承載的上限，AI就無(wú)法表現(xiàn)得老練得體。也因?yàn)橥瑯拥脑颍藗儽仨毷孪群Y選數(shù)據(jù)，避免硬件崩盤(pán)。

眾所周知，隨著硅基芯片加工極限迫近，單個(gè)芯片的算力提升乏力。摩爾定律不是法律，它只不過(guò)是從業(yè)者觀(guān)察到芯片業(yè)蓬勃發(fā)展時(shí)期的規(guī)律而已，而這一規(guī)律正在走向終結(jié)。

因?yàn)楣柙拥闹睆绞?.3nm，這是不可逾越的物理限制。而且，門(mén)控電路很難控制單個(gè)原子。此時(shí)的量子效應(yīng)不可忽略，電路邏輯從確定狀態(tài)變成概率，芯片邏輯將一塌糊涂。目前人類(lèi)在水中雕刻硅片的“刀具”是深紫外光——接近X射線(xiàn)的波長(zhǎng)，硅加工當(dāng)下的極限是7nm，而提升的終點(diǎn)可能是2-3nm。

既然電路密度提升愈來(lái)愈困難，擴(kuò)大面積、增加立體維度，不就仍可以擴(kuò)張電路復(fù)雜度嗎？考慮到能耗帶來(lái)的尺寸翹曲和散熱問(wèn)題，無(wú)論二維還是三維擴(kuò)張，都受到嚴(yán)格限制。即便全球頂尖加工能力，硅片面積擴(kuò)張后，成品率也不可避免地急劇下降。

當(dāng)前人類(lèi)仍在不斷提升算力，靠的是大規(guī)模并聯(lián)，多芯片算力協(xié)同的代價(jià)，則是數(shù)據(jù)內(nèi)部傳輸?shù)男实拖潞凸募眲∩仙?/p>

新架構(gòu)可能不是最終答案

2016年戰(zhàn)勝李世石的AlphaGo仍是傳統(tǒng)的馮諾依曼結(jié)構(gòu)，配置了1202個(gè)CPU和176個(gè)GPU，功率17萬(wàn)瓦，下一盤(pán)棋電費(fèi)3000美元。而李世石的大腦就算滿(mǎn)負(fù)荷運(yùn)行最多也只20瓦，只夠點(diǎn)亮一盞昏暗的白熾燈。這不是一場(chǎng)公平的決斗。在人腦面前，AI笨拙得驚人，也低效得驚人。

而第二年戰(zhàn)勝柯潔的AlphaGo則采用了4片基于云的TPU，構(gòu)成180TFlops算力（1T哈希率=1萬(wàn)億次運(yùn)算）。而2018年谷歌推出的TPU3.0，具備100P（1P哈希率=1000萬(wàn)億次運(yùn)算）算力。作為代價(jià)，TPU3.0必須采用水冷機(jī)制。超算的冷卻更需要龐大設(shè)備，微軟的內(nèi)蒂克項(xiàng)目干脆建在蘇格蘭奧克尼群島冰冷的海底。

TPU本質(zhì)上是專(zhuān)用場(chǎng)景的ASIC芯片，對(duì)馮諾依曼結(jié)構(gòu)的瓶頸進(jìn)行優(yōu)化，不能處理文本，專(zhuān)門(mén)用于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)計(jì)算。計(jì)算密度無(wú)法提升的時(shí)候，我們依靠改善架構(gòu)，繼續(xù)榨取算力。

但是TPU的體積、功耗和麻煩的冷卻設(shè)備，都注定它不可能充當(dāng)車(chē)載本地AI?；诟咚倬W(wǎng)絡(luò)的云端算力，減輕了本地AI的負(fù)擔(dān)。不過(guò)，這些提升終有盡頭，而且盡頭近在眼前。

在硅基芯片的潛力挖掘殆盡之前，我們必須找到更強(qiáng)大的算力。量子計(jì)算和化合物半導(dǎo)體、生物計(jì)算都具備替代潛質(zhì)。而大多數(shù)國(guó)家資本，正在大規(guī)模地押注量子。但是截至目前，世界上還沒(méi)有真正意義上的量子計(jì)算機(jī)，也很難估量什么樣的方案能更有效地束縛微觀(guān)態(tài)的量子。量子計(jì)算機(jī)的實(shí)用化預(yù)測(cè)，從5年到50年不等。

在人們擔(dān)心強(qiáng)AI失控之前，AI本身還未能對(duì)算法進(jìn)化做出什么貢獻(xiàn)。算法的巧妙依賴(lài)于人腦。對(duì)于人類(lèi)來(lái)說(shuō)，個(gè)體知識(shí)體系并不重要，算法的優(yōu)化源自人類(lèi)經(jīng)驗(yàn)積累。這和芯片電路規(guī)模擴(kuò)張，有異曲同工之妙。在合理功耗下算力足夠強(qiáng)，是AI勝任高級(jí)別自動(dòng)駕駛的唯一現(xiàn)實(shí)路徑。

在硅基芯片潛力挖掘殆盡之前，探索出新路徑來(lái)，決定了AI的未來(lái)。這就是我們無(wú)法看清未來(lái)的原因。