在洛佩兹分析公司(Lopez Analysis)进行的一项最新研究中，有86%的公司表示他们认为AI可以对其企业具有战略意义，而只有36%的公司认为他们在AI主题方面已经取得了实际的进步。为什么会有这种差距?英特尔副总裁兼技术总监Amir Khosrowshahi和物联网首席官Jonathan Ballon在旧金山VentureBeat的2018 Rework大会上现场分享了他们的想法。

很简单，基于Khosrowshahi，采用AI的界限比以前要重要得多。他认为，已经改变的是，来自“各个领域”的初创企业和制造商，不仅仅是演讲者和大型企业，现在都可以进入大量信息，以及仪器和教练希望在制造中进行机器学习。

Gartner在1月份发布的一份报告中证实了这一概念，该报告显示，在过去4年中，人工智能的实施提高了270%，在过去4年中提高了37%。仅12个月。这比2015年的10%增长了，这并不令人惊讶，前提是根据一些估计，到2022年，公司的AI市场将达到61.4亿美元。

不管您如何用改善带来的财富来让自己尴尬，Khosrowshahi都说，弄清楚精确的仪器仍然是某些计划的障碍。“如果您在云中做一件事，那么您已经进入了巨大的计算资产，能源，冷却以及所有您能够解决的问题。但是，我们看到几乎所有部署中的一半和一半他宣称：“地球上所有知识的绝大部分都位于信息中间，因此，前景是在灵活地在知识的起源位置上输入该知识。”

人们对“板载IA”的好奇心已经超过了硬件，其中许多硬件几乎无法执行适合信息中间层的更高职责。超现代的合成智能时尚的形成需要无限的额外时间，而无需借助高级云芯片的帮助，让人联想起Google的Tensor Processing Items和英特尔即将推出的Nervana神经社区处理器(专门用于教练)(另外称为NNP-T 1000)，为此目的而专门设计的高速AI加速卡。

Khosrowshahi表示：“处理器冷却基础设施，软件程序基础设施等实际上使[这些AI模型]可以正常工作，而且计算量很大。” “ [全部有关]加强PC处理并在专用硬件基础结构上执行所有职责。”

碎片化对两者都不起作用。Khosrowshahi表示，不管工具的泛滥让人联想到Google的TensorFlow和Open Neural Community Alternate(一种用于在完全不同的框架之间交换神经社区方式的开放容器格式)，开发人员的专业知识并没有得到明显的简化。

“在研究与合成智能人体模型的部署有关的工作流程时，与科学知识[和]开发人员[需要]相比，硬件结构的抽象文凭远非如此，” Balon说。“我们不在那里，但直到到达那里，我相信软件程序构建者有责任了解每位专业人员和硬件选择的弊端。” 。”

没有任何快速修复，但是Ballon和Khosrowshahi感到满意的是，硬件改进有潜力使高效的合成智能进一步民主化。

Khosrowshahi对使用多铁性和拓扑电源执行机器学习算法的晶体管新品种感到乐观。称为MESO的装置保证的功率效率比目前的微处理器提高10到100个实例，主要基于CMOS技术(互补钢–氧化物–半导体)。

不必指出光芯片需要很少的功率(由于温和而产生的热量要比电能少得多)，并且对于环境温度，电磁场和不同噪声的调节而言则不那么容易。在降低“能量阶数”功耗范围的情况下，与光子设计相比，其光子设计的延迟提高了10,000个实例，并且通过初步检查，已经测量了一些矩阵矢量乘法，比在状态下要早100个实例。数字芯片。

Khosrowshahi表示：“我们将开发新的供应品，以……在知识设施中进行计算，我认为这是长期的。” “这不必是科幻小说：我希望所有的欢乐回合合成智能都能真正加速。这可能是一个很难整合到这些新产品中的空间。”