谷歌等巨頭紛紛投身人工智慧，AI時代真的要來臨了嗎？

在網際網路與移動網際網路的時代，市場對於程序設計師求才若渴，而Google 、Facebook等公司莫不大力提倡程序設計的重要，或者遊說各國政府讓程序設計成為國民教育；來到人工智慧時代，這些科技公司又再次面臨人才搶奪大戰，如何招攬到最適合公司的頂尖人才是重要課題，包括微軟、Facebook與Google都積極培訓人才，同時也想辦法降低機器學習等人工智慧技術門檻，其中Google發表了名為自動化機器學習（Auto Machine Learning）的工具，希望機器學習建模等流程能更為「自動化」。

AI三大基石：演算法、數據與運算

人工智慧的三大基石，除了演算法與數據，另一個就是運算。

在眾多硬體當中，晶片扮演重要角色。

在人工智慧訓練過程中，「矩陣乘法」與「記憶體存取」都會產生大量的耗能，但現行市面上的人工智慧晶片，在功耗與效能上仍有不足之處，也因此美國英特爾、Google與NVIDIA等公司莫不投入大量資源研發適用的晶片，其中特殊應用積體電路（Application-specific integrated circuit，ASIC）吸引眾多廠商投資，如Google就自產ASIC晶片TPU，華為推出麒麟970。

而在研究方向上，過去一直被忽視的情感領域研究，也逐漸被重視。

「當你看待人類時，我們的情商是我們整體智力的基礎。

」以情感識別技術聞名的Affectiva公司的執行長兼共同創辦人卡利歐比說。

Google Cloud人工智慧暨機器學習首席科學家李飛飛也指出，「現在我們的AI都是用邏輯的方法來判斷情感。

邏輯代表IQ，而情感代表EQ。

未來，從情緒到情感，是人工智慧未來前進的方向。

」

人工智慧的下一步：量子電腦

不過，要讓人工智慧跨越到下一個層級還有一個重要的技術：量子運算。

巴黎硬體創投Hardware Club合伙人楊建銘在〈量子電腦春暖花開〉一文中指出，不同於傳統電腦使用0與1的二進位系統，量子電腦在原理上所使用的量子位元（qubit），可以同時以不同的或然率存在於兩個狀態。

這個特質，加上不同量子彼此之間可以跨越距離進行纏結，讓量子電腦理論上可以用很少的能量就完成大量平行運算。

而這樣的特性也讓全球頂尖企業與新創爭相投入大量資金研究，搶奪量子霸權，如IBM在2017年7月宣布推出商業量子計算機IBM Q，而Google內部有一個ProjectQ項目也和量子計算有關。

不過，量子電腦離真正商用化還有一大段距離，因此雖然大廠紛紛投入，並外外界放話量子時代正要來臨，但真正推出商用化服務的公司很少。

「量子電腦的問題在於，目前不管是新創或者Google、IBM乃至於英特爾等大廠的系統，都必須把溫度降到絕對零度附近，才能進行量子運算，地球上的降溫系統本身就是一個極為耗能的裝置，要等到綜合能源效率和建置成本到達可以和半導體晶片相比擬，恐怕還要不少的時光。

」楊建銘強調。

前瞻技術：ASIC晶片——標準化與規模化的完美平衡

人工智慧晶片可以概分為兩大類，一類為人工神經網路（Artificial Neural Network），而另一類為神經擬態計算（Neuromorphic computing）。

理論上，神經擬態計算效能更佳，但實務上還無法有好的表現，產業生態鏈也不完備，如Facebook人工智慧實驗室負責人、人工智慧深度學習權威勒丘恩說， 「這類網路，沒有在任何有意思的問題上表現出與當前最好技術（指人工神經網路深度學習技術）接近的結果。

」也因此目前市面上盛行的人工智慧晶片大多屬於人工神經網路範疇。

而在人工神經網路晶片之中，又有通用晶片與專用晶片之分。

其中ASIC是一種高度客制化的特殊規格積體電路。

在演算法模型還沒有標準化、而市場規模也還沒有成形前，圖形處理器（GPU）與現場可程式化閘陣列（FPGA）等通用晶片是較為保險的選擇，「可以避免投入大量資源開發了專用晶片後，遇到演算法趨勢改變的風險。

」工研院IEK產業分析師範哲豪指出。

ASIC是真正適合深度學習的晶片

但是，這些通用晶片一開始就不是針對深度學習設計的，因此在性能與功耗表現有其局限。

隨著人工智慧技術大量被導入業界，Google與英特爾等大廠紛紛投入晶片高效能與低能耗的ASIC專用晶片研發，突破這些限制。

另一面，過去人工智慧如Siri系統，多是先把終端數據傳送到雲端，通過雲端運算再把結果回傳給終端硬體，但由於自駕車無人機等部分智能聯網裝置，需要快速反應（無法忍受雲端和終端的通訊延遲）與高度隱私性（數據一旦上傳雲端，有被駭的風險），讓各家大廠紛紛投入終端裝置可以使用的專用晶片研發。

讓用在智慧終端的ASIC專用晶片技術成為未來極具潛力的半導體技術。