这类包含 AI 芯片的机器，也就是图 17.1 所示的电子产品，将随着 AI 芯片功能的发展，从个人计算机走向移动设备、智能设备、机器人、自动驾驶汽车，还将最终走向自主控制、高度智能化的机器。
图 17.1 为 AI 的发展路线和电子产品越来越智能化的趋势，以及作为这些产品核心的半导体芯片（见第 15 章）的未来前景。
图 17.1 AI、电子产品和半导体芯片的进化
AI 的进化分为几个阶段。最开始的机器自动化通常包括简单的反馈控制，这些反馈控制可通过调整和适应传感器的读数来维持稳定的操作。但是自动机器无法学习任何新动作，因此并不能看作是真正的机器智能。
几个世纪以来，哲学家将推理能力视为人类智力的最高体现。AI 研究人员的注意力一度集中于能够模仿人类理性推理的程序。1980 年，卡内基梅隆大学开发了一个名为 XCON 的专家系统，获得了一定的成果。但是专家系统的构建者很快就发现，很多事物无法作为规则来描述。因此没有人建立起真正的带有学习能力和较高智能的专家系统。
人工神经网络开启了有可能实现智能机器的新纪元。深度学习就是在人工神经网络上发展而来的，用的是监督式学习，即机器不是通过将逻辑规则应用于输入来计算输出，而是在训练数据的过程中学到或建立一个模型，并依此模型推测新的实例。
训练监督式学习的 DNN 很昂贵，因为训练过程很长，而且要获得训练集也很昂贵。每次训练，需要大量的样例、标签，才可以识别出一幅人脸或其他目标。如果不用监督式学习，而用无监督学习，就不需要标签和训练，即可通过进行内部修改和自组织来学习并提高性能。它吸引了更多研究人员的关注，因为它可以节约获得训练数据集的巨大成本。
进一步提高智力、独自发挥创造力的 AI 机器是未来的发展趋势。本书第 11 章专门讨论了一些带有创造力的 AI 算法和芯片实现。第 12 章里
（本章节未完结，点击下一页翻页继续阅读）
正在加载...