人工智能行业研究框架报告（70页）

三类芯片代表分别有英伟达（NVIDIA）的GPU、赛灵思的FPGA和Google的TPU。GPU的计算能力最强，但是成本高、功耗高；FPGA可编程， 最灵活，但是计算能力不强；ASIC体积小、功耗低，适合量产，但是研发时间长，且不可编辑，前期投入成本高，带来一定的技术风险。人类会非常容易的辨别出垃圾邮件与猫狗，但是让计算机做却非常困难，因为这与发明计算机的最初任务有本质区别。比如对1亿数据进行混 合四则运算或大小排序，这些任务让人类执行会非常低效，但计算机却可以快速完成。而人工智能要处理的任务与计算机最初的任务恰好相反。 这就促使了让人们思考人类到底是怎么进行学习的。 人类的学习机制：婴儿根本不知道猫狗到现在我们可以一眼分辨出猫狗，是一个经验学习过程：首先需要一定的样本资料，从小可能在电视中、 现实中或图书中或家长教育中获得大量信息，然后大脑将接受的信息进行学习、归纳、整理、总结，最后形成我们的知识与经验。 

对于计算机，它的优势是计算能力非常强，可以处理海量数据。我们需要给它提供成千上万的资料数据（猫狗照片）让它进行学习，然后计算 机再面对新样本时才能以较高的准确率进行分辨。人类大脑每日处理的其实也是分类与回归问题。比如我们会思考晚上吃烧烤还是火锅，会选择出门穿哪件衣服，这些都可看做是分类问题；在称重上 秤前我们会先估计自己多重，约会时会预计对方几点到达，这些都可看做是回归问题。二分类任务包括前面提到的垃圾邮件检测与猫狗图像识别的例子。 多分类任务场景包括下棋与自动驾驶等场景。 在棋盘上可以落子的个数是有限的，所以每一步阿尔法Go要做的就是根据当前已落子信息，预测出落子在每个可落子位置的胜率，然后选取 胜率最高的位置进行落子即可；  自动驾驶车辆上装有多个摄像头和传感器来时刻监视车辆四周的环境信息，可根据这些环境的图像信息让它选择在每种情况下方向盘转动多 少角度、油门或刹车踩多深来实现车辆的自动行驶。