AI行业报告：发展渐入高潮，未来有望引爆（43页）

    互联网造就了大数据时代，海量、多维度数据为机器学习提供了养料。数据驱动是深度学习算法区别于传统机器学习的关键点，因此深度学习算法需要以海量大数据作为支撑。人工神经网络算法起源于20 世纪40年代，此轮兴起一定程度上源于互联网带动数据量爆发。互联网生产并存储大量图片、语音、视频以及网页浏览数据，移动互联网更是将数据拓展到线下场景，线下零售消费、滴滴打车等数据丰富了大数据维度。灼识咨询数据显示，全球结构化数据从2013 年的0.8ZB 增长至2017 年的2.3ZB（1ZB=10244GB），非结构化数据从2013 年的3.6ZB 增至2017 年11.3ZB，两者复合增长率分别为30.2%和33.1%，预计2022 年将达到18.9ZB 和55.7ZB。

    “大数据+多层神经网络”需要高速和大规模算力作为支撑，GPU 芯片弥补了CPU 在并行计算上的短板，大规模、高速率的算力加速了深度学习训练。“大数据+多层神经网络”意味着深度学习需要利用数据进行拟合，即不断地迭代、试错以挖掘最优的关联规则，因此深度学习需要以算力作为支撑。

 CPU 芯片：擅长逻辑控制和串行计算，大规模和高速率计算能力不足。从CPU 芯片架构来看，负责存储的Cache、DRAM 模块和负责控制的Control 模块占据CPU 的大部分，而负责处理计算的ALU 仅占据了很小一部分，因此CPU 难以满足大规模和高速率的计算需求。

 GPU 芯片：擅长并行计算，加速深度学习训练。GPU 芯片最初用于电脑和工作站的绘图运算处理，对图片每个像素的处理是类型统一但数量众多的工作，负责计算的ALU 单元占据了GPU 架构大部分，GPU可一次执行多个指令算法。以英伟达的GPU 芯片为例，Tesla P100和Tesla V100 的推理学习能力分别是传统CPU 的15 倍和47 倍。2011 年GPU 被引入人工智能，并行计算加速了多层人工神经网络训练。