很多时候，“人工智能技术”就像“全新改进”一样，只是市场营销的一个热门词语，一个产品标签。

这种概念炒作掩盖了真相，即“计算革命”。AI不是一种产品，而是一场利用庞大计算能力寻找规律的运动。未来数年，它将持续蓬勃发展。

这会给AI技术领域的各大厂商带来巨大好处，尤其是芯片公司。一种新的计算形式正在兴起，而这需要新的芯片。

这场变革的意义与20世纪70年代微计算的兴起同样深远，后者使英特尔成为微处理器领域的霸主。这场变革让美光科技等公司变得更重要，但也可能让某些目前并未上市、甚至尚未创立的公司成为未来芯片之星。

Barron's在2015年10月的封面故事“Watch Out Intel, Here Comes Facebook”中首次探讨了新AI。

故事中的部分预测已经成为现实，例如Nvidia (NVDA)成为受益者，它的股价从那时起已经上涨了770%。同时提到美光科技可能是芯片领域最具价值的公司之一，因为AI可能需要更多的存储芯片。它的股价从那时起已经上涨了270%。

现在AI发展还处于早期阶段，未来收益可能会更丰厚。

AI计算的出现已有数十年之久。最早可以回溯至20世纪70年代，那时人们称之为“机器学习”。当时AI的问题在于，它需要人类程序员辛苦地为机器编写显式指令。程序员需要制定规则，比如规定哪些因素对于识别图片中的物体非常重要，然后将所有这些规则以代码形式写入计算机。机器学习的发展速度取决于人类制定规则并对规则进行编码的速度。

然后我们迎来了互联网和云计算时代。突然之间，互联网巨头能够访问其数据中心内存储的海量数据和计算能力。计算机科学家能够创建无需制定显式规则的新机器学习模型，称为“深度学习”。

下图是一个深度学习的示例，展示的是计算机学习识别猫的图片。研究人员向计算机中输入数百万张猫的图片和数百万张非猫图片（如狗的图片）。计算机在图片像素中检测非常基本的形状规律。然后，它找出这些非常基本的形状如何规律地组合成相关的（尖耳）和不相关的（垂耳）可识别特征。一个模型就这样诞生了，计算机可以运用这个模型来检测新图片中显示的是不是猫。

一个神经网络程序训练计算机识别图片中的猫，首先找出基本形状的规律，然后生成包含所有相关特征的完整模型。

Google和Facebook具备的全部计算能力发挥着重要作用。它让计算机能够反复进行规律检测，获取输出并将其作为新的输入来完善模型。这种递归形式的发现称为“反向传播”，在以前是无法实现的。

2017年底，Google 使用这种方法开发了计算机系统“AlphaGo Zero”。它只通过棋盘上棋子的初始布局以及对游戏规则的了解，就学会了日本传统游戏围棋，无需通过示例学习人类棋手下棋的方式。经过40天自行对弈数百万局后，AlphaGo Zero便能够战胜之前的计算机程序，而后者已战胜过所有最出色的人类棋手。

在某些情况下，这些网络不仅能够学习分配给它们的内容，还会有新发现。Google研究人员在观察AlphaGo Zero时发现，它发现了下围棋的新方法。

“AlphaGo Zero 学习的可能是与人类走子方式具有不同性质的策略。”他们在《自然》杂志上撰文称。

对科技公司来说重要的一点在于，新型计算设备能帮助完善这些网络。执行数学运算和完成反向传播等各个阶段需要新的机器。市场对美光存储芯片的需求已经开始飙升。在执行众多规律发现步骤时，某些类型的网络需要将每个操作的结果存储在内存中才能正常工作。美光科技的高层表示，可以用于深度学习的“数据中心”存储芯片的市值在2021年将达到620亿美元，超过现在的两倍。

深度学习将在计算领域得到更广泛的应用。随着时间推移，深度学习将取代人类的其他编程任务。这段发展旅程需要更创新的芯片和软件，因此计算机科学家几乎尚未启程。

本文根据Tiernan Ray于5月26日发表于 Barrons.com上的AI Technology Revolution Is Just Getting Started一文修改、编辑而成。