从有记载的人类历史的所有时间来看，过去的300年(在时间尺度上只是一瞬)见证了令人难以置信的、改变生活和改变世界的进步。水和蒸汽驱动的机器首次出现是在18世纪。这通常被称为工业1.0。19世纪末，动力装配线成为工业2.0。自动化/计算机在20世纪60年代末开始了工业3.0。人工智能(AI)正在推动工业4.0。这个时间线应该对大多数人来说都很熟悉。已经有很多关于它的文章。有趣的是接下来会发生什么。这是Achronix最近一份白皮书的主题。我发现这篇文章提供的观点很有启发性和新鲜感。在不透露太多内容的情况下，让我们来看看机器人的精准度和人类的创造力将如何书写下一章。
人工智能如何适应环境?
人工智能是一个相当宽泛的术语。它是由计算机科学的一个分支定义的，旨在用算法模拟人类行为。再多关注一点，我们会看到很多关于机器学习(ML)的参考资料，这是人工智能的一个子集，使用从数据中派生出来的统计模型。更进一步，深度学习(DL)利用神经网络进行推理。这些系统也可以自适应，也就是学习。
Achronix的白皮书讨论了人工智能的各种机制，并将它们放在一个创新的时间表上。在今天之前，我们做了个重要的预测。
自适应人工智能算法，尤其是DL算法，不仅可以自己学习，还可以解读人类的实时输入。这种以最小延迟进行实时适应的能力至关重要。
这一观察为未来的人工智能提供了一个很好的视角。这不是要取代人类。而是利用他们的见解来创造更好的结果。
跟上数据的步伐
Achronix随后讨论了部署AI所需的环境、生态系统和技术。我们都知道，5G网络和无处不在的物联网设备正在爆炸式地创造数据。跟上数据的处理需求是成功的关键。但是，以一种商业上可行的方式来完成这项艰巨的任务，说起来容易做起来难。
解决这个问题的一种方法是使用更多的服务器，这是多年来的计划。但一种方法并不能适用于所有的情况，这种方法会将资本支出和运营成本推得肺癌常之高，以至于不再具备商业可行性。专业化是克服这一挑战的关键。白皮书指出，根据数据加速器类型和工作负载的不同，一台服务器上的单台数据加速器的计算能力可以完成多达15台服务器的工作，大大降低了资本支出和运营成本。
这显然是前进的方向。如果我们将CPU作为数据处理的基本方法，那么有三种架构可以将我们带到下一个层次:GPU、FPGA和ASIC。每一种方法都具有一定的可编程性、可定制性和成本优势，如下图所示。
加速器的数据架构
意外的结局
这就是白皮书的一个非常有趣的转折。如果你可以用现成的设备实现ASIC的效率和优化，而且成本要低得多呢?原来阿克罗尼克斯正在实现这个梦想。FPGA、嵌入式FPGA IP、独特的2D片上网络(NoC)架构和大量高速接口的组合使这一目标触手可及。
原文链接：https://semiwiki.com/artificial-intelligence/306707-unlocking-the-future-with-robotic-precision-and-human-creativity/
