若你对这一领域有所了解，再着重关注一下上面引号里的那句描述，你可能就会不由自主地飙出一句：“有钱真 [敏感词] 好啊！”。

而究其根本，在上世纪70年代，人工神经网络模型的理论架构已经基本成熟，却在之后的几十年里一直没能得到认可、应用，直到近来才得以重见天日。

这其后的根源，就在于算力的限制。上世纪的计算机算力和你手中的新款手机比起都可谓云泥之别，遑论吸纳海量数据，对神经网络模型进行训练。

时至2012年，算力的突飞猛进，加上 ImageNet 等前所未有的“巨型数据集”的出现，神经网络才真正再次登台，绘下人工智能新时代的夺目图景。

不过，又过了 7 年，直到现在，ImageNet 才终于被更大的数据集所取代，在这背后，弱监督学习功不可没。

从此，人工标注不再是计算机视觉领域的最大瓶颈，弱监督标签搭配巨头的强大算力，就能得到比悉心雕凿，训练于 ImageNet 之上的“小数据”模型好得多的性能表现。

不同于 Facebook 视觉新模型的弱监督训练，在自然语言处理领域，更进一步的自监督训练已成主流。

Google 去年开源的 BERT 模型，在训练时会将输入句子的随机单词盖住，然后让模型根据上下文的内容预测被盖住的单词是什么，通过这一方式，模型可以学习到自然语言隐含的句法，亦能对词义句义有所掌握。

更重要的是，这一方法不需要任何人工标注，可谓“人有多大胆，地有多大产”，数字时代无数的自然语言资源 —— 电子书、网站、论坛帖子等等等等都能成为训练数据的来源。句子以自身信息作为监督，对模型进行训练，故称自监督学习。

在 BERT 原论文里，Google 用了 16 块自主研发的人工智能芯片——张量处理器（Tensor Processing Unit，TPU）训练了四天四夜，才最终收获了突破性的结果。

若你想以显卡为标准作以比较，英伟达足足用了64张自家的显卡，在多方优化之下训练了三天有余，才成功复现这一成果。

今年梅隆大学（CMU）和 Google 合作研发的 XLNet 模型，则在BERT的基础上更进一步，在足足 512 块 TPU 上训练了两天半时间。

以 Google Cloud（谷歌云服务）的计价标准计算，训练一次 XLNet 模型总共需要二十四万五千美元（合人民币一百六十余万）。若再考虑上模型研发过程中的不断试错，调参验证等等过程，XLNet 模型的开销简直天文数字。

相互竞争之中，算力巨头们多会将自己训练好的模型对外开源，让没有训练资源的团队也能得以在模型上进行微调，得以应用。虽然这一过程亦对算力有所要求，但却已比从头训练现实的多。

目前，不少国内互联网公司已将BERT开源模型应用于自然语言处理系统之中，大大提升了系统的自然语言理解能力。视觉领域公司则可以从FAIR的新模型入手，对自身的图像识别系统的骨干模型进行更新升级，以期取得更好的成效。

中小团队在算力上对大公司望尘莫及，亦因而无力在如多类别图片分类等基础问题上与算力巨头逐鹿竞技，却可以基于自身的独特优势，在细分特定问题上夯实基础。

在去年年底拿到四亿美元C轮融资的Zymergen，便立足于自身在生物领域的深厚技术研发，将AI运用于药物、材料研发中，避开了与巨头在图像、自然语言处理等领域的白热化竞争，成就了自己独特的技术护城河。

若是通过不断的芯片研发，提高人工智能算法的训练、运行效率，以更低的成本提供更多的算力，AI芯片创业公司便能在这个算力为王的时代脱颖而出，成为英伟达显卡、谷歌TPU之外的重要选择。

拿到微软、三星投资，估值过亿美元的独角兽公司GraphCore便推出了自家研发的智能处理芯片（Intelligence Processing Unit， IPU），在从训练到推理的整个流程之上，试图与GPU和TPU一决高下。根据测试，IPU在能耗、速度、时延等方面都显出了自己的独特优势，有望成为AI算力战场的又一有力竞争对手。

巨头企业也应负起自身的社群责任，为技术、模型的开源化作出贡献，让更多的开发者、团队、科研人员受益于业界最新技术的发展。这也将有助于巨头公司自身的形象确立，吸引更多人才加入，为自身发展添砖加瓦。

不过，无论中小团队还是巨头企业，算力的提升都是重点议题。 现如今，为图形计算而生的显卡仍是我们人工智能系统的主要硬件。