百度首席科學家吳恩達：不只「機器學習」，更要「模擬人類大腦」|數位時代 BusinessNext

一個月前，Coursera的共同創辦人、史丹佛大學人工智慧實驗室的主管吳恩達〈Andrew Ng〉宣布加入百度位於矽谷的深度學習研究院（IDL），他說：「我決定將我接下來的這段時間投入到建造更先進的深度學習系統中去。而我認為，百度將是合適的地方。」

上週，吳恩達在加入百度後，首次發表關於深度學習和商業應用的公開演講，在 PingWest舉辦的SYNC 2014舊金山大會上，他分享了他對下一代深度學習系統的期待，和他將在百度要做的事情。

深度學習並不只是一個學術概念，它是許多現代科技產品背後的「引擎」，作為核心技術支撐著商業上的應用，比如網絡搜尋、機器翻譯、產品推薦和醫學圖像等，帶來了相當可觀的經濟價值。

一些手機裡，也可以看到「深度學習」的基因。比如每部Android手機上的語音識別功能。上周剛剛發行的 Amazon Fire Phone ，其所配備的6個攝影鏡頭和商品推薦等功能，也是基於機器學習和深度學習來實現的。

吳恩達說：「許多你聽過的，像我這樣的傢伙分享的和深度學習有關的演講裡，有兩個概念都會被混淆在一起。今天，我要把這兩個大的概念分開來解釋清楚。」

這兩個大的概念指的是， 在已標記數據上進行的深度學習（也被稱之為在監管下進行的深度學習，supervised learning），和在未標記的數據上進行的深度學習（unsupervised learning）。

吳恩達和他的團隊在史丹佛實驗室做的實驗，可以清楚地解釋這兩者的區別：早前，他們造了一些機器人，試圖讓機器人找出一個辦公空間內的馬克杯。他們跑遍了舊金山灣區，買來所有他們可以買到的馬克杯，並從各個角度給這些杯子都拍了照片，總共獲得了5萬張馬克杯的照片，並將這些照片都展示給這個機器人訓練它。經過這個實驗後，機器人最終可以在一個辦公空間內，找到所有的馬克杯。

「之所以深度學習可以奏效，是因為在學習被標記的數據上，它的表現很好。」但Andrew馬上說：「我們發現，這和動物及人類學習的還是不同。我相信，即使是最最深沉地愛著自己孩子的父母，也不會跑遍舊金山灣區，找出5萬個馬克杯的照片指認給自己的孩子看，來讓他認識什麼是馬克杯的。人類和動物的學習方式是，進入環境，由我們自己去感受這個環境並學習。」

「跑遍整個舊金山灣區找出的所有馬克杯照片」就是標記數據，而「進入環境，由自己去感受環境」指的則是在未標記數據中進行的學習。

「深度學習」的研究者們又重新回頭借助神經科學審視人類大腦學習的過程。他們發現——人類大腦在看到實物的第一個步驟，是尋找實物的邊緣。幸運的是，來自柏克萊的研究者的實驗表明，複製這個人腦處理視覺早期步驟的過程，是可以被模擬神經網絡所實現的，而且這個「神經網絡」不僅對於圖像識別奏效，對於音頻識別也可以產生相同的結果。現在，吳恩達和他的團隊正在對這一部分的「深度學習算法」進行解析。

從非標記數據中學習——這是現在讓吳恩達感到非常興奮的點，因為這能讓深度學習普及到更多的應用領域，他解釋說：「因為對於許多應用方向而言，我們沒有那麼多標記數據。其二，這更接近人類學習的過程。」

但要完成這部分的工作，單靠學校或是研究機構很難實現，必須要藉助外部的力量，因為所有的實驗結果都指向了這樣一個趨勢： 模擬出的神經系統越大，實驗效果越好。 2010年，吳恩達加入Google，照他自己的話說，「我上下求索，到處去找誰有最多的電腦、並且還願意讓我使用的？」Google幫助吳恩達開發出了擁有十億個連接單元的「深度學習」系統，吳恩達說：「有了Google我才能造出比原先大百倍的系統。」他所帶來的研究成果也幫助Google開發出了不少商業產品。

但這些算法的應用範圍仍然十分局限，只有像Google這樣的科技巨頭，才擁有這樣的資源，進而擁有這樣的技術。創業公司或者是普通研究學者，並沒有機會在這麼大的模擬神經網絡上，去試驗自己的想法和算法。

「我們真正感興趣的是，如何讓深度學習更加的民主化？」Andrew說。對此，他和他的學生Adam Coates決定用GPU替代CPU，降低造價——GPU是Graphics Processing Unit的縮寫，是用來進行視覺圖像處理的，在每個人的電腦裡都有。

但今天的人工智慧，仍然是一個對資本要求很高的生意，而只有像Google、Baidu這樣以搜索起家的公司，才能提供盡可能多的實驗數據和計算力——這是他選擇加入百度的一個原因。

吳恩達說：「這有點悲哀。你需要大量的數據和電腦，幸運的是，百度有這些東西。其次，百度是一個敏捷的機構，能快速地調配資源去需要的地方。同時，我被我所遇到的人所折服，比如百度美國的總經理Alex Cheng，我的好朋友余凱和張潼，他們多麼的友好、聰明、努力和謙遜。他們願意讓我加入他們和他們合作，我覺得這是我的榮幸。」

加入百度後，現在吳恩達正在著手為下一代的「深度學習系統」搭建基礎設施和準備工具——這也是他讓深度學習民主化的重要一步，他要讓在該領域做研究和想要應用深度學習概念的人們，有一個可使用的系統測試自己的點子。他說：「 我知道下一代的百度深度學習系統不會來自於我個人， 我們現在在建造為下一代深度學習系統而準備的工具和基礎設施，來讓研究人員和我們合作，測試點子和進行學習。 我想做的是，建立起來基礎設施，讓別人來和我們合作，讓他們成為下一代深度學習領域內的英雄。 」

出自 Pingwest

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。