人工智能产业的繁荣有很多因素。许多人错过的是，繁荣主要发生在人工智能的机器学习部分。这可以归因于各种简单的原因以及它们在早期的比较：

• 数学： ML 算法背后的数学非常简单，并且早已为人所知（尽管它是否有效尚不清楚）。在早期，不可能在可接受的时间内实现需要高精度数字的算法，以便在芯片上进行计算。在现代处理器中，数字的主要算术运算之一仍然需要很多周期。较旧的处理器比现代处理器慢数倍（超过 100 倍），这个瓶颈使得无法在现代处理器上训练复杂的模型。
• 精度：计算精度是 ML 算法的一个重要因素。处理器中的 32 位精度是在 80 年代制造的，并且可能在 90 年代后期（x86）可以商用，但它仍然比当前的处理器慢。这导致科学家们在精度部分和 1960 年代发明的用于训练分类器的最基本的感知器学习算法即兴发挥，仅使用$1$'沙$0$，所以基本上是一个二元分类器。它在特殊的计算机上运行。尽管如此，有趣的是，我们已经完成了一个完整的循环，谷歌现在正在使用具有 8-16 位精度的 TPU来实现 ML 模型并取得了巨大的成功。
• 并行化：矩阵运算的并行化概念并不是什么新鲜事。直到我们开始将深度学习视为一组矩阵运算时，我们才意识到它可以在大规模并行 GPU 上轻松并行化，但如果您的 ML 算法本质上不是并行的，那么您使用 CPU 还是 GPU 都无关紧要（例如 RNN 的）。
• 数据：可能是机器学习热潮的最大原因。互联网提供了从用户那里收集大量数据并将其提供给相关方的机会。由于 ML 算法只是基于数据的函数逼近器，因此数据是 ML 算法中最重要的东西。数据越多，模型的性能就越好。
• 成本：训练 ML 模型的成本显着下降。所以使用超级计算机来训练模型可能很好，但值得吗？与普通 PC 不同的超级计算机在冷却、空间等方面非常耗资源。最近的一篇文章关于 MIT Technology Review 指出了训练深度学习模型（ML 的子分支）的碳足迹。这是一个很好的指标，为什么早期在超级计算机上训练是不可行的（考虑到现代处理器消耗更少的功率并提供更高的速度）。虽然，我不确定，但我认为早期的超级计算机专门从事“并行+超高精度计算”（天气、天文学、军事应用等所需），而“超高精度部分”在机器学习场景中是多余的。

另一个重要方面是现在每个人都可以使用功能强大的计算机。因此，任何人都可以构建新的 ML 模型、重新训练现有模型、修改模型等。这在早期是不可能的，

所有这些因素导致人们对 ML 的兴趣大增，并导致了我们今天看到的繁荣。另请查看有关我们如何超越数字处理器的问题。

GPU 是 AI 繁荣的理想选择，因为

• 他们击中了正确的时间

人工智能已经研究了很长时间。将近半个世纪。然而，这都是对算法如何工作和外观的探索。当 NV 看到 AI 即将成为主流时，他们看了看自己的 GPU，意识到巨大的并行处理能力，相对容易编程，非常适合即将到来的时代。许多其他人也意识到了这一点。

• GPU是一种通用加速器

GPGPU 是使用 GPU 并行处理进行一般任务的概念。您可以加速图形，或让您的算法利用 GPU 上的 1000 个可用内核。这使得 GPU 成为包括 AI 在内的各种用例的绝佳目标。鉴于它们已经可用并且编程起来并不难，它是加速 AI 算法的理想选择。