人工智能AI里程碑：計算機(jī)圖形學(xué)

　　在過去的十年里，圍繞人工智能的突破，投資和企業(yè)家活動的爆炸式增長完全是由深度學(xué)習(xí)驅(qū)動的。深度學(xué)習(xí)是一種復(fù)雜的統(tǒng)計分析技術(shù)，用于發(fā)現(xiàn)大量數(shù)據(jù)中的隱藏模式。1955年創(chuàng)建的術(shù)語（人工智能）被應(yīng)用于（或錯誤地應(yīng)用于）深度學(xué)習(xí)，這是一個更高級的機(jī)器學(xué)習(xí)版本，旨在訓(xùn)練計算機(jī)執(zhí)行某些任務(wù)。這個術(shù)語是1959年創(chuàng)建的。

深度學(xué)習(xí)的最新成功是由于大量數(shù)據(jù)（大數(shù)據(jù)）可用性的增加和圖形處理單元（GPU）的出現(xiàn)，顯著增加了訓(xùn)練計算機(jī)數(shù)據(jù)的廣度和深度，減少了訓(xùn)練深度學(xué)習(xí)算法所需的時間。

大數(shù)據(jù)一詞最早出現(xiàn)在1997年10月由MichaelCox和Davidelsworth撰寫的計算機(jī)科學(xué)文獻(xiàn)中。本文發(fā)表在IEEE第八屆可視化會議論文集中，核心外可視化應(yīng)用控制需求分頁。他們寫道：可視化給計算機(jī)系統(tǒng)帶來了一個有趣的挑戰(zhàn)：數(shù)據(jù)集通常很大，這增加了主內(nèi)存、本地磁盤甚至遠(yuǎn)程磁盤的容量。我們稱之為大數(shù)據(jù)問題。當(dāng)數(shù)據(jù)集不能容納在主存儲器（核心）中，甚至不能容納在本地磁盤中時，最常見的解決方案是獲取更多資源。這個術(shù)語也被學(xué)術(shù)界以外的術(shù)語所使用。

　　SGI創(chuàng)始人吉姆·克拉克于1974年在計算機(jī)圖形之父伊萬·薩瑟蘭的指導(dǎo)下，在猶他大學(xué)完成了博士論文。克拉克后來成立了Netscapecomunications，其成功的網(wǎng)絡(luò)瀏覽器和1995年的IPO引發(fā)了互聯(lián)網(wǎng)熱潮。1989年，蒂姆·伯納斯·李(Timberners-Lee)發(fā)明了網(wǎng)絡(luò)，成功使世界數(shù)十億人成為數(shù)字?jǐn)?shù)據(jù)的消費(fèi)者和創(chuàng)造者。

2007年，普林斯頓大學(xué)計算機(jī)科學(xué)家fei-feili和她的同事開始組裝imagenet。imagenet是一個帶有注釋圖像的大型數(shù)據(jù)庫，旨在幫助研究視覺對象識別軟件。五年后，也就是2012年10月，由多倫多大學(xué)研究人員設(shè)計的人工神經(jīng)網(wǎng)絡(luò)在imagenet大規(guī)模視覺識別挑戰(zhàn)中的錯誤率僅達(dá)到16%，大大超過了25%。一年前最好的進(jìn)入表明人工智能的興起。

大數(shù)據(jù)真的很大。RJTMoris和BJTruskowski在《存儲系統(tǒng)的發(fā)展》一書中表示，1996年，數(shù)字存儲在存儲數(shù)據(jù)方面比在紙上更具成本效益。2002年，數(shù)字信息存儲首次超過非數(shù)字存儲。根據(jù)馬丁·希爾伯特和普里西拉·洛佩茲的世界存儲、通信和計算信息的技術(shù)能力，從1986年到2007年，世界信息存儲能力以每年25%的復(fù)合年增長率增長。他們還估計，1986年，99.2%的存儲容量是模擬存儲，但2007年，94%的存儲容量是數(shù)字存儲，這完全顛倒了角色。

　　2000年10月，加利福尼亞大學(xué)伯克利分校Peterlyman和Halvarian發(fā)布了多少信息？這是第一個全面的研究，用計算機(jī)存儲量量量化世界上每年創(chuàng)建的新信息和原始信息總量（不計算副本）。1999年，世界各地產(chǎn)生了1.5艾字節(jié)的原始數(shù)據(jù)。2007年3月，Johngantz、Davidreinsel和IDC的其他研究人員發(fā)布了第一項研究，估計和預(yù)測每年創(chuàng)建和復(fù)制的數(shù)字?jǐn)?shù)據(jù)數(shù)量-2006年為161艾字節(jié)。據(jù)估計，該數(shù)字將增加6倍，達(dá)到988艾字節(jié)。2010年，或每18個月翻一番。

　　信息爆炸（據(jù)牛津英語詞典稱，該術(shù)語于1941年首次使用）已成為大型數(shù)字?jǐn)?shù)據(jù)爆炸。然而，可用數(shù)據(jù)的數(shù)量只是使深度學(xué)習(xí)成功的兩種催化劑之一。另一個是GPU。

雖然深度學(xué)習(xí)算法的開發(fā)及其實際應(yīng)用在20世紀(jì)80年代和90年代穩(wěn)步發(fā)展，但它們受到計算機(jī)能力不足的限制。1986年10月，Davidrumelhart、Geoffreyhinton和Ronaldwilliams出版了《反向傳播錯誤學(xué)習(xí)表達(dá)法》，描述了一個新的學(xué)習(xí)過程，即反向傳播，用于神經(jīng)元樣單元網(wǎng)絡(luò)。在深度學(xué)習(xí)的發(fā)展中。三年后，Yannlecun和AT&T貝爾實驗室的其他研究人員成功地將反向傳播算法應(yīng)用到多層神經(jīng)網(wǎng)絡(luò)，以識別手寫郵政編碼。然而，鑒于當(dāng)時的硬件限制，培訓(xùn)網(wǎng)絡(luò)大約需要三天時間（與以前的工作相比有了很大的改進(jìn)）。

大數(shù)據(jù)誕生的計算機(jī)圖形學(xué)得以挽救。到了20世紀(jì)90年代，實時3D圖形在街機(jī)、計算機(jī)和游戲機(jī)游戲中變得越來越普遍，導(dǎo)致對硬件加速3D圖形的需求增加。索尼在1994年推出家用視頻游戲機(jī)PS1時，首先稱GPU為幾何處理單元。

　　視頻游戲渲染需要快速并行執(zhí)行許多操作。圖形卡具有較高的平行度和較高的內(nèi)存帶寬，但與傳統(tǒng)的CPU相比，時鐘速度較低，分支能力較低。巧合的是，在人工神經(jīng)網(wǎng)絡(luò)上運(yùn)行的深度學(xué)習(xí)算法需要類似的——平行性、高內(nèi)存帶寬和無分支。

到2000年代末，許多研究人員已經(jīng)證明了GPU在深度學(xué)習(xí)（尤其是人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練）中的實用性。由新編程語言（如NVIDIACUDA）支持的通用GPU已應(yīng)用于各種深度學(xué)習(xí)任務(wù)。這些應(yīng)用程序中最明顯的是2012年Imagenet挑戰(zhàn)賽的冠軍。

2020年3月18日，計算機(jī)技術(shù)協(xié)會(ACM)將Patrickm.(Pat)Hanrahan和Edwine.(Ed)Catmull提名為2019ACMAM圖靈獎獲得者，表彰其對3D計算機(jī)圖形學(xué)的基本貢獻(xiàn)，以及這些技術(shù)對電影制作等應(yīng)用中的計算機(jī)圖像(CGI)產(chǎn)生革命性影響。

　　根據(jù)ACM新聞稿，今天，3-D計算機(jī)動畫電影代表了全球電影行業(yè)的流行類型，價值1380億美元。3-D計算機(jī)圖像對于蓬勃發(fā)展的視頻游戲行業(yè)、新興的虛擬現(xiàn)實和增強(qiáng)現(xiàn)實領(lǐng)域也至關(guān)重要。Catmull和Hanrahan做出了開創(chuàng)性的技術(shù)貢獻(xiàn)，這仍然是當(dāng)今CGI圖像開發(fā)模式不可或缺的一部分。此外，他們對編程圖形處理單元（GPU）的看法不僅影響了計算機(jī)圖形學(xué)，而且影響了數(shù)據(jù)中心管理和人工智能等各個領(lǐng)域。

　　像吉姆·克拉克一樣，卡特姆是伊萬·薩瑟蘭的學(xué)生，1974年獲得猶他大學(xué)博士學(xué)位。正如羅伯特·里夫林在1986年的《算法圖像:計算機(jī)時代的圖形視覺》中所寫，現(xiàn)代計算機(jī)中幾乎每一個有影響力的人圖形社區(qū)要么通過猶他大學(xué)，要么以某種方式接觸。

在2010年對Pathanrahan的采訪中，Catmul描述了UU工作環(huán)境：

　　戴夫·埃文斯是系主任，伊萬在教書，但他們的公司埃文斯和薩瑟蘭花了所有多余的時間。這些學(xué)生幾乎是獨立的，這是我真正的肯定，因為學(xué)生必須自己做一些事情。我們期待創(chuàng)作原創(chuàng)作品。我們處于前沿，我們的工作是擴(kuò)大它。他們基本上說:你可以每隔一段時間聯(lián)系我們，我們會聯(lián)系你，但我們會關(guān)閉這家公司。

我認(rèn)