如果说过去几年人工智能的爆发主要依赖算法突破，那么未来推动其走向大众的关键，或许正是一块看似普通的芯片。算法的潜力终究存在上限，而硬件层面的变革正在悄然重塑行业格局——它不仅大幅缩短了AI系统的训练时间与成本，也避免了这项技术沦为只有少数科技巨头才能参与的军备竞赛。

近年来，计算机在日益复杂的任务中展现出超越人类的表现，智能算法无疑是人工智能领域的重大突破。然而，另一股力量正在发挥更深远的影响：专用芯片及其他硬件的进步，不仅持续提升着最先进AI系统的能力，也将这些技术推向了更广泛的应用场景。至于这种普及能否转化为切实的商业回报，则仍然是一个未知数。

斯坦福大学研究团队发布的“人工智能指数”（AI Index）清晰揭示了这场硬件革命的分量。最新一期AI Index在总结人工智能进展的同时，捕捉到了过去18个月中一条重要的轨迹变化。从算法层面看，许多任务并未像前几年那样实现跨越式进步。部分原因在于某些领域已触及瓶颈——例如图像识别，在计算机超越人类水平后便难以取得突破性进展。这也反映出，剩下的难题越发棘手，进展自然趋于缓慢。语言处理作为机器智能的下一个前沿，攻克难度尤为突出。尽管语音识别和机器翻译已被攻克，但在理解与推理方面，人类依然牢牢占据优势。

值得注意的是，最显著的进步来自硬件领域。专为处理机器学习海量数据而设计的芯片不断涌现，整个行业也在针对这类任务开发专用系统。美国研究机构OpenAI指出一个关键拐点——2012年。在此之前，芯片行业的经验法则“摩尔定律”（每两年性能翻倍）主导着AI计算领域。但自2012年起，AI系统彻底超越了摩尔定律：随着新型硬件与更多资源的投入，最先进AI系统的能力每3.4个月便翻一番。

这种硬件加速自带一个悖论。一方面，在科学前沿，它使得人工智能沦为少数玩家才能参与的军备竞赛——能够调动海量计算资源的大公司与政府成为唯一有资格参赛的选手。OpenAI的经营理念始终是：拥有最大计算机的AI研究者将最终主宰世界。他们近期从微软获得10亿美元投资，正是为了继续留在牌桌上。然而，硬件革命的另一面是，它正将这项技术推向大众。谷歌的TPU作为全球最先进的机器学习处理芯片之一，如今外部用户可通过谷歌云计算平台按小时租用——如果你的工作负荷不急于完成，且愿意排队等候，每小时仅需1.35美元。

在硅谷，“大众化”一词常被挂在嘴边，但这次在AI领域，这一表述并不夸张。随着亚马逊网络服务（AWS）等云服务平台让低成本硬件与机器学习工具变得触手可及，训练神经网络——AI中计算最密集的环节——突然变得人人皆可参与。斯坦福大学的DawnBench项目提供了一套AI系统基准测试方法。数据显示，在不到两年时间里，在广泛使用的ImageNet数据集上训练一个系统所需的时间，从3小时骤降至88秒。而成本？从2323美元直接降至12美元。

训练时间与成本的大幅削减，是否意味着高级人工智能已成为一项成熟实用技术？这仍需商榷。机器学习的广泛影响难以精确衡量，但AI Index提供了一个颇有前景的指标：今年10月，美国约1.32%的招聘信息与人工智能相关，而2010年这一比例仅为0.26%。尽管占比仍然很小，且“人工智能工作”的定义存在争议，但趋势是清晰的。

麻省理工学院教授埃里克·布林约尔松长期研究新技术对经济的影响，他给出了一个善意的提醒：那些雇佣了数据科学家与机器学习专家的企业，不要指望立即看到回报。它们首先需要开发出能够最大化利用这项技术的新工作流程，只有跨过这道内部瓶颈，才能迎来真正的收益。