被高估的自動駕駛與被低估的演算法
過去的事實證明，人類向來不善於預測。要麼總是高估短期發展，低估中長期程序，要麼壓根猜錯了方向。
基於自身需求和社會發展，人們確信，AI是解決交通問題的終極工具。資本同樣確信這一點，到2020年以前，全球AI產業投資將達到4000億美元，60%的投資和新創公司誕生在中美兩國。
停滯不前的自動駕駛
但投資人已經發現，找新專案越來越難，而專案變得昂貴，這是資本泡沫出現的訊號。
就短期而言，AI的效能和回報都被高估了。
作為自動駕駛研發的領先者，谷歌旗下的Waymo正在鳳凰城郊區部署自動駕駛車隊，並已經開始收費服務。對於本地智慧決策的實用專案而言，是巨大的階段性成功，儘管服務區域和服務人群都做了精心的限制和挑選。顯然，這是限定場景下的L4級別自動駕駛應用。
然而，當地居民熱衷於取笑Waymo的自動駕駛車輛。這些白色的克萊斯勒Pacifica在高速路上試圖併線卻總不成功，最後被迫駛下公路；或者在經過十字路口時把車道佔住，不敢拐彎，導致追尾。人類司機不耐煩過於守規矩的交通參與者，他們粗魯地按喇叭，根本不管AI是否聽得懂。
Waymo的CEO克拉夫西克則暗示AI的笨拙狀態還要持續多年，他認為L5級自動駕駛的實用部署可能需要“數十年”，這和他3年前的樂觀態度形成鮮明對比。
算力的瓶頸在哪裡？
這多半源於工程師們對AI訓練時的心力交瘁。真實世界的工況複雜程度，很難通過固定模型調參，達到完全覆蓋的目的。和公眾認識的相反，獲取資料是容易的。只要法律允許且車主們同意，地球上每天執行的十幾億輛汽車，都可以裝上廉價感測器，獲取行駛資料，上傳雲端。
如此海量的元資料，必然存在大量重複的冗餘資料。工程師們花了很長時間，編寫演算法，提煉並構建對AI訓練有最大價值的資料庫（即訓練模型）。
不過，資料後期的分類標定、資料質量以及演算法，存著在很多的不確定因素。而公眾和監管機構都堅持，自動駕駛汽車需要測試數億至數千億公里，才能驗證它們在減少交通事故方面的可靠性。這無疑加大了AI應用在自動駕駛的難度。
由於算力的侷限，致使AI訓練過程變得很長。資料量超出硬體承載的上限，AI就無法表現得老練得體。也因為同樣的原因，人們必須事先篩選資料，避免硬體崩盤。
眾所周知，隨著矽基晶片加工極限迫近，單個晶片的算力提升乏力。摩爾定律不是法律，它只不過是從業者觀察到晶片業蓬勃發展時期的規律而已，而這一規律正在走向終結。
因為矽原子的直徑是0.3nm，這是不可逾越的物理限制。而且，門控電路很難控制單個原子。此時的量子效應不可忽略，電路邏輯從確定狀態變成概率，晶片邏輯將一塌糊塗。目前人類在水中雕刻矽片的“刀具”是深紫外光——接近X射線的波長，矽加工當下的極限是7nm，而提升的終點可能是2-3nm。
既然電路密度提升愈來愈困難，擴大面積、增加立體維度，不就仍可以擴張電路複雜度嗎？考慮到能耗帶來的尺寸翹曲和散熱問題，無論二維還是三維擴張，都受到嚴格限制。即便全球頂尖加工能力，矽片面積擴張後，成品率也不可避免地急劇下降。
當前人類仍在不斷提升算力，靠的是大規模並聯，多晶片算力協同的代價，則是資料內部傳輸的效率低下和功耗急劇上升。
新架構可能不是最終答案
2016年戰勝李世石的AlphaGo仍是傳統的馮諾依曼結構，配置了1202個CPU和176個GPU，功率17萬瓦，下一盤棋電費3000美元。而李世石的大腦就算滿負荷執行最多也只20瓦，只夠點亮一盞昏暗的白熾燈。這不是一場公平的決鬥。在人腦面前，AI笨拙得驚人，也低效得驚人。
而第二年戰勝柯潔的AlphaGo則採用了4片基於雲的TPU，構成180TFlops算力（1T雜湊率=1萬億次運算）。而2018年穀歌推出的TPU3.0，具備100P（1P雜湊率=1000萬億次運算）算力。作為代價，TPU3.0必須採用水冷機制。超算的冷卻更需要龐大裝置，微軟的內蒂克專案乾脆建在蘇格蘭奧克尼群島冰冷的海底。
TPU本質上是專用場景的ASIC晶片，對馮諾依曼結構的瓶頸進行優化，不能處理文字，專門用於深度學習的神經網路計算。計算密度無法提升的時候，我們依靠改善架構，繼續榨取算力。
但是TPU的體積、功耗和麻煩的冷卻裝置，都註定它不可能充當車載本地AI。基於高速網路的雲端算力，減輕了本地AI的負擔。不過，這些提升終有盡頭，而且盡頭近在眼前。
在矽基晶片的潛力挖掘殆盡之前，我們必須找到更強大的算力。量子計算和化合物半導體、生物計算都具備替代潛質。而大多數國家資本，正在大規模地押注量子。但是截至目前，世界上還沒有真正意義上的量子計算機，也很難估量什麼樣的方案能更有效地束縛微觀態的量子。量子計算機的實用化預測，從5年到50年不等。
在人們擔心強AI失控之前，AI本身還未能對演算法進化做出什麼貢獻。演算法的巧妙依賴於人腦。對於人類來說，個體知識體系並不重要，演算法的優化源自人類經驗積累。這和晶片電路規模擴張，有異曲同工之妙。在合理功耗下算力足夠強，是AI勝任高級別自動駕駛的唯一現實路徑。
在矽基晶片潛力挖掘殆盡之前，探索出新路徑來，決定了AI的未來。這就是我們無法看清未來的原因。