微軟每年都會舉辦兩個主題是人工智能的內部員工大會，最近一次規(guī)模達到5000人，前SPARC處理器架構師Marc Tremblay表示，他現在負責微軟在定制人工智能芯片和系統(tǒng)方面的工作。

有專家坦言，他們并不完全理解為什么現有的算法獲得了這么好的效果。關于遞歸（RNN）和卷積（CNN）神經網絡等類型的深度神經網絡相對有效性引發(fā)了各種辯論，同時，新的模式仍在開發(fā)之中。

AMD公司研究員Allen Rush在最近一次關于人工智能的研討會上表示：“各種算法非常有可能在未來五年內會發(fā)生變化。我們打賭，像矩陣乘法這樣的最底層的原語將是不可改變的。”

這就是Google在TPU上投入的賭注，最新版本的TPU是針對訓練和推理任務的，它本質上是一個大的乘法累加單元，運行和保存線性代數例程的結果。預計Nervana和Graphcore芯片也將效仿這一做法。

哈佛大學前大腦研究員、Nervana共同創(chuàng)始人、現任英特爾Nervana集團首席技術官Amir Khosrowshahi表示，目前在深度神經網絡方面取得的成功，正在主導著更廣泛的人工智能領域。他在IEEE研討會上表示：“由于深度學習如此成功，所以在這之下事情發(fā)展得很順利。大家都在做深度神經網絡，這是一場悲劇......不要以為現在發(fā)生的事情，一年以后還會存在。”

今天深度神經網絡得到了如此多的關注，但這僅代表了更為廣泛的人工智能領域的很小一部分。（來源：英特爾）

盡管深度神經網絡可以比人類更精確地識別圖像，但“如今的數據科學家被迫花費不可接受的時間對數據進行預處理，對模型和參數進行迭代，并且等待訓練的融合......每一步都要花費太多人力，或者太過于計算密集型了,”Khosrowshahi說。
總的來說，“人工智能的難題仍然很難解決，”他補充說。“最好的研究人員可以用一個機器人打開一扇門，但要拿起杯子，可能比贏過Alpha Go（深度神經網絡贏得的早期勝利之一）還難。”