在人工智能的世界里，有一个共同的说法是越大越好。他们说，为了训练最快的算法，你需要最庞大的数据集和最强大的处理器。看看Facebook上周发布的公告，它使用35亿张图像的数据集创建了世界上最精确的物体识别系统之一(这一叙事有益于科技巨头，帮助他们吸引人才和投资，但斯坦福大学最近组织的一次人工智能竞赛表明，传统智慧并不总是正确的。事实证明，大脑仍然可以打败肌肉，这对于人工智能领域来说已经足够合适了。

证据来自于斯坦福大学研究人员去年11月宣布的DAWNBench挑战赛，获奖者上周宣布。把DAWNBench想象成AI工程师的运动会，跨栏和跳远被物体识别和阅读理解等任务所取代。来自大学、**部门和行业的团队和个人竞相设计最佳算法，斯坦福大学的研究人员担任评判员。每个条目都必须满足基本的准确性标准（例如，识别给定数据集中93%的狗），并根据训练算法所需的时间和成本等指标进行判断。

斯坦福大学的Matei Zaharia和Cody Coleman解释说，选择这些指标是为了反映人工智能的现实需求。”通过衡量成本[…]，你可以发现如果你需要谷歌级的基础设施来竞争，你是否是一个较小的群体，”Zaharia告诉Verge。通过测量训练速度，你知道实施人工智能解决方案需要多长时间。换句话说，这些指标有助于我们判断小团队能否与科技巨头较量。

结果并没有给出一个简单的答案，但他们表明原始计算能力并不是AI成功的根本。如何设计算法的独创性至少同样重要。虽然像谷歌和英特尔这样的大型科技公司在许多任务上都有着不俗的表现，但小型团队（甚至个人）通过使用不寻常和鲜为人知的技术排名很高。

例如，DAWNBench的目标识别挑战之一，要求团队训练一种算法，能够识别名为CIFAR-10的图片数据库中的项目。类似的数据库在人工智能中很常见，用于研究和实验。CIFAR-10是一个相对古老的例子，但它反映了一家真正的公司可能希望处理的数据类型。它包含60000个小图像，大小仅为32像素乘32像素，每幅图像可分为“狗”、“青蛙”、“船”或“卡车”等十个类别之一

在DAWNBench的排行榜上，训练最快和最便宜算法的前三名都由隶属于一个小组的研究人员获得：Fast.AI。Fast.AI不是一个大型研究实验室，而是一个创建学习资源并致力于让深度学习“面向所有人”的非盈利组织。该研究所的联合创始人、企业家兼数据科学家杰里米·霍华德（Jeremy Howard）告诉《边缘》杂志，他的学生的胜利在于创造性思维，这表明，任何人都可以“使用基本资源获得世界一流的结果”

Howard解释说，为了创建一种求解CIFAR的算法，Fast.AI的团队转向了一种相对未知的技术，称为“超级收敛”。这项技术不是由一家资金雄厚的科技公司开发的，也不是在大型杂志上发表的，但它是由一位在海军研究实验室工作的名叫莱斯利·史密斯的工程师创建并自行出版的。

本质上，超级收敛是通过缓慢增加用于训练算法的数据流来实现的。想象一下，如果你在教别人识别树木，你不会先给他们看一片森林。相反，你会慢慢地向他们介绍信息，从教他们个体物种和叶子的样子开始。这有点简化，但结果是通过使用超收敛，快速。ai的算法比竞争对手的要快得多。他们能够训练一种算法，能够在不到三分钟的时间内以所需的精度对CIFAR进行排序。下一个没有使用超级聚合的最快团队花了半个多小时。

这一切并不是很快，但是AI的方式。在另一项挑战中，谷歌利用对象识别对一个名为ImageNet的数据库进行排序，轻松获得了培训时间前三名、培训成本第一名和第二名(人工智能在成本上排名第三，在时间上排名第四。）然而，谷歌的算法都是在公司定制的人工智能硬件上运行的；专门为被称为张量处理单元或TPU的任务设计的芯片。事实上，谷歌在一些任务中使用了它所谓的TPU“pod”，即64个TPU芯片串联运行。相比之下，Fast.AI的条目使用的是运行在单个bog标准PC上的常规Nvidia GPU；所有人都更容易获得的硬件。

霍华德说：“谷歌拥有一个私人基础设施，可以方便地进行培训，这一事实很有趣，但可能并不完全相关。”然而，发现你可以花25美元在三小时内用一台机器做同样的事情是非常重要的。”

这些ImageNet的结果正是因为模棱两可而有所揭示。是的，谷歌的硬件是至高无上的，但当我们谈论世界上最富有的科技公司之一时，这是一个惊喜吗？是的，虽然人工智能的学生们很快就想出了一个创造性的解决方案，但这并不是说谷歌的解决方案不够巧妙。该公司的一个条目使用了它所谓的“AutoML”——一组算法，在没有人工指导的情况下为给定任务搜索最佳算法。换句话说，设计人工智能的人工智能。

理解这些结果的挑战不在于找出谁是最好的——它们具有明确的社会和政治含义。例如，考虑谁控制人工智能的未来的问题。亚马逊、Facebook和谷歌等大型科技公司是否会利用人工智能来增加自己的实力和财富；还是会以更公平、更民主的方式获得好处？

对霍华德来说，这些都是至关重要的问题。”我不想让深入学习成为少数特权人士的专属场所，”他说在与年轻的从业者和学生交谈时，我真的很困扰，这条信息告诉我，做大就是一切。对于像谷歌这样的公司来说，这是一个很好的信息，因为他们可以招聘员工，因为他们认为除非你去谷歌，否则你就不能做好工作。但事实并非如此。”

可悲的是，我们不能成为人工智能占卜师。没有人能够通过研究DAWNBench挑战的核心来预测该行业的未来。事实上，如果这场比赛的结果显示了什么，那就是这是一个仍在不断变化的领域。小而灵活的算**决定人工智能的未来，还是会成为原始的计算能力？没有人能说，期望一个简单的答案无论如何都是不合理的。

DAWNBench的两位组织者Zaharia和Coleman说，他们很高兴看到比赛引起如此广泛的反应。”“这里有大量的多样性，”科尔曼说我并不太担心（一家公司）仅仅根据深度学习的情况接管这个行业。我们仍然处在一个框架爆炸式增长[和]大量想法共享的时代。”

两人指出，尽管这不是比赛的标准，但DAWNBench的绝大多数参赛作品都是开源的。这意味着他们的底层代码是在线发布的，任何人都可以检查、实现并从中学习。他们说，这样一来，无论谁在DAWNBench的挑战中获胜，每个人都会受益。

更新美国东部时间5月7日上午10:30：更新澄清了谷歌进入DAWNBench ImageNet竞赛是在一个TPU吊舱上完成的，而不是一个TPU。