的迭代速度和CMOS技术的迭代速度存在差距——而且这个差距在增大。当深度神经网络变得更加精确，它们的尺度

（层数、参数量、运算量）

显著扩大。

图2：ImageNet图像分类竞赛中明星深度神经网络的前5大误判比率。前5大误判的比率随时间呈指数式下降。Y轴为对数坐标。

但是，正如史弋宇及其同事所述，典型的硬件平台——图形处理单元

（GPU）

、现场可编程门阵列

（FPGA）

以及专用集成电路

（ASIC）

——其计算性能的提升跟不上前沿深度神经网络的设计需求。类似的，承载这些网络的硬件平台的存储器功耗也跟不上网络尺度的增长。

• 脖子越来越粗，背越来越厚，不是胖了，是经络不通！
• 准妈妈孕期吃这“三宝”让宝宝更聪明，孕妈妈别错过了
• 人工智能进课堂 是什么引发了他们打开AI世界的大门
• 聪明人都爱食此野果，每天食几颗，防癌抗癌，美容养颜，抗衰老
• 为什么现在的抑郁症患者，越来越多？
• 杭州小姑娘说自己没结婚、没男友！肚子却越来越大？
• 寒武纪发布新一代人工智能芯片 未来3年覆盖10亿台智能终端
• 别再忽视肝脏了，聪明的养生达人都在靠这3件事养肝
• 对未来科学来说 人工智能意味着什么？
• 美媒：人工智能可能自行产生偏见