图3：运算量与性能密度之间的差距。a, 运算量对比ImageNet图像分类竞赛中领先的深度神经网络的前5大误判比率。b, 领先的GPU、ASIC和FPGA硬件平台性能密度。为匹配所需运算量，简单增加芯片面积并不可行。各年只标示了夺冠的深度神经网络。Y轴为对数坐标。

史弋宇及其同事指出，“CMOS技术的迭代对于日益增长的计算强度和功耗方面的需求并没有提供足够的支撑，因此需要在架构、电路和器件上加以创新。”基于此，他们继续检验了结合不同架构和算法创新来弥补上述差距的可行性。

图4：内存访问量和内存能效之间存在差距。a, 参数量（与内存访问量高度相关）对比各年ImageNet图像分类竞赛中领先的深度神经网络的前5大误判比率。b, 主流存储技术的内存能效。内存能效在有限能量预算下将无法支持日益增长的内存访问量。各年只标示了夺冠的深度神经网络。Y轴为对数坐标。

• 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