今年初谷歌AlphaGo與圍棋冠軍李世石的人機大戰，讓人們對人工智能的關注度提升到了前所未有的高度，正所謂外行看熱鬧、內行看門道，AlphaGo獲勝的背后離不開谷歌開發的深度神經網絡，而這正是人工智能機器學習當中重要的組成部分。 AlphaGo在對戰時，是采用
今年初谷歌AlphaGo與圍棋**李世石的人機大戰，讓人們對人工智能的關注度提升到了前所未有的高度，正所謂“外行看熱鬧、內行看門道”，AlphaGo獲勝的背后離不開谷歌開發的深度神經網絡，而這正是人工智能機器學習當中重要的組成部分。
AlphaGo在對戰時，是采用一種“在線學習”(On-Line Learning)的模式，意思就是說AlphaGo的服務器在美國中西部，通過谷歌云服務連接到韓國首爾的對局室，谷歌總部團隊必須確保AlphaGo與谷歌的服務器連接順利，
在機器學習領域，除了這種目前較為主流的“在線學習”，還有一種效率更高并且直接在硬件端完成機器學習的方式——片上學習，簡單講就是字面所傳達的意思，在芯片上進行機器學習。
在了解“片上學習”之前，我們有必要回顧一下計算機的工作結構。
幾十年前，美籍匈牙利科學家馮·諾依曼曾提出了以自己名字命名的“馮·諾依曼體系”，這種體系結構下，計算機的指令和數據采用0和1的二進制，處理任務按照固定程序順序進行，也就是所謂的“串聯”。
而人腦處理事情為“并聯”模式，人類可以同步處理看到、聽到的內容，并且基于人類的“自我學習”能力，完成一次判斷。比如，心智正常的人，面對一本雜志與一份報紙，可以在一瞬間分辨出來，這是人類大腦內的視覺圖像信息神經元、邏輯思維判斷神經元與人類“自我學習”能力，在一瞬間里“并行”作業的結果。
“馮·諾依曼體系”沿用了半個世紀，但在接下來的人工智能時代，計算機需要盡可能地模擬人類大腦神經元和突觸處理信息的方式，如視覺、聽覺，隨后，接受到的信息、圖片和聲音又能改變神經元之間的聯系，這整個過程就是機器學習的過程。
機器學習的過程只有通過神經網絡的計算才能實現，為了處理神經網絡所帶來的指數級數據增長，人們開始研發專門的芯片，才有了后來的“片上學習”。
“片上學習”的進化歷程
從全球范圍內來看，已有多家公司致力于“在線學習”的算法研究，在視覺、聲音、大數據等領域人工智能均有一些落地的案例，相比之下“片上學習”在嚴苛的硬件環境中依舊研究進展緩慢。
比如IBM的TrueNorth項目，這個以神經形態工程學設計的CMOS芯片，包含了4096個硬件核心，每個核心包含256個可編程的神經元芯片，擁有超過100萬的神經元。
在鈦媒體創新產品平臺“我造社區”當中，有一家名為“西井科技”的神經形態實驗室同樣致力于此。今年5月份，這家公司宣布研發出了全球塊5000萬“神經元”類腦芯片——Westwell去年被網友視為惡搞視頻的“附近有錢人”（到位，Alipay Everywhere）功能竟然“弄假成真”了，經鈦媒體向支付寶方面的人證實，支付寶近期已經把這個愚人節的創意在產品內實現，類似功能計劃在9月底10月初發布。
通過支付寶向附近的人借廁紙，讓附近的人幫修電腦、為女生送花即將變為現實，聽起來很有意思。
支付寶官方微博已經證實上線新功能
支付寶官方微博在2015年“愚人節”發布的視頻
雖然網友對此消息的態度都是戲謔與調侃，不過“愚人節玩笑成真”卻反映了支付寶社交路線“越走越窄”的窘境——可選項已經越來越少。不過我們也發現，不斷試錯的支付寶社交路線，可選項已經越來越小，熟人社交無法撬動，只剩下陌生人社交這張牌。
幫忙、跑腿、求助平臺？
將支付寶的用戶數據與地理位置結合，打造是集閃送、58、滴滴于一身的P2P（peer to peer）生活服務平臺，這一思路或許來源于閑魚“附近魚塘”的成功。支付寶的優勢是信用信息與消費信息，然而千奇百怪非標準化的需求匹配需要的不只是這些數據，隨手幫忙的路人也正在被專業人員所取代，就像滴滴變身出租車公司，達達變身快遞公司一樣，隨機的陌生人匹配不僅效率更低，專業度也無法保證。
畢竟，信用不等于專業，支付寶要想變成一個專業技能交換平臺，就要做技能認證、監管、服務跟蹤等一系列的工作，產品的臃腫會成不可承受之重。理想很豐滿，產品會更“豐滿”。
附近有錢人？
問路、尋人、跑腿、帶路這些支付寶列出的功能，一半是偽需求，一半是模糊需求，而且解決這些需求都和有錢沒錢沒什么關系。附近有錢人可能只是支付寶宣傳的一個噱頭罷了。
事實上，支付寶此舉的目的是將自己打造成用戶的“**數字化 ID”。無論是已經實現的指紋識別還是人臉識別登錄，還是即將實現的人臉支付，支付寶希望在微信的熟人關系之外再打造一個人際關系網絡，基于“點”的個人數據支付寶已經是滿盈將溢，卻苦于一直找不到差異化的“連點成線”、“連線成網”的方法。
過去的熟人信用不僅未能成功“打劫”微信關系鏈，反而讓微信從熟人關系鏈上反手一刀，釜底抽薪。支付寶也漸漸意識到熟人關系鏈上沒法從微信那里討得便宜，開始轉向陌生人關系。
陌生人關系曾經幫助陌陌從微信陰影下殺出一條血路，*終掙得一片屬于自己的天空。如果說陌陌起家于地理位置（LBS）＋生理需求，那么支付寶想做的是“地理位置＋生活需求”。生理需求是*強的需求，而生活需求是次強需求。
微信上的服務提供者都是冷冰冰的商家，而支付寶上的服務提供者都是活生生的人，借由服務交易產生聯系進而連點成線，連線成網，其實百度地圖是*適合做這件事的，而且他們完全可以聲稱自己擁有無人能及的用戶地理位置數據，就像支付寶擁有無人能及的消費及信用數據一樣。
而鈦媒體的問題是，有“地利之便”、同樣是流量入口百度地圖為什么沒有搶先一步？
這一問就戳中了百度多年以來的一塊心病——沒有自己的一套用戶體系。用戶畫像模糊不清，雖然百度地圖早已成為**的地理位置＋生活服務平臺，然而在用戶身份畫像方面依然比不上騰訊和阿里，做得也一直是B2C的生活服務，未敢如支付寶這樣彎道超車，在B2C之外直接做C2C的服務交易。
這樣分析下來，支付寶的**競爭對手反而不是微信，而是百度地圖。
石家莊網絡優化言百度地圖也變得越來越像支付寶、通過百度錢包打造了自己的交易閉環。反而是坐擁牢不可破的熟人關系鏈的微信可以坐山觀虎斗。
那么支付寶和百度地圖的競爭就變成了：是用戶的消費信息更重要還是位置信息更重要？
只要回想一下你在消費時的決策順序，這個問題的答案就會浮出水面。當你在和女神電影之后，想要找一個地方共進晚餐，是先打開百度地圖（或大眾點評）還是支付寶？在我的使用中，支付寶僅用于結賬時的商家優惠，換句話說，支付寶一般都在消費的**環節出現，雖然它在努力的用盡各種姿勢向前移，然而只要“支付工具”的核心定位不變，用戶的使用習慣就不會輕易發生改變。
這也是為什么支付寶再出奇謀，不再在B2C生活服務這一棵樹上吊死，而是另辟蹊徑，走P2P生活服務（或曰眾包服務）路線的原因。我相信閑魚的附近魚塘的大獲成功給了支付寶信心，既然基于地理位置＋個人信用的二手交易可以成功，那么其他的服務交換呢？
問題在于，閑魚的魚塘基于的固定的地理位置，如學校、小區、村鎮等，地理位置提供的是交易的便捷與安全，魚塘也漸漸變成了陌生鄰居變熟人的論壇。支付寶基于的是移動的地理位置，機動的非標準化需求（不像二手交易的標的一般都是標準化的，以電子產品為主，即便如此58的轉轉依然用專業估價來攻擊閑魚的這個“軟肋”）。
非標準化已經讓O2O的泡沫難以為繼相繼破滅，而且這些隨機的服務交易也很難像魚塘那樣沉淀下來穩定的關系（宣傳片中修一次電腦就和女生勾搭上，純屬程序員的幻想）。
有人說信用關系和余額寶數字難道不會成為吸引妹子的“殺器”嗎？我要告訴你除了相親和援交，陌生人社交誰會看這些數字呢？陌陌上大家看的是顏值，閃送上大家看的是接單數與滿意度，Uber把妹的神話也早就破滅了。Brain，可模擬出5000萬級別的“神經元”，總計有50多億“神經突觸”。
作為對比，人類大腦的神經元大約800億--1000億個，有5000萬個神經元的電腦雖然不能與人類大腦相提并論，但它已經可以實現一些淺層的“片上學習”了，比如分辨畫作流派這種事情。
類似谷歌AlphaGo的深度神經網絡，未來可能通過“片上學習”實現
2014年，加州理工大學Sergey Karayev 等人收集了Wiki-paintings畫作，以此來檢驗機器學習的成果。Westwell Brain“片上學習”Wiki系統的測試成績為1秒自動完成1000多張圖片的分類，正確率接近****。
打個比方，“片上學習”Wiki系統就好像學生身邊時刻跟隨著一位“私教”，直接在芯片上邊學習邊測試訓練成果，**的優勢是實現“無網絡”情況下的“自我學習、自我實時提高”。
而“在線學習”則好比學生定期去“學校”上課，回家后做作業來測試學習效果，再將優化過的模型灌輸在硬件中，每一次新的學習都需通過網絡、云端等手段重新進行傳輸、遷移。
因為“片上學習”可以實現本地化學習，從而幫助機器大幅度提升效率，提高運算速度。在網絡環境相對嚴苛或有限的情況下，“片上學習”的芯片消耗的帶寬和流量更少，大幅降低云端服務器的通訊成本，且耗時更少。
從技術角度來看，“片上學習”的芯片的確有很多優勢，它可以直接在硬件上完成學習與測試，進而讓基礎算法的研發迭代，產品的升級有著更短的周期和更高的效率，并且消耗更少的能源。
但另一方面，“片上學習”還沒有特定的標準，據西井科技相關負責人介紹，全球從事此領域研究的公司僅在個位數，相關從業人員也極為緊缺，如何使用“片上學習”芯片的技術進行具體場景的商業化落地還存在很大挑戰。
| 
