講演綱要（整理撰文｜高英哲）

所謂的高效能運算 (high-performance computing, HPC) ，是指使用高效能電腦，解決非常重要，價值極高的問題。舉凡破解密碼、預測氣候變遷、打造人工智慧等等當前熱門課題，背後都需要高效能運算支援。因此政府往往不惜血本，打造專用的高效能運算系統，不僅可以解決迫切需要突破的問題，也能藉此發揮產業火車頭的作用，帶動相關產業發展。

人工智慧需要大量的高效能運算，無論是早期「深藍」超級電腦 (Deep Blue) 採用的傳統規則式專家系統 (rule-based expert system) ，還是 IBM 後來研發的「華生」人工智慧系統 (Watson) 使用的數據導向深度學習 (data-driven deep learning) ，都需要用到高效能運算的平行處理技術。然而平行處理在實作上，經常會碰上各種軟硬體問題，嚴重降低平行處理的效率。因此若想要改善高效能運算的效率，必須對軟體進行詳盡的效能分析，找出運算瓶頸在哪裡，再針對瓶頸設計加速器，對軟體進行優化。

目前我們所謂的人工智慧，都只能算是「狹義」的人工智慧系統，只能夠在某個特定領域裡頭發揮作用，像是「深藍」再厲害也只會下棋，「華生」再會答題也僅限醫療領域。為什麼電腦的運算能力明明比人腦強大很多，卻做不到許多普通人就能做到的事情？比方說電腦用演算法代替人類的數理結構，用規則系統代替人類的語言邏輯，但是在視覺圖像上面，卻始終找不到一個有效的替代方案。 90 年代開始走紅的卷積類神經網路 (convolution neural network, CNN) ，需要高效能平行運算跟化約演算的能力，遠遠超出當時電腦的運算能力；直到最近這幾年，電玩顯卡 GPU 大量的核心，很適合進行卷積類神經網路所需的平行計算，深度學習才又注入了活水。

人工智慧目前的研發方向，不外乎是以打造更高效能的深度學習系統為圭臬。舉凡採用向量指令、平行處理運算、打造專用晶片、降低運算精準度、利用概算節省運算資源、採用稀疏矩陣等等，每個方法若能提升 10 倍的運算速度，總合起來加速 1000 萬倍也不是夢！然而目前這些狹義人工智慧系統的功能再怎麼強大，距離通用人工智慧 (artificial general intelligence, AGI) 還是很遙遠，這個領域依然存在著很多機會跟挑戰。