|
來源：果殼 付斌丨作者 李拓丨編輯 果殼硬科技丨策劃 出版于1968年的《仿生人會夢見電子羊嗎？》曾大膽設(shè)想機(jī)器人也將擁有人的特質(zhì)，這些仿生人會思考、會睡覺還會做夢，開啟人們對于冰冷造物和生命間的思考。 現(xiàn)在，那種充滿賽博朋克色彩的世界似乎不再遙遠(yuǎn)。芯片結(jié)構(gòu)已高度模仿生物大腦，開始擁有五感，并且越來越具備人的特征，它就是神經(jīng)形態(tài)芯片，一種比現(xiàn)有CPU或GPU能耗比強(qiáng)一千倍以上的芯片。 迄今為止，神經(jīng)形態(tài)計(jì)算仍然在研究階段，但接連而來產(chǎn)業(yè)化動作，昭示著這一技術(shù)將成就第一批吃螃蟹的人。 從生物大腦到芯片 神經(jīng)形態(tài)計(jì)算（Neuromorphic Computing）也被稱為神經(jīng)擬態(tài)計(jì)算，指的是參考生物大腦神經(jīng)元結(jié)構(gòu)和思考處理模式而搭建的架構(gòu)，它是一種跳出傳統(tǒng)馮·諾依曼架構(gòu)的先進(jìn)計(jì)算形式，據(jù)這一架構(gòu)設(shè)計(jì)出來的芯片就是神經(jīng)形態(tài)芯片。 簡單解釋，就是把人腦做進(jìn)了芯片里。雖然乍聽這樣一個詞語，非常晦澀難懂，但實(shí)際上，同樣是借鑒人腦的人工智能（AI）技術(shù)早已進(jìn)入千家萬戶 。只不過，神經(jīng)形態(tài)芯片是一種架構(gòu)更接近人腦的器件。 類腦芯片中的一種 神經(jīng)形態(tài)計(jì)算也是一種類腦芯片（Brain-inspired Computing，也被稱為腦啟發(fā)計(jì)算）。 目前，類腦芯片的精確定義及范圍劃分，學(xué)術(shù)界、產(chǎn)業(yè)界意見尚未統(tǒng)一。一般粗略分為神經(jīng)形態(tài)芯片（基于脈沖神經(jīng)網(wǎng)絡(luò)SNN）和深度學(xué)習(xí)專用處理器（基于人工/深度神經(jīng)網(wǎng)絡(luò)ANN/DNN），前者是從結(jié)構(gòu)層逼近生物大腦，側(cè)重于參照人腦神經(jīng)元模型及其組織結(jié)構(gòu)來設(shè)計(jì)芯片結(jié)構(gòu)，后者則非神經(jīng)元組織結(jié)構(gòu)，而是圍繞成熟認(rèn)知計(jì)算算法，設(shè)計(jì)芯片結(jié)構(gòu)。[5] 簡單解釋二者原理，深度學(xué)習(xí)專用處理器是降維處理，把多維問題轉(zhuǎn)換為一維信息流；神經(jīng)形態(tài)芯片是升維處理，通過多維時空變換，以期更接近人腦思考方式，從而獲得更好的能耗、算力和效率。 馮諾依曼架構(gòu)與神經(jīng)形態(tài)架構(gòu)的對比，圖源丨Nature Computational Science 深度學(xué)習(xí)專用處理器屬于另一個子行業(yè)，早在2012年，中科院計(jì)算所研制了當(dāng)時國際上首個支持深度神經(jīng)網(wǎng)絡(luò)處理器架構(gòu)芯片寒武紀(jì)，目前玩家包括Mythic、Graphcore、Gyrfalcon Technology、Groq、HAILO、Greenwaves、谷歌、地平線、寒武紀(jì)等。 兩大方向并非彼此獨(dú)立或互斥，而是交叉融匯。對于深度學(xué)習(xí)已非常擅長的，如模擬人類視覺或自然語言交互任務(wù)，會繼續(xù)使用深度學(xué)習(xí)網(wǎng)絡(luò)去應(yīng)對；對于其它不太適合用深度學(xué)習(xí)做的，如嗅覺、機(jī)器人操控、多模態(tài)甚至于跨模態(tài)間存儲等，將會采用新架構(gòu)的神經(jīng)形態(tài)芯片。 研究界和產(chǎn)業(yè)界都在逐漸模糊二者界限，但實(shí)際上，很多論文、報(bào)告或文章中的類腦芯片，指的是神經(jīng)形態(tài)芯片。本文將采用更為精準(zhǔn)的一種描述——神經(jīng)形態(tài)芯片。 類腦計(jì)算兩大平臺特性 生物大腦的特點(diǎn) 生物大腦能夠?qū)崿F(xiàn)感知、運(yùn)動、思維、智力等各種功能，但由于其復(fù)雜性，目前對大腦的認(rèn)識與理解還非常有限，這對神經(jīng)形態(tài)芯片從認(rèn)知原理、硬件實(shí)現(xiàn)、智能算法到雙腦融合等都帶來了挑戰(zhàn)。 以目前研究來看，生物大腦中，神經(jīng)元細(xì)胞會通過樹突、突觸等實(shí)現(xiàn)信號傳遞與調(diào)整等功能，同時，神經(jīng)元間會以脈沖信號形式相互交流。實(shí)際上，單個神經(jīng)元的結(jié)構(gòu)和功能并不復(fù)雜，但通過突觸互連的大規(guī)模神經(jīng)網(wǎng)絡(luò)，就能實(shí)現(xiàn)各種復(fù)雜的學(xué)習(xí)和認(rèn)知功能。 另外，生物大腦與主流的人造芯片結(jié)構(gòu)極為不同： 神經(jīng)元和突觸的信息處理結(jié)構(gòu)不僅擁有更高效率，還可實(shí)現(xiàn)大規(guī)模并行處理； 傳統(tǒng)計(jì)算系統(tǒng)的馮·諾依曼計(jì)算架構(gòu)，計(jì)算和存儲分離，但生物大腦則是存儲和處理一體，不存在單獨(dú)的存儲器，另外，生物大腦里也沒有動態(tài)隨機(jī)存取存儲器、沒有哈希層級結(jié)構(gòu)、沒有共享存儲器等； （可參考果殼硬科技?xì)v史文章《 存算一體芯片，人工智能時代的潛力股》） 生物大腦記憶并非一成不變，而是既有頻繁重復(fù)的長時記憶，也有快速遺忘的短時記憶，兩者互相轉(zhuǎn)換表現(xiàn)在突觸上，就是長/短時程可塑性的轉(zhuǎn)變； 計(jì)算機(jī)基本均為全數(shù)字信號的處理方式，而生物大腦則是混合信號，腦內(nèi)通信使用數(shù)字信號快速傳輸，神經(jīng)元和突觸的處理使用更為有效的模擬化學(xué)形式。 傳統(tǒng)電路結(jié)構(gòu)（左）對比人腦結(jié)構(gòu)（右） 但也不是說人造的器件就沒有任何優(yōu)點(diǎn)，假如能用CMOS構(gòu)造出與生物大腦同等規(guī)模的器件，二者會呈現(xiàn)不同的優(yōu)勢領(lǐng)域，神經(jīng)形態(tài)芯片最終一定是結(jié)合生物大腦和人造器件各自優(yōu)點(diǎn)而設(shè)計(jì)制造。 生物大腦對比同等規(guī)模CMOS器件 三種主流實(shí)現(xiàn)形式 早在1952年，就有研究將神經(jīng)系統(tǒng)建模為等效電路，直到上世紀(jì)八十年代，超大規(guī)模集成電路（VLSI）發(fā)明者之一，加州理工大學(xué)的Carver Mead以此為靈感，創(chuàng)造了神經(jīng)形態(tài)（Neuromorphic）這一術(shù)語，描述模仿生物神經(jīng)系統(tǒng)某些功能的設(shè)備和系統(tǒng)。 Carver Mead在內(nèi)的科學(xué)家花了40多年時間潛心研究這項(xiàng)技術(shù)，最終目標(biāo)是模擬人體感官和處理機(jī)制的分析系統(tǒng)，如觸覺、視覺、聽覺和思維。現(xiàn)在，神經(jīng)形態(tài)芯片行業(yè)已發(fā)展出雛形。 一顆理想的神經(jīng)形態(tài)芯片背后是多個學(xué)科的碰撞，包括在材料上追求類生物物質(zhì)，在器件上構(gòu)造神經(jīng)元與突觸，在電路上實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)連接，在算法上實(shí)現(xiàn)大腦思考能力。不同神經(jīng)形態(tài)芯片的涉及材料、器件、工藝極多，而它也將會自下而上地從材料、器件、電路、架構(gòu)帶動算法和應(yīng)用。 神經(jīng)形態(tài)芯片涉及的領(lǐng)域和機(jī)會，圖源丨Nature Computational Science，有改動 目前為止，神經(jīng)形態(tài)芯片的構(gòu)造基本一致，包括神經(jīng)元計(jì)算、突觸權(quán)重存儲、路由通信三部分，同時采用與脈沖神經(jīng)網(wǎng)絡(luò)（SNN）模型。 但依據(jù)材料、器件、電路不同，分為模擬電路主導(dǎo)的神經(jīng)形態(tài)系統(tǒng)（數(shù)模混合CMOS型）、全數(shù)字電路神經(jīng)系統(tǒng)（數(shù)字CMOS型）、基于新型器件的數(shù)�；旌仙窠�(jīng)形態(tài)系統(tǒng)（憶阻器是候選技術(shù)）三種流派。 兩種基于CMOS的方式能夠繼續(xù)利用現(xiàn)有制造技術(shù)，搭建人工神經(jīng)元及其連接人工突觸，但模擬單個神經(jīng)元或突觸行為，需要由多個CMOS器件組成電路模塊，因此集成密度、功耗和功能模擬準(zhǔn)確度會有所限制；新型器件從底層器件仿生的角度出發(fā)，在器件層面模擬神經(jīng)元和突觸，在功耗、學(xué)習(xí)性能等方面有顯著優(yōu)勢，但目前仍處在探索階段。 其中，數(shù)字CMOS型是目前最易產(chǎn)業(yè)化的形式。一方面，技術(shù)和制造成熟度高，另一方面，不存在模擬電路的一些顧慮和限制。 神經(jīng)形態(tài)芯片的三種實(shí)現(xiàn)形式，制表丨果殼硬科技 如何衡量一顆神經(jīng)形態(tài)芯片的好壞？主要從計(jì)算密度、能量效率、計(jì)算精度和學(xué)習(xí)能力四項(xiàng)指標(biāo)來評價(jià)其競爭力。 神經(jīng)形態(tài)芯片的四項(xiàng)關(guān)鍵指標(biāo)和現(xiàn)狀，制表丨果殼硬科技 資料來源丨Nature Electronics，《新經(jīng)濟(jì)導(dǎo)刊》 解決行業(yè)燃眉之急 為什么要做神經(jīng)形態(tài)芯片？它的商業(yè)價(jià)值在于能在低功耗以及少量訓(xùn)練數(shù)據(jù)的條件下持續(xù)不斷自我學(xué)習(xí)，并且在理想情況下，同樣一個人工智能任務(wù)中，神經(jīng)形態(tài)芯片的能耗較傳統(tǒng)的CPU或GPU減少了一千倍以上。 數(shù)字時代下，計(jì)算機(jī)的計(jì)算速度越來越快，甚至下起象棋來，還能戰(zhàn)勝世界冠軍。因此，人們親切地把計(jì)算機(jī)稱作電腦，但它的能效和智能程度還遠(yuǎn)達(dá)不到生物大腦。 比如，AlphaZero是由5000個谷歌的專用機(jī)器學(xué)習(xí)處理器（TPU）組成的巨無霸，但每個單元功耗高達(dá)200W。再如，IBM曾在深藍(lán)超級計(jì)算機(jī)平臺上仿真一只貓的腦皮層模型（相當(dāng)于人類大腦的百分之一），就需近15萬塊CPU和144TB主存，能耗高達(dá)1.4MW。 反觀人類的大腦，由約850億個神經(jīng)元組成，通過一千萬億（1015）個神經(jīng)突觸連接在一起，每秒能夠執(zhí)行一億億次操作，但如此龐大的系統(tǒng)處理起日常任務(wù)的功耗只有20W。與此同時，一個兩歲的小孩，在任何角度、距離和光照條件下，都能毫無困難地從許多人中認(rèn)出他/她所熟悉的人，智慧程度遠(yuǎn)超現(xiàn)有任何計(jì)算系統(tǒng)。 所以，把芯片做成大腦，通過模仿生物大腦結(jié)構(gòu)，神經(jīng)形態(tài)芯片也確實(shí)擁有了能效比的特性。其獨(dú)有的事件觸發(fā)運(yùn)算機(jī)制，當(dāng)沒有動態(tài)信息生成時，不會觸發(fā)運(yùn)算行為。同時，它還善于做復(fù)雜的時空序列分析，雖然單個神經(jīng)元速率很低，但由于它和生物大腦的機(jī)制類似，可進(jìn)行大規(guī)模并行運(yùn)算，響應(yīng)速度會遠(yuǎn)遠(yuǎn)快于現(xiàn)有解決方案。 可以說，神經(jīng)形態(tài)芯片有潛力成為現(xiàn)在的救世主，解決行業(yè)面前的三大問題：一是數(shù)據(jù)量級大；二是數(shù)字形態(tài)日趨多元化，很多數(shù)據(jù)已不能依靠手動編輯輸入或人工處理解決，需要智能化處理；三是應(yīng)用對延時要求愈加強(qiáng)烈，傳統(tǒng)單一計(jì)算架構(gòu)會碰到性能和功耗的瓶頸。 另外，神經(jīng)形態(tài)芯片還契合了綠色計(jì)算的概念。算力成為電力之后又一經(jīng)濟(jì)指標(biāo)，耗能巨大的計(jì)算方式難挑大梁，能量優(yōu)化的方式才是破解問題的最優(yōu)解。據(jù)估算，數(shù)據(jù)中心每年會消耗約200太瓦時（TWh）的電力，這一數(shù)據(jù)已經(jīng)相當(dāng)于一些國家一年全國的耗電量。 大規(guī)模商業(yè)化怎么走 雖然神經(jīng)形態(tài)芯片處處都好，但它只在特定領(lǐng)域發(fā)揮特長，不會取代傳統(tǒng)計(jì)算平臺。CPU、GPU等傳統(tǒng)數(shù)字計(jì)算芯片擅長精確計(jì)算，而神經(jīng)形態(tài)芯片擅長非結(jié)構(gòu)化數(shù)據(jù)、圖像識別、嘈雜及不確定數(shù)據(jù)集分類、新型學(xué)習(xí)系統(tǒng)和推理系統(tǒng)等領(lǐng)域。 能顛覆特定領(lǐng)域計(jì)算的量子計(jì)算，其實(shí)也是同樣的邏輯，它也不能脫離現(xiàn)有計(jì)算系統(tǒng)。未來的先進(jìn)計(jì)算系統(tǒng)必然要求傳統(tǒng)數(shù)字芯片、神經(jīng)形態(tài)芯片和量子計(jì)算三者相互協(xié)同作戰(zhàn)。 目前來說，神經(jīng)形態(tài)芯片難設(shè)計(jì)、難制造，尚未形成規(guī)�；袌�。同時，業(yè)界一致認(rèn)可的結(jié)論是，投資在神經(jīng)形態(tài)芯片上面的錢，遠(yuǎn)遠(yuǎn)落后于人工智能或量子技術(shù)。 小小一顆芯片，蘊(yùn)含著半導(dǎo)體制造技術(shù)、腦科學(xué)、計(jì)算神經(jīng)科學(xué)、認(rèn)知科學(xué)、統(tǒng)計(jì)物理等學(xué)科知識，制造出這一顆芯片，要牽扯到物理學(xué)家、化學(xué)家、工程師、計(jì)算機(jī)科學(xué)家、生物學(xué)家和神經(jīng)科學(xué)家這些關(guān)鍵角色，讓如此眾多角色去做同一件事、說同一門語言，毫無疑問是有挑戰(zhàn)性的。 但其顛覆性的價(jià)值，引得全球加速商業(yè)化進(jìn)程。數(shù)據(jù)顯示，神經(jīng)形態(tài)芯片市場將由2021年的2274.3萬美元提升到2026年的5.5億美元，年復(fù)合增長率高達(dá)89.1%。另外，如果基本技術(shù)問題在未來幾年內(nèi)得到解決，那么到2035年，全球神經(jīng)形態(tài)芯片市場將占整體人工智能市場的18%，達(dá)到220億美元。 那么，想推進(jìn)大規(guī)模商業(yè)化，要解決什么問題？ 其一，設(shè)計(jì)問題：大腦在實(shí)時處理復(fù)雜信息的同時，只消耗極少的能量，如何更好地理解這種高效工作機(jī)制，并把這些機(jī)制用到芯片中去，很難。僅拿商業(yè)化路徑最近的數(shù)字CMOS型來說，多塊全數(shù)字異步設(shè)計(jì)的芯片互聯(lián)、芯片連接的有效性和時效性以及軟件層互連計(jì)算、分布式計(jì)算和靈活分區(qū)都是難于跨過的鴻溝； 其二，制造問題：利用硅基晶體管路線可以復(fù)用現(xiàn)有制造技術(shù)，而非硅基路線還要解決底層制程、制造良率以及支撐大規(guī)模生產(chǎn)等問題，就算問題都解決了，做出了實(shí)驗(yàn)芯片，還要繼續(xù)考慮產(chǎn)品化量級的穩(wěn)定供應(yīng)問題； 其三，軟件和生態(tài)問題：神經(jīng)形態(tài)芯片與現(xiàn)有架構(gòu)完全不同，而社區(qū)中不少開發(fā)者是在底層構(gòu)造自己的脈沖神經(jīng)網(wǎng)絡(luò)算法，并通過底層庫把軟件燒寫進(jìn)硬件做試驗(yàn)，這顯然不是規(guī)模化的方案。大規(guī)模商業(yè)化，軟件工具鏈就非常重要了； 其四，缺乏殺手級應(yīng)用：不論是機(jī)器人、自動駕駛還是工業(yè)大規(guī)模優(yōu)化，本身的邏輯應(yīng)該是以應(yīng)用驅(qū)動技術(shù)發(fā)展，在此基礎(chǔ)上再持續(xù)不斷建設(shè)生態(tài)系統(tǒng)。目前比較公認(rèn)的觀點(diǎn)是，神經(jīng)形態(tài)技術(shù)最先將在消費(fèi)電子、移動終端、工業(yè)物聯(lián)網(wǎng)找到應(yīng)用。 神經(jīng)形態(tài)芯片的玩家 全球范圍內(nèi)，參與神經(jīng)形態(tài)計(jì)算芯片開發(fā)的機(jī)構(gòu)主要包括三類：英特爾、IBM、高通等為代表的科技巨頭企業(yè)，斯坦福、清華為代表的高校/研究機(jī)構(gòu)以及初創(chuàng)企業(yè)。 神經(jīng)形態(tài)計(jì)算玩家不完全統(tǒng)計(jì)，圖源丨智東西 國外發(fā)展情況 國外在神經(jīng)形態(tài)芯片上的研究力度極大，不乏麻省理工學(xué)院、斯坦福大學(xué)、波士頓大學(xué)、曼徹斯特大學(xué)、海德堡大學(xué)等名校�？萍季揞^以英特爾、IBM、高通、三星為代表，初創(chuàng)企業(yè)包括BrainChip、aiCTX、Numenta、General Vision、Applied Brain Research、Brain Corporation等。 從研究和實(shí)施情況來看，英特爾和IBM的實(shí)驗(yàn)芯片最具代表性。 目前已知神經(jīng)形態(tài)芯片詳細(xì)參數(shù)對比，制表丨果殼硬科技 參考資料丨IEEE 英特爾的Loihi是全數(shù)字設(shè)計(jì)的神經(jīng)形態(tài)芯片。2017年，英特爾開發(fā)出第一款Loihi。2021年，英特爾在此基礎(chǔ)上推出第二代Loihi2，采用Intel 4制程工藝生產(chǎn)，單芯片神經(jīng)元數(shù)量達(dá)到100萬。 英特爾神經(jīng)形態(tài)芯片目前在感知領(lǐng)域應(yīng)用已取得很大進(jìn)展，包括手勢識別、視覺推理以及多達(dá)三千倍學(xué)習(xí)數(shù)據(jù)的氣味傳感。另外，英特爾還開發(fā)出了一臺將768顆Loihi芯片集成在5臺標(biāo)準(zhǔn)服務(wù)器大小的機(jī)箱中的Pohoiki Springs數(shù)據(jù)中心機(jī)架式系統(tǒng)。 為了讓神經(jīng)形態(tài)芯片更好用，英特爾還推出了名為Lava的開源軟件框架，它是一種無需使用專門硬件就可構(gòu)建應(yīng)用的軟件，能在傳統(tǒng)和神經(jīng)擬態(tài)處理器的異構(gòu)架構(gòu)上無縫運(yùn)行，并允許研究人員和應(yīng)用開發(fā)人員在彼此取得的成果上進(jìn)一步開發(fā)。 英特爾并不急于將神經(jīng)形態(tài)芯片商業(yè)化，與小公司維持特定應(yīng)用不同，英特爾是把它當(dāng)作一項(xiàng)通用技術(shù)，同時會以十億美元以上的水平看待所有商業(yè)機(jī)會。 英特爾Loihi和Loihi2簡介 TrueNorth則是IBM潛心研發(fā)將近10年的實(shí)驗(yàn)芯片，自從2008年起，美國DARPA計(jì)劃就開始資助這項(xiàng)計(jì)劃。2011年，IBM公司推出了第一代TrueNorth。 到2014年，IBM的第二代TrueNorth神經(jīng)元數(shù)量由256個增加到100萬個，可編程突觸數(shù)量由262144個增加到2.56億個，每秒可執(zhí)行460億次突觸運(yùn)算，總功耗為 70mW（每平方厘米功耗為20mW），整體體積僅為第一代類腦芯片的十五分之一。 值得一提的是，IBM在2019年還曾推出名為Blue Raven的神經(jīng)形態(tài)超級計(jì)算機(jī)，擁有6400萬神經(jīng)元和160億個突觸的處理能力，功耗僅為40W，相當(dāng)于一個家用燈泡。 國內(nèi)發(fā)展情況 國內(nèi)研究包括清華大學(xué)、浙江大學(xué)、復(fù)旦大學(xué)、中科院等頂級學(xué)府和機(jī)構(gòu)，同時近兩年不斷涌現(xiàn)初創(chuàng)公司，如靈汐科技、時識科技、中科神經(jīng)形態(tài)等。其中以清華大學(xué)的天機(jī)芯和浙江大學(xué)的達(dá)爾文芯片最具代表性。 國內(nèi)神經(jīng)形態(tài)芯片初創(chuàng)企業(yè)不完全統(tǒng)計(jì)，制表丨果殼硬科技 資料來源丨公司官網(wǎng)，《新經(jīng)濟(jì)導(dǎo)刊》，量子位 清華大學(xué)的神經(jīng)形態(tài)芯片是國內(nèi)最具代表性的實(shí)驗(yàn)芯片。2015年開發(fā)的第一代天機(jī)芯采用110nm工藝，當(dāng)時僅僅是一個小樣。2017年，第二代天機(jī)芯開始取得先進(jìn)成果，基于28nm工藝制成，由156個功能核心FCore組成，包含約4萬個神經(jīng)元和1000萬個突觸。相比第一代，密度提升20%，速度提高至少10倍，帶寬提高至少100倍。 為了讓神經(jīng)形態(tài)芯片更具實(shí)用性，清華大學(xué)還自主研發(fā)了軟件工具鏈，支持從深度學(xué)習(xí)框架到天機(jī)芯的自動映射和編譯。根據(jù)清華大學(xué)的計(jì)劃，下一代天機(jī)芯將是14nm或更先進(jìn)的工藝，且功能會強(qiáng)大更多。 國內(nèi)另一具有代表性的是，浙江大學(xué)聯(lián)合之江實(shí)驗(yàn)室共同研制的類腦計(jì)算機(jī)，其神經(jīng)元數(shù)量與小鼠大腦神經(jīng)元數(shù)量規(guī)模相當(dāng)。該計(jì)算機(jī)包含792顆達(dá)爾文2代芯片，支持1.2億個脈沖神經(jīng)元、720億個神經(jīng)突觸，如此龐大規(guī)模之下，典型運(yùn)行功耗僅為350W~500W。 事實(shí)上，國內(nèi)在神經(jīng)形態(tài)芯片領(lǐng)域的技術(shù)實(shí)力已處于全球領(lǐng)先水平，全球玩家都處在這一領(lǐng)域的起跑線上。 可以說，這是值得布局的一項(xiàng)技術(shù)。但它也是一塊難啃的骨頭，是材料、器件、工藝、架構(gòu)、算法缺一不可的龐大賽道，是一個摸黑走到底的領(lǐng)域，同時未來必然會遇到應(yīng)用場景和投入產(chǎn)出比問題。 不過，市場就是這樣，誰敢挑戰(zhàn)空白的領(lǐng)域，誰就能成為第一批拿到紅利的人。 |
