人工智能包含硬件吗？
人工智能适合领域，当然包含所需的硬件，但是AI需要的硬件其实并不特定人工智能使用，因为不一定是ASIC。
现在有多种方式来实现AI，比如传统的GPU，适合定制化的FPGA，以及专门为AI打造法ASIC。
软件本身可以优化，但是硬件层面的优化却能够达到软件无法比拟的程度。
人工智能需要多少电力？
语言文本生成人工智能工具在训练期间消耗了约433兆瓦时（MWH）的电力，足以为40个普通美国家庭供电一年。而且人工智能的能源足迹还不止于训练过程。
De Vries的分析表明，每当该工具生成文本或图像时，它也会使用大量的计算能力和能源。例如，ChatGPT每天运行可能需要564兆瓦时的电力。 虽然，世界各地的公司都在努力提高人工智能硬件和软件的效率，以降低这种工具消耗的能源，但作者表示，机器效率的提高往往会增加需求。
最终，技术进步将导致资源使用的净增加，这种现象被称为杰文斯悖论。
人工智能跟计算机电子信息哪个更相关？
人工智能属于计算机专业，芯片设计开发属于电子信息专业，可以这么说。但二者也有互相关联及支持的地方。
人工智能主要是基于神经网络型的软件工程的算法实现和智能化的穿戴设备，还有物联网中物与物互联的智能控制，其中有软件的编程，机器视觉的算法，但里面也离不开芯片，传感器电子硬件技术。
芯片设计大多是基于逻辑电路，自顶向下的设计思想，这里面也有软件程序及逻辑实现的逻辑编程语言。
人工智能产业链？
可以将人工智能产业链分为三个层面：
1、硬件层
第一层面是硬件层，涵盖人工智能的硬件和基础设施，如AI芯片、传感器、服务器等。
人工智能硬件厂商，是AI产业第一轮发展的受益者。国外著名的企业如英伟达、AMD等。国内也有很多做人工智能芯片研发的企业，坦白讲其实未来还很难预测，我甚至认为做这种专业领域的研发，还不如像FPGA，就是专门为某个领域做人工智能的方案，那个机会还大一点。做人工智能现在类脑计算芯片、人工智能计算芯片，相对通用性强一点，这种其实压力比较大。
为什么呢？因为人工智能芯片是需要构筑生态的，这个领域的领军企业是英伟达。英伟达有几千个工程师，去帮它的芯片做各种应用的场景开发，或者是应用的支持。也就是说基于英伟达的芯片做应用的时候，你会感觉到英伟达的生态是非常健全的。所以说硬件企业要胜出，不光是要硬件性能好，更主要的是生态构建能力。
产业链基本分为基础层、技术层、应用层三个层面，基础层包括AI芯片、云计算、传感器、数据类服务、生物识别等技术；技术层包括机器学习、计算机视觉、算法理论、智能语音、自然语言处理；应用层包括机器人、智能医疗、智慧交通、智慧金融、智能家居、智慧教育、可穿戴设备、安防等方面。
为什么人工智能的研究都是基于算法，而不是基于“硬件”？
从硬件仿生和物理层面的人工智能研究也是有的，比如脉冲神经网络和忆阻器……
从目前的对比数据来看，类似脉冲神经网络的成果并没有展现在特定AI任务的性能上超越性的优势，所以暂时看来关注度还比较低。
首先，问题就有问题，人工智能的研究既基于算法，又需要硬件。
NVIDIA每年更新显卡都不只是更新gtx 680、gtx780…gtx1080这些游戏显卡。如果你对人工智能、支持向量机、卷积神经网络等有了解，那你应该知道每次NVIDIA发布新卡都会有丽台的卡，价格比游戏显卡昂贵，从丽台 p100到p4000到现在的丽台GV100。每一次更新其计算能力都发生了飞跃。
那么问题来了，为啥研究人工智能就研究算法而不做硬件？其实这两方面都有人做，各司其职，做算法的人研究如何运用卷积神经网络进行识别，面对爆炸的信息量如何最大化榨取处理器的计算能力。而做硬件的行业操心如何能让其核心拥有更强大的计算单元，更低的功耗。
现在人工智能面临的问题，不是快和慢，而是有些事情做不到。根据现有的计算理论：即使把神经元近似的实现为一些计算芯片，即使用CMOS的方式搭出一个神经网络，它的计算能力和用软件写出来的卷积神经网络并没有本质的区别。
目前人工智能发展的困难不在于是否用硬件实现，而在于算法。
举个不恰当的例子，要想让马儿跑，得先让马儿走起来再说，现在马儿连站都站不起来，谈何马儿跑。
关于详细的如何选择，选择哪方面的研究，以及国内外领先的的课题组和相应的研究，我想，这个论文调研需要自己动手做才更深刻。我的导师常跟我说：“授人以鱼不如授人以渔”。希望你能学到点什么。
到此，以上就是小编对于人工智能跟硬件有关吗的问题就介绍到这了，希望介绍关于人工智能跟硬件有关吗的5点解答对大家有用。
