要知道，像 Siri、 Google Now 和微软 Cortana 这些数字助手并不只是运行在手机上。它们运行在计算中心数以千计的机器里，而随着全球越来越多的人使用这些服务，普通机器已经无法满足运行它们的要求了。因为这会占据太多空间，消耗太多能源。我们需要高效得多的硬件来做这件事。

　　通过 Sirius 这一开源项目，马尔斯及其同事们（包括一位名为 Yunqi Zhang 的密歇根博士生）就能展示像 Siri 这样的工具如何在数据中心里运行，并最终识别出最适合运行语音服务的硬件。这样的硬件也能用在其他重塑互联网的人工智能工具上，如人脸识别、无人驾驶汽车。

　　让谷歌搜索相形见绌

　　在测试 Sirius 时，玛尔斯已经证明，用传统硬件运行 Sirius 需要的设备数量、空间和能源是谷歌搜索等基于文本的搜索引擎的 168 倍。考虑到语音识别不仅是移动手机也是可穿戴设备的未来，这根本不切实际。玛尔斯表示：“我们将遇到瓶颈。”数据中心不仅占据空间，需要海量资金来建设，还会消耗海量能源。

　　问题是：用什么硬件来取代传统机器？

　　这不仅会影响到苹果、谷歌、微软以及众多应用开发商，还会影响到销售数据中心硬件的公司，乃至英特尔和 AMD 等知名芯片制造商。AMD 首席技术官 Mark Papermaster 表示：“这对于我们的未来意义重大。”

　　这也是玛尔斯开展 Sirius 项目的原因。苹果、谷歌和微软知道这一新兴服务如何运行，但世界上其他人不知道，而他们又需要知道。

　　并行宇宙

　　从谷歌的网络搜索服务到 Facebook 的社交网络等大部分网络服务都运行在英特尔、AMD 的服务器芯片上（主要是英特尔）。问题是：这些中央处理器并不怎么适合运行 Siri 等语音识别服务，因为语音识别服务需要同时进行非常多的小规模计算。

　　正如谷歌、微软、百度等公司所说的，这些计算在最初用于处理复杂数字图像的图形处理（GPU）芯片以及用于特定任务的可编程门阵列（FPGA）芯片上进行效果更好。谷歌已经在 Google Now 中使用 GPU 来驱动类似于人脑的“神经网络”，微软则在用 FPGA 驱动必应搜索引擎的部分功能。

　　虽然必应并不处理语音，但 GPU、FPGA 能提高所有需要快速完成的网络服务的效能，主要是因为它们无需消耗太多能源，也不占据太多空间。

　　基本上，如果采用 GPU 和 FPGA，人们就能在一台机器上安装更多芯片。尽管单个 GPU 或 FPGA 芯片不像 CPU 一样强大，但却将更大的计算分成小块计算任务，然后分配给这些 GPU 或 FPGA 芯片处理。这在语音识别等应用上尤其吸引人，并行计算就是为它们而生。Papermaster 表示：“许多新兴服务要求非常快地对海量信息进行筛选。由于这些任务的重复性，可以通过 GPU 或 FPGA 来加速完成。”

　　GPU 现在不仅是语音识别的必然之选，也是其他基于神经网络的服务的选择。这些“深度学习”工具涉及人脸识别、精准广告等服务，最终它们还将帮助驱动无人驾驶汽车和机器人。负责谷歌大部分深度学习工作的 Jeff Dean 表示，谷歌现在在混合使用 GPU 和 CPU，以运行驱动着约 50 种谷歌网络服务的神经网络。

　　不过微软也证明，FPGA 可以成为另一种选择。通过开源数字助手 Sirius，杰森·玛尔斯要寻找最适合未来互联网服务的现代数据中心架构。

　　不限于苹果和谷歌

　　目前答案依然不明朗。但通过 Sirius，玛尔斯至少证明了 GPU 和 FPGA 是比 CPU 更好的选择。玛尔斯表示：“未来的数据中心设计必然要包括 GPU 或 FPGA。这至少能带来一个数量级的提升。”

　　他表示，人们可以通过编程让 FPGA 做任何事情，FPGA 的效率要比 GPU 高得多（根据密歇根大学的测试，FPGA 的性能是 CPU 的 16 倍，GPU 约为 10 倍）。但它们需要更多的设计工作。谷歌、苹果和微软等公司必须招聘能给它们编程的工程师。

　　GPU 也需要一些额外工作。在使用 FPGA 时，工程师必须对软件进行定制，以适应这些芯片。但工程师无需对芯片进行编码。基于这一原因，GPU 要更为可行，尤其是考虑到语音识别工具最终将不再局限于苹果、谷歌和微软，还会进入不大愿意雇佣芯片工程师的公司中。

　　玛尔斯说道：“Siri、Cortana 和 Google Now 以及实时进行数据分析和处理视频的先进应用就是技术的发展方向，也是行业的发展方向。”