Vivienne Sze
这门名叫“硬件结构与深度学习”的新课程目前只有25人，和MIT其他的机器学习和人工智能课程相比，规模算是非常小了。但是与其他AI专业课不同的是，学生无需具备大量的基础知识，就能快速入门。他们只需花几周的时间了解算法设计，并熟悉计算机硬件设计，就能步入正题，即思考如何将这两个领域融合在一起，使其工作。
Sze说，这门课程的目的是告诉学生两个传统学科间的相互作用。她常问学生：“你怎么写算法，才能让硬件运行得更快？同时你该如何设计硬件，才能更好地支持算法？设计算法是一回事，将它们部署到现实中就是另一回事了，因为你必须考虑速度和能耗。”与Sze一起共事的Joel Emer说：“越来越多的学生开始对深度学习中的硬件感兴趣了。”Emer不仅是MIT电气工程与计算机科学系的教授，还是英伟达的一名资深研发科学家。
Sze与Emer
2016年，Sze和Emer的团队推出了一种新型高能效的神经网络优化芯片，能让更强大的AI系统在移动设备本地运行。这款名为“Eyeriss”的创新芯片也是助力物联网发展的重要推动力。
Emer说：“我已经在这个领域工作40多年了，从未见过其他领域有这么多令人兴奋的成果。通过构建重要的专业化架构来获得最初的影响，这种机会比以前任何时候都大。”
硬件是深度学习的核心
深度学习是神经网络的新名称，它是一种机器学习方法，计算机通过分析和训练，可以执行新任务。Emer说，如今深度学习的应用领域十分宽泛，例如图像识别、自动驾驶、医疗影像分析、安保监控、运输系统以及翻译。
但是，硬件在深度学习中的价值却常常被忽略。计算机科学家们用60多年的时间研发高效实用的神经网络，但是如果没有硬件来支持深度学习算法，也是没有用的。Emer说：“正是由于硬件的进步，许多人工智能的成就才得以实现。硬件是软件的基础。深度学习技术发展得十分迅速，将对硬件产生大量需求。所以这堂课上的学生未来有可能对硬件革命做出贡献。”
与此同时，像谷歌和微软这样的传统软件公司也注意到了这一点，它们将更多的资金投入到专门的硬件生产上，以加速深度学习的发展。Sze表示：“人们正在意识到高效的硬件对深度学习发展的重要性，因为深度学习最大的限制之一就是有限的计算量。”
新硬件结构
该专业的研究生Skanda Koppula是麻省理工SAE赛车电子车队的成员，对他来说，如何将硬件部署到实际工作中才是关键。
他说：“我们打算将这些想法应用到无人驾驶的学生方程式赛车的感知系统中。今后我还将攻读相关的博士学位。”
Valerie Sarge也是该专业的研究生，她即将开始与创造机器学习硬件相关的工作。她说：“深度学习是一个快速增长的领域，更好的硬件架构有可能能让研究人员更高效地训练网络。通过这门课，我具备了设计硬件架构所需要的技能。”
