新闻中心

EEPW首页 > 智能计算 > 业界动态 > 将门沈强:智能芯片是人工智能算力创新的基石

将门沈强:智能芯片是人工智能算力创新的基石

作者:时间:2017-09-25来源:集微网收藏

  “今天是一个半导体行业的盛会,正好将的软件要素、硬件要素交融在一起。”将门CTO、将门创投创始合伙人沈强在集微半导体峰会上从算法、算力和数据的角度谈了的不同创新模式。

本文引用地址:http://www.eepw.com.cn/article/201709/364721.htm

  2017年9月15日,由集微网、手机中国联盟主办,厦门半导体投资集团公司承办的“集微半导体峰会”在厦门海沧举行。此次峰会以“‘芯’联产业,积微成著 ”为主题,同期举办的论坛专场,来自将门创投、码隆科技、伟景智能、悦享趋势科技和元鼎音讯的企业高层、人工智能产业界的优秀人才等围绕当前热点话题、核心技术以及大家共同关注的市场动向,重塑热点话题,解析趋势变化,洞悉行业变革。

  沈强作为此次人工智能论坛的主持,开场介绍将门这家专注于发掘、加速及投资技术驱动型创业公司的创业服务和投资机构,其旗下还设有将门企业用户对接、将门技术社群以及将门投资基金。

  据悉,将门投资基金专注于投资通过技术创新激活商业场景,实现商业价值的初创企业。关注领域包括机器智能、、自然人机交互、企业计算。在一年时间里,将门投资基金已经投资了包括量化派、码隆科技、伟景智能、禾赛科技等超过10家具有高成长潜力的技术型创业公司。

  据沈强介绍,将门聚焦在“MINE”四个主要领域,其中M是机器智能,I是相关,从通讯、传感器、数据处理、物联网应用。N是自然人机交互,E网是企业计算,包括云计算,企业应用,信息安全等。

  Gartner数据显示,未来两年到三年的时间内,人工智能将会进入一个泛应用的时间点。沈强进一步指出,从人工智能的技术成熟度的曲线来看,现在这个时间点刚刚好。目前,人工智能主要是数据驱动型的方式,深度学习在里面起了很关键的作用。然而,从创新角度来讲,可以从人工智能的三要素,算法、算力和数据三个角度出发,寻找合适的应用场景落地,再将其转化成商业价值。场景的创新等于商业价值的创新,算力的创新可以理解为硬件创新,算法的创新理解为软件创新,结合起来从是软硬结合的方式共创人工智能的新精彩。

  从创新场景来看,除了规模宏大的交通、运输等方面,人工智能的商业价值无处不在,需要我们去深挖。沈强通过一个消费实例来告诉现场的嘉宾,即使一个微小的应用场景,当结合上人工智能的时候,便能够激活一个创新的场景,实现商业价值。他讲道,有一段时间经常在外面出差,家里的猫无人照料,便选用了一款自动喂猫的机器,每天定时喂养家里的猫,这是一个极其细分极其细小的市场。在使用过程中遇到一些问题,便联系到做宠物喂养、自动喂食器公司的老总聊了一下,询问未来在这一领域想做的创新,发现其实跟人工智能有很大的关系。在喂食器上面添加一个摄像头,既可以给主人做远程监控使用,还能够做猫脸识别,为不同年龄阶段的猫、不同健康状况的猫做个性化的喂养服务。“这对我来说是一个教育,如此微小的市场,通过与人工智能的结合便能够激活一个创新的应用场景。”

  从算法来看,人工智能的发展离不开深度学习模型,而深度神经网络更是其中最重要的一部分。过去十几年来,从2012年DiagonalLineNode开始,神经网络的结构一直在持续的发展中。2015年其实是一个关键节点,微软研究院提出的深度高达152层的神经网络,视觉计算组的系统错误率已经低至3.57%,首次实现了对人类视觉能力的突破,这意味着在商业可行性上,它可以在某些特定场景下取代人发挥作用。神经网络的层数逐渐增多,由此带来了巨大问题,软件方面的改进对硬件也提出了需求。如此复杂的网络,无论在服务器端还是设备端,都对其计算能力提出了更高的要求,如此才能够让高精度的识别能力重现。

  一直以来,深度学习的算法都用来处理图像、识别声音,集中在识别图片中的一只猫或者一个只狗,再进一步分类+定位,标注出其在图中的区域和位置。随着深度学习算法与自然语言的 结合处理,可以用于对象的检测,把多只猫、多只狗、多个人分开,进一步做实际分割,逐步应用在安防、机器人应用。沈强表示,其实在固体识别的检测方面,过去用R-CNN算法可以达到53.3%,而现在用FasterR-CNN可以达到83.8%。从图像分割延伸至视频处理,目前越来越多的深度学习算法可以很好的做视频分割操作,以识别出视频中哪一帧哪一个像素属于哪一个对象,可以用于人脸识别、刷脸识别等应用。

  深度学习的发展方向就是算法的创新,沈强指出从监督学习到半监督学习/无监督学习的演化过程,从依赖于大数据到只需要小数据,One-Shot Learning。我们知道,监督学习是依赖于标签过的数据,今天我们讲说那些人脸识别精度达到多少,以及我们在ImageNet里面,这个红线上展示的都是标签过的数据,它使我们了解到从数据挖掘智能、挖掘知识的年代。但站在我们的角度来看,这并不应该成为固守的一个方向。为什么呢?大量的数据都未标签过,这都是成本,而成本将阻碍进一步创新,拥有数据的大型企业在人工智能的发展过程中会占据有利地势,我们怎么样让那些创新的想法更快的涌现出来呢?

  如果说人工智能的下一步是算法,能够不依赖于大量数据或者不依赖于标签过的数据,可以用广泛的无标签的这些数据,这将大大降低我们数据处理的成本,本质上使人工智能变得更加民主,无论大企业或小企业都能自主的参与到这一竞争中。为什么ImageNet今年之后将成为绝唱?沈强表示,因为他们的组织者认为在标签法数据的学习上面已经获得一定成绩,如果再往下做探索的话,会比现阶段更有意义的途径。我们要相对成熟的看问题,往前跳一步去解决那些无标签的数据,WebVISION竞赛就应运而生,它取代了ImageNet的竞赛,其主要特点便是采用的数据都是无人工标注的。可喜的是无论ImageNet或是WebVISION,中国参赛者都获得了世界领先的成绩,其中码隆科技便在WebVISION获得第一名的傲人成绩。

  当深度无监督的学习被应用起来时,通过不同的算法计算出不同的内容,根据条件生成的自动网络,或是对抗式的神经网络。我们不必在意两种算法的区别,因为都会指出一条道路,人工智能不仅可以用于认知事情,还可以创新更有意义的内容。从波音公司利用对抗式神经网络设计机翼,利用算法以解决生活中的具体问题;从视频预测利用对抗式神经网络观察未来发展,预测危险的可能性,预防更多危险的情况发生;Deepmind通过算法的创新强化学习的创新,以寻找规律、建立模型,这种通用人工智能的创新对半导体产业的发展非常有意义。“算法的创新提供无限的可能性,这将为未来更多的应用场景落地提供枪支弹药。”沈强补充道。

  在算力方面,智能芯片是人工智能的基石,机器学习很大程度上依赖于一个强大计算的基础设施。沈强指出,深度学习的计算量太大,目前有两种类型的计算,基于训练或基于推理的。训练可以让系统学习数据、获得模式,而推理是以训练好的模型或意境学到的知识,去应用判断未来的过程。这也是为什么Nvidia股票去年涨了四倍,巨大的计算量催生对更高速的计算架构的需求。包括微软、亚马逊等公司都已开始构建相应的云服务,华为与寒武纪在麒麟970在终端上的合作,提供深度计算加速的设施,英特尔耗费100多亿美元去购买人工智能的企业,实际上就是其背后所提供的计算架构更适合人工智能对算力的需求。

  从CPU、到GPU、FPGA深知专用电路应用于不同的场景,我们可以看到演进还在持续不断的发生,适合于不同的应用场景下面,甚至于最夸张的,像Google Brain项目利用超并行的方法,在一个芯片上有16000多个核,16个芯片作为一个组,再装载到机器里面,所以它一台服务器里面有256万个内核。沈强表示,类似这样的创新,包括GoogleTPU的创新,我们在行业里面也看到很多不停的涌现出来,包括专门做视觉的,也有一些不是通用的,而是做一些专用领域的。从苹果iPhone X,这个每秒6500亿次计算的小的超小型计算机,到华为Mate 10,这一高达1.92万亿次的计算能力的计算机,未来要处理的场景还需要无数的模型加载,需要更多深层设施,有不同的神经网络在里面,以满足各种各样的应用场景对巨大计算量的需求。

  最后沈强总结道,从场景创新、软件创新和硬件创新,越来越多的创新技术出现,人工智能逐步走入包括消费电子、健康、金融、零售等的各行各业。人工智能正渗透到行业,成为重塑每一个行业的关键力量。如何将创新技术转换成商业价值,人工智能的业务价值将从2B、2C的方面体现出现,无论哪一层的实现都离不开软硬的结合。无论是安防、无人机、甚至未来数万亿市场的自动驾驶,以及由亚马逊Echo所引领的智能语音交互,都需要硬件上的感知执行系统,软件上优异的用户服务体现,背后更需要先进的人工智能技术、相应的算法和基础设置,正是需要技术的相互结合,为人工智能行业和半导体行业的结合提供很好的合作契机。



关键词: 人工智能 物联网

评论


相关推荐

技术专区

关闭