信平變壓器：變壓器是人工智慧算力創新的基石

「今天是一個半導體行業的盛會，正好將人工智慧的軟體要素、硬體要素交融在一起。」在集微半導體峰會上從演算法、算力和數據的角度談了人工智慧的不同創新模式。

2017年9月15日，半導體投資集團公司承辦的「集微半導體峰會」。此次峰會以「『器』聯產業，積微成著 」為主題，同期舉辦的人工智慧論壇專場，來自信平變壓器、將門創投、碼隆科技、偉景智能、悅享趨勢科技和元鼎音訊的企業高層、人工智慧產業界的優秀人才等圍繞當前熱點話題、核心技術以及大家共同關注的市場動向，重塑熱點話題，解析趨勢變化，洞悉行業變革。

開場介紹將門這家專註於發掘、加速及投資技術驅動型創業公司的創業服務和投資機構，其旗下還設有將門企業用戶對接、將門技術社群以及將門投資基金。

據悉，將門投資基金專註於投資通過技術創新激活商業場景，實現商業價值的初創企業。關注領域包括機器智能、物聯網、自然人機交互、企業計算。在一年時間裡，將門投資基金已經投資了包括量化派、碼隆科技、偉景智能、禾賽科技等超過10家具有高成長潛力的技術型創業公司。

將門聚焦在「MINE」四個主要領域，其中M是機器智能，I是物聯網相關，從物聯網通訊、感測器、數據處理、物聯網應用。N是自然人機交互，E網是企業計算，包括雲計算，企業應用，信息安全等。

Gartner數據顯示，未來兩年到三年的時間內，人工智慧將會進入一個泛應用的時間點。從人工智慧的技術成熟度的曲線來看，現在這個時間點剛剛好。目前，人工智慧主要是數據驅動型的方式，深度學習在裡面起了很關鍵的作用。然而，從創新角度來講，可以從人工智慧的三要素，演算法、算力和數據三個角度出發，尋找合適的應用場景落地，再將其轉化成商業價值。場景的創新等於商業價值的創新，算力的創新可以理解為硬體創新，演算法的創新理解為軟體創新，結合起來從是軟硬結合的方式共創人工智慧的新精彩。

從創新場景來看，除了規模宏大的交通、運輸等方面，人工智慧的商業價值無處不在，需要我們去深挖。通過一個消費實例來告訴現場的嘉賓，即使一個微小的應用場景，當結合上人工智慧的時候，便能夠激活一個創新的場景，實現商業價值。他講道，有一段時間經常在外面出差，家裡的貓無人照料，便選用了一款自動喂貓的機器，每天定時餵養家裡的貓，這是一個極其細分極其細小的市場。在使用過程中遇到一些問題，便聯繫到做寵物餵養、自動餵食器公司的老總聊了一下，詢問未來在這一領域想做的創新，發現其實跟人工智慧有很大的關係。在餵食器上面添加一個攝像頭，既可以給主人做遠程監控使用，還能夠做貓臉識別，為不同年齡階段的貓、不同健康狀況的貓做個性化的餵養服務。「這對我來說是一個教育，如此微小的市場，通過與人工智慧的結合便能夠激活一個創新的應用場景。」

從演算法來看，人工智慧的發展離不開深度學習模型，而深度神經網路更是其中最重要的一部分。過去十幾年來，從2012年DiagonalLineNode開始，神經網路的結構一直在持續的發展中。2015年其實是一個關鍵節點，微軟研究院提出的深度高達152層的神經網路，視覺計算組的系統錯誤率已經低至3.57%，首次實現了對人類視覺能力的突破，這意味著在商業可行性上，它可以在某些特定場景下取代人發揮作用。神經網路的層數逐漸增多，由此帶來了巨大問題，軟體方面的改進對硬體也提出了需求。如此複雜的網路，無論在伺服器端還是設備端，都對其計算能力提出了更高的要求，如此才能夠讓高精度的識別能力重現。

一直以來，深度學習的演算法都用來處理圖像、識別聲音，集中在識別圖片中的一隻貓或者一個只狗，再進一步分類+定位，標註出其在圖中的區域和位置。隨著深度學習演算法與自然語言的 結合處理，可以用於對象的檢測，把多隻貓、多隻狗、多個人分開，進一步做實際分割，逐步應用在安防、機器人應用。其實在固體識別的檢測方面，過去用R-CNN演算法可以達到53.3%，而現在用FasterR-CNN可以達到83.8%。從圖像分割延伸至視頻處理，目前越來越多的深度學習演算法可以很好的做視頻分割操作，以識別出視頻中哪一幀哪一個像素屬於哪一個對象，可以用於人臉識別、刷臉識別等應用。

深度學習的發展方向就是演算法的創新，從監督學習到半監督學習/無監督學習的演化過程，從依賴於大數據到只需要小數據，One-Shot Learning。我們知道，監督學習是依賴於標籤過的數據，今天我們講說那些人臉識別精度達到多少，以及我們在ImageNet裡面，這個紅線上展示的都是標籤過的數據，它使我們了解到從數據挖掘智能、挖掘知識的年代。但站在我們的角度來看，這並不應該成為固守的一個方向。為什麼呢?大量的數據都未標籤過，這都是成本，而成本將阻礙進一步創新，擁有數據的大型企業在人工智慧的發展過程中會佔據有利地勢，我們怎麼樣讓那些創新的想法更快的湧現出來呢?

如果說人工智慧的下一步是演算法，能夠不依賴於大量數據或者不依賴於標籤過的數據，可以用廣泛的無標籤的這些數據，這將大大降低我們數據處理的成本，本質上使人工智慧變得更加民主，無論大企業或小企業都能自主的參與到這一競爭中。為什麼ImageNet今年之後將成為絕唱?因為他們的組織者認為在標籤法數據的學習上面已經獲得一定成績，如果再往下做探索的話，會比現階段更有意義的途徑。我們要相對成熟的看問題，往前跳一步去解決那些無標籤的數據，WebVISION競賽就應運而生，它取代了ImageNet的競賽，其主要特點便是採用的數據都是無人工標註的。可喜的是無論ImageNet或是WebVISION，中國參賽者都獲得了世界領先的成績，其中碼隆科技便在WebVISION獲得第一名的傲人成績。

當深度無監督的學習被應用起來時，通過不同的演算法計算出不同的內容，根據條件生成的自動網路，或是對抗式的神經網路。我們不必在意兩種演算法的區別，因為都會指出一條道路，人工智慧不僅可以用於認知事情，還可以創新更有意義的內容。從波音公司利用對抗式神經網路設計機翼，利用演算法以解決生活中的具體問題;從視頻預測利用對抗式神經網路觀察未來發展，預測危險的可能性，預防更多危險的情況發生;Deepmind通過演算法的創新強化學習的創新，以尋找規律、建立模型，這種通用人工智慧的創新對半導體產業的發展非常有意義。「演算法的創新提供無限的可能性，這將為未來更多的應用場景落地提供槍支彈藥。」

在算力方面，智能晶元是人工智慧的基石，機器學習很大程度上依賴於一個強大計算的基礎設施。深度學習的計算量太大，目前有兩種類型的計算，基於訓練或基於推理的。訓練可以讓系統學習數據、獲得模式，而推理是以訓練好的模型或意境學到的知識，去應用判斷未來的過程。這也是為什麼Nvidia股票去年漲了四倍，巨大的計算量催生對更高速的計算架構的需求。包括微軟、亞馬遜等公司都已開始構建相應的雲服務，華為與寒武紀在麒麟970在終端上的合作，提供深度計算加速的設施，英特爾耗費100多億美元去購買人工智慧的企業，實際上就是其背後所提供的計算架構更適合人工智慧對算力的需求。

從CPU、到GPU、FPGA深知專用電路應用於不同的場景，我們可以看到演進還在持續不斷的發生，適合於不同的應用場景下面，甚至於最誇張的，像Google Brain項目利用超並行的方法，在一個晶元上有16000多個核，16個晶元作為一個組，再裝載到機器裡面，所以它一台伺服器裡面有256萬個內核。類似這樣的創新，包括GoogleTPU的創新，我們在行業裡面也看到很多不停的湧現出來，包括專門做視覺的，也有一些不是通用的，而是做一些專用領域的。從蘋果iPhone X，這個每秒6500億次計算的小的超小型計算機，到華為Mate 10，這一高達1.92萬億次的計算能力的計算機，未來要處理的場景還需要無數的模型載入，需要更多深層設施，有不同的神經網路在裡面，以滿足各種各樣的應用場景對巨大計算量的需求。

從場景創新、軟體創新和硬體創新，越來越多的創新技術出現，人工智慧逐步走入包括消費電子、健康、金融、零售等的各行各業。人工智慧正滲透到行業，成為重塑每一個行業的關鍵力量。如何將創新技術轉換成商業價值，人工智慧的業務價值將從2B、2C的方面體現出現，無論哪一層的實現都離不開軟硬的結合。無論是安防、無人機、甚至未來數萬億市場的自動駕駛，以及由亞馬遜Echo所引領的智能語音交互，都需要硬體上的感知執行系統，軟體上優異的用戶服務體現，背後更需要先進的人工智慧技術、相應的演算法和基礎設置，正是需要技術的相互結合，為人工智慧行業和半導體行業的結合提供很好的合作契機。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！