如果有這樣一台伺服器……

2015年1月

計算機科學家SebastianThrun博士

對使用機器學習幫助醫學診斷產生興趣

2015年6月

Thrun博士的團隊測試機器從教材圖像的學習成果

在大約14,000張圖像中，

系統得到了72%的正確率

Thrun博士又將研究範圍擴大

結果在幾乎每一次測試中

機器都超過了人類

2016年6月

一名60歲女性由於身體不適

來到醫院就診

最初的診斷結果顯示

她患上了急髓白血病

但在經歷各種療法後

效果並不明顯

研究人員利用Watson系統來對此病人進行診斷

系統通過比對2000萬份癌症研究論文

在10分鐘得出了診斷結果

患者得了一種罕見白血病

2016年11月的一個晚上

一名54歲的女子

因為嚴重頭痛被送至急診室

她感覺視力模糊

左手麻木無力

醫生安排了CT檢查

但無濟於事

她身體的左側全部癱瘓

這是典型的中風

雖然中風的預兆能從CT上的些許暗示中發現

但對於人類醫生來說

要想發現這些暗示太難了

如果有這樣一台伺服器

它能夠將皮膚診斷圖像正確歸類

準確率超過人類

如果有這樣一台伺服器

它能夠通過對比20000份研究論文

得出正確的診斷結果

如果有這樣一台伺服器

它能夠讀懂CT照片

並能發現CT照片上的少許暗示

你是不是覺得不可思議

你是不是覺得這樣的伺服器

遙不可及

但其實，讓計算機能夠看病

最重要依靠的是

一項名為「深度學習」的技術

就像人的大腦通過神經網路進行學習

深度學習通過人造的「神經網路」來學習

人造的神經網路可以接受一種或多種輸入

並對輸入執行數學運算

產生可輸出的結果

神經網路可呈現為多層次神經元

這也是「深度」這個詞的由來

但通常

神經網路需要用大量樣本進行訓練

才能有很好的效果

醫學人工智慧亦是如此

需要輸入大量醫學病例數據到計算機

讓計算機學習其中的模式

當輸入新的病例時

計算機就能進行正確的判斷

而決定診斷結果是否正確的

除了演算法和數據之外

最重要的

就是伺服器

那麼

什麼樣的伺服器才能滿足

醫學AI的要求呢

這就要從深度學習的計算過程說起

深度神經網路計算大致流程

是這樣滴

數據調入

數據預處理

數據從內存拷貝的顯存，再計算

數據結果返回內存

數據保存

這就要求醫學AI伺服器

要有為AI時代創新的系統架構

更高性能的I/O，充分加速數據調入

更開放的數據一致性協議，加速CPU-GPU數據交換

更穩定商用AI模塊框架，簡化編程複雜性

要有更高性能的CPU

完成快速的數據預處理

更多的GPU

以及CPU與GPU之間

GPU與GPU之間

更高速的連接

提高數據在各個部件之間的傳輸速率

更高速的內存

加速數據結果返回內存

更高性能的硬碟

從而更快的存儲數據

那到底有沒有這樣的伺服器？

答案當然是肯定的

噹噹噹噹

那就是浪潮FP5295G2

它擁有

OpenCAPII/O加速插槽

CAPI 2.0 顯著降低IO開銷和延遲

充分滿足數據輸入速度要求

2顆POWER9

新一代高端處理器

足以應付任何複雜數據預處理

6 塊NVIDIA TelsaV100 GPU

NVLink提供節點內

高速連接CPU-GPU，GPU-GPU

PCIe4.0+ IB提供跨節點高速連接

大幅提升數據傳輸效率

1TB內存容量

306GB/sec內存帶寬

能夠迅速將數據結果放回內存

2塊2.5寸SATA HDD/SSD硬碟

或PCIeNVMe SSD

可以更快的保存數據

除此之外

FP5295G2還有

IBM PowerAI加持

因此

與測試的x86系統相比

AI模型培訓效率提升3.8倍

如此出色的AI伺服器

怎能不受醫學行業喜愛？

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！