AI落地是大家一直在探讨的问题,因为不管技术多华丽,最终能否应用在人们的日常生活中,才是关键。那么距离AI渗透生活的那">
永利-永利皇宫
做最好的网站
AI应用的最后一里路
分类:关于我们

原标题:荐读 | AI应用的最后一里路

图片 1

style="font-size: 16px;">AI落地是大家一直在探讨的问题,因为不管技术多华丽,最终能否应用在人们的日常生活中,才是关键。那么距离AI渗透生活的那天,还有多远呢?这当中还有什么关键拼图待补?

随着Google旗下DeepMind所研发的人工智能(AI)系统AlphaGo所带起的一波人工智能热潮,台湾没有错过。

台湾科技部长陈良基将2017年订为台湾的「人工智慧元年」(小编注:台湾称人工智能作人工智能,),从建立「人工智能高速运算服务」、在台大、清大、交大、成大设立「AI创新研究中心」、打造中科与南科的「智能机器人自造者基地」,到AI计画的最后一块拼图「半导体射月计画」,都是希望强化台湾半导体产业于人工边缘智能(AI Edge Intelligence)的核心技术竞争力和在前瞻半导体制程与人工智能晶片系统研发。

曾经走红的万物联网让科技产业认为,这就是未来的智能样貌,直到AlphaGo击败世界棋王,科技圈才发现人工智能所带来的「智能服务」,才是真正赋予了万物联网的背后价值。

边缘智能,AI应用的最后一里路

事实上,许多具有传感器的装置早就存在我们的生活里,如摄影机、相机、喇叭与麦克风等也在过去10年左右,数位化连上网路。但连结网路摄影机与网路连接储存装置(NAS)所组成的数位监视系统相较于过去闭路式、类比讯号的监视装置,除了储存资料数位化之外,在本质上并没有太大的不同,一样需要人监看、回放,并判断实际现场状况。但当人工智能应用普及,影像辨识、语音辨识转成文字不再遥不可及,网路摄影机或现场麦克风所传回的资料都可即时透过自动辨识,判断画面中的物体,加上搜集人脸资讯及现场收音,AI都足以自动综合解读更多现场状况,让安防业者不再需要配置人力长时间全神贯注监看,仅须排除异常状态。

监视系统配上人工智能应用,仿佛在机器中加上了灵魂,如果可透过人工智能学习不同辨识内容组合的场景意义,并对应相应的处理机制,就赋予数位监视系统协助安防控制,真正达成智能化。

然而,要能够让摄影机进行影像辨识,除了可以将影像透过即时传输回主机上再进行计算判读外,也可以想办法透过摄影机上的处理器,直接计算进行辨识。前者需要占用大量网路传输资源,也有延迟时间的限制,但如果可以在摄影机里加上适当设计、可节省电力的处理器与作业系统,直接现场计算辨识,不但可以省却传输成本,也能减少辨识结果的延迟时间,加快即时反应。「边缘智能」就是指「在最终端装置上的处理器与全套作业系统」,也可说是人工智能落实到真实生活未来应用的最后一哩路。

从训练到推论,晶片是最后一块拼图

然而对企业来说,深度神经网络1(Deep Neural Networks,DNNs)所带起的人工智能浪潮,就如同遥远的国度发生了大海啸,要把如今相对成熟的图像辨识、语音辨识或文本翻译,放进真实环境做商业应用仍还有一段距离。

由于深度学习2的演算法与相关应用仍在快速演进中,无论是智能城市、智能零售、智能音箱或无人车等实际的应用场景,仍在大量搜集数据,让深度学习演算法学习辨别这些资料特征与模式的阶段,这个系统过程称为训练(Training),让电脑尝试从我们所搜集的资料来学习。

图片 2

训练的过程需要极大的运算量,以图像辨识为例,要训练电脑模型认识一种特定物体,例如花朵或猫咪,可能需要至少千张、多则超过百万张各种不同角度、不同场景、不同光线下所拍摄的照片,因此这样的运算往往在云端或资料中心进行。

如果要求同样一个模型要能够辨识各种不同品种的猫,除了需要更大数量的照片,更需要人工对这些照片中的猫咪品种先进行分类标注,再交给深度学习相关的演算法进行训练,才能得到最终可应用的模型。

训练是整个人工智能应用里,最耗计算资源的工作步骤,所以通常都会透过绘图处理器(GPU)所特别擅长的平行运算来进行加速。尤其是现在最热门、常超过百层、复杂度极高的深度神经网络,都会希望使用特殊可针对大型矩阵运算做平行处理的特殊计算晶片,来加速训练过程。然而,人工智能的真实应用往往发生在终端,无论是图像、影像、语音辨识或文本翻译,透过深度学习所训练出来的模型如果放在云端,意味着每次应用发生时,终端首先要传输图片、影像、语音或文本,等云端判读后再将结果回传。就算网路频宽再大、速度再快,这段传输与回传过程都须占用资源、并造成反应时间延迟。

所以,能够在终端接收实体资料,并快速预测回应的过程称为推论(Inference)。对推论来说,在终端应用上减除那些对预测不必要的模型,或是合并对结果无足轻重的运算,来缩小计算规模非常重要。就算推论相对不消耗运算资源,但多数推论应用仍须特殊计算晶片加速来缩短反应时间,也就是说,若终端要能进行推论,每一台装置上都将以晶片来加强能力。

图片 3

陈美如/制作

中西巨头投入AI晶片开发,郭台铭也要做

今年1月,新创数据平台CrunchBase所推出的2018年AI市场报告指出,亚马逊、Google与微软等网路公司已经主宰了企业AI这个市场,三巨头分别推出的人工智能即服务(AI as a Service ),已经让机器学习的新创难以独立生存。企业AI需要资料中心级的大规模投资,提升每单位电力所能换来的计算量,用更小的空间就能带来更多的计算,这是云端服务商所追求的市场,也给了Google等科技巨头除了GPU与CPU之外,开发专为资料中心进行深度学习加速晶片的好理由。

在Google以TPU这类特殊应用逻辑晶片(ASIC)提高人工智能应用训练能力的同时,云服务业者也期望将推论应用门槛降低,让推论能力渗透到更多终端应用,如此也可以回过头来进一步拉高训练需求。这也是为什么除了云端服务巨头们如Facebook、苹果,甚至中国的百度、阿里巴巴都纷纷宣布要发展自己的AI晶片,连鸿海董事长郭台铭都喊出:「半导体我们自己一定会做。」

无论是训练或推论,深度学习所推起的人工智能应用需求,无疑推动了许多公司评估各种晶片解决方案的可能性。「这将是百家争鸣的盛会,是计算机架构与封装技术的复兴,我们将在接下来1年看到比过去10年更多、更有趣的计算机。」计算架构权威、加州大学柏克莱校区的荣誉教授大卫·帕特森(David Patterson)非常乐观看待近来兴起的运算晶片热潮。陈良基也非常期待,台湾若能开发应用在各类智能终端装置上的关键技术与元件晶片,将可以使具有半导体制造、设计,并能够整合终端装置制造供应链的我们,再次居于世界领先地位。

(来源:人工智能)

—— THE END——

返回搜狐,查看更多

责任编辑:

本文由永利发布于关于我们,转载请注明出处:AI应用的最后一里路

上一篇:OPPO R17 Pro登陆工信部 下一篇:就会考虑到老人跟小孩子可以使用我们的电子指
猜你喜欢
热门排行
精彩图文