Google和Facebook合作研究人工智能 人工智能無所不在

• 2018年10月8日 yangjinzhu來源：網(wǎng)易 736 44
• 繁體

• 

  在機(jī)遇與挑戰(zhàn)中把握中藥材兩面針行業(yè)趨勢(shì)，才能從中取勢(shì)得到更好的發(fā)展！

  《2018-2023年版中藥材兩面針項(xiàng)目可行性研究報(bào)告》為中研普華公司獨(dú)家首創(chuàng)針對(duì)行業(yè)投資可行性研究咨詢服務(wù)的專項(xiàng)研究報(bào)告。報(bào)告分為：行業(yè)通用版、專業(yè)定制版。行業(yè)通用版是中研普華根據(jù)行業(yè)一1...

上周二，Google和Facebook宣布，使開源機(jī)器學(xué)習(xí)框架PyTorch與Tensor-Processing Units（TPU）進(jìn)行合作。這種伙伴關(guān)系標(biāo)志著人工智能研究合作進(jìn)入新時(shí)代。

上周二，Google和Facebook宣布，使開源機(jī)器學(xué)習(xí)框架PyTorch與Tensor-Processing Units（TPU）進(jìn)行合作。這種伙伴關(guān)系標(biāo)志著人工智能研究合作進(jìn)入新時(shí)代。

“今天，我們很高興地宣布，Google TPU團(tuán)隊(duì)的工程師正積極與PyTorch核心開發(fā)人員合作，將PyTorch與Cloud TPU連接起來。長期目標(biāo)是讓每個(gè)人都能享受PyTorch的簡便性和靈活性，同時(shí)能夠從Cloud TPU的性能、可擴(kuò)展性和成本效益上獲益。”Google產(chǎn)品總監(jiān)Rajen Sheth說道。

PyTorch是Facebook的開源框架，可以開發(fā)人工智能研究中使用的數(shù)學(xué)程序。這樣的框架允許研究人員開發(fā)任意復(fù)雜的數(shù)學(xué)計(jì)算圖并自動(dòng)計(jì)算衍生產(chǎn)物。

TPU是由Google專門為AI系統(tǒng)設(shè)計(jì)的計(jì)算機(jī)芯片。據(jù)Google描述，TPU比傳統(tǒng)的圖形處理單元（GPU）快15到30倍。

PyTorch有什么新功能？

近日，F(xiàn)acebook發(fā)布的深度學(xué)習(xí)框架 PyTorch 1.0主要有三大更新：

一是添加了一個(gè)新的混合前端，支持從 Eager 模式到圖形模式的跟蹤和腳本模型，以彌合研究和生產(chǎn)部署之間的差距。

二是一個(gè)經(jīng)過改進(jìn)的 Torch 分布式庫，可以在 Python 和 C++環(huán)境中實(shí)現(xiàn)更快的訓(xùn)練。

三是添加了針對(duì)關(guān)鍵性能研究的 Eager 模式 C++接口，將在測(cè)試版中發(fā)布。

目前，研究人員和工程師必須面對(duì)許多框架和工具，以創(chuàng)建新的深度學(xué)習(xí)模型并將其轉(zhuǎn)移到生產(chǎn)環(huán)境中大規(guī)模運(yùn)運(yùn)行，而這里多數(shù)框架和工具通常是不兼容的。如此，將會(huì)降低開發(fā)者在規(guī)?；a(chǎn)中部署 AI 能力的速度。通過這個(gè)最新版本，將現(xiàn)有 PyTorch 框架的靈活性與 Caffe2的生產(chǎn)能力結(jié)合，提供從研究到生產(chǎn)性 AI 的無縫路徑。

Google的TPU有什么優(yōu)勢(shì)？

雖然 TPU 是一種專用集成電路，但它運(yùn)行的程序來自 TensorFlow 框架下的神經(jīng)網(wǎng)絡(luò)，驅(qū)動(dòng)了谷歌數(shù)據(jù)中心的許多重要應(yīng)用，包括圖像識(shí)別、翻譯、搜索和游戲。通過專門為神經(jīng)網(wǎng)絡(luò)重新分配芯片計(jì)算資源，TPU 在真實(shí)數(shù)據(jù)中心負(fù)載環(huán)境下效率要比通用類型的計(jì)算機(jī)高30-80 倍，目前已為全球 10 億人提供日常服務(wù)。另外，神經(jīng)網(wǎng)絡(luò)的推理階段通常會(huì)有嚴(yán)格的響應(yīng)時(shí)間要求，這降低了通用計(jì)算機(jī)所使用技術(shù)的有效性；通用計(jì)算機(jī)通常運(yùn)行得較快，但某些情況下也會(huì)較慢。

為什么Pytorch與TPU建立連接很重要

將GPU上的大量數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)合是當(dāng)前深度學(xué)習(xí)系統(tǒng)成功的催化劑。可能需要花費(fèi)數(shù)月訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，在使用GPU訓(xùn)練時(shí)，時(shí)間縮短到短短的幾個(gè)小時(shí)。隨著深度學(xué)習(xí)的成熟，神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)集變得越來越大，這些網(wǎng)絡(luò)現(xiàn)在需要數(shù)月才能在GPU上進(jìn)行訓(xùn)練。谷歌專有的TPU為這些龐大的系統(tǒng)提供了一種更快速的訓(xùn)練方法。更快的訓(xùn)練意味著研究人員可以更快地進(jìn)行實(shí)驗(yàn)，從而提高AI研究的速度。

為什么這種伙伴關(guān)系有利于人工智能研究

傳統(tǒng)上，Google和Facebook通過Google Deepmind，Google Brain和Facebook AI Research進(jìn)行了獨(dú)立的AI研究。因此，人工智能工具生態(tài)系統(tǒng)已經(jīng)在Tensorflow（谷歌的AI框架）與Pytorch的辯論中分立，雖然競(jìng)爭(zhēng)使得兩個(gè)框架都以極快的速度發(fā)展，但其也使得研究在可重復(fù)性方面困難重重。

如果此公告標(biāo)志著一種更加協(xié)作的AI研究方法，我們可能會(huì)看到這兩個(gè)框架之間的互操作性得到改善。此外，這樣的結(jié)果使得AI在智能手機(jī)上的部署更容易，也便于多種框架建構(gòu)統(tǒng)一的工具生態(tài)系統(tǒng)，并改善研究結(jié)果的可重復(fù)性。

無所不在的人工智能

伴隨著大數(shù)據(jù)時(shí)代的到來，人工智能在過去十年取得了巨大的進(jìn)步。但今天的人工智能，更多的是狹窄的完成單一任務(wù)的人工智能，如人臉識(shí)別、語音識(shí)別。能夠解決各類問題的通用人工智能離我們還有太遙遠(yuǎn)的距離。從實(shí)際應(yīng)用角度來看，在可預(yù)見的未來，我們會(huì)看到人工智能從狹窄 (Narrow AI) 走向?qū)拸V (Broad AI)，從完成單一任務(wù)到完成多個(gè)任務(wù)，從解決一個(gè)領(lǐng)域的特定問題到解決一個(gè)領(lǐng)域甚至跨領(lǐng)域的多個(gè)問題。

未來的人工智能，我們會(huì)看到不斷增強(qiáng)的學(xué)習(xí)推理能力。如何從小樣本小數(shù)據(jù)中學(xué)習(xí)變得非常重要。面向消費(fèi)者的人工智能，積累了大量數(shù)據(jù)。比如圖像識(shí)別，我們可以用大量數(shù)據(jù)訓(xùn)練一個(gè)模型。而面向企業(yè)的人工智能，對(duì)于特定的任務(wù)，往往沒有大量的數(shù)據(jù)可用。多模態(tài)學(xué)習(xí)將會(huì)變得越來越普遍。比如人工智能剪輯電影，需要根據(jù)圖像、聲音，語言來理解視頻的涵義。未來的人工智能，需要能夠解釋結(jié)果，即不但給出建議，還能解釋為什么給出這樣的建議。就像醫(yī)生給出診療意見的同時(shí)，還需要解釋依據(jù)在哪里。

未來幾年，人工智能會(huì)從云向邊緣端擴(kuò)展，變得無所不在。比如可穿戴設(shè)備、物聯(lián)網(wǎng)終端設(shè)備。很多場(chǎng)合我們需要實(shí)時(shí)的信息處理，如自動(dòng)駕駛的汽車、為病人服務(wù)的醫(yī)療設(shè)備。也有很多場(chǎng)合由于信息安全的考量或網(wǎng)絡(luò)帶寬的限制，信息無法傳輸?shù)皆贫硕仨氃谶吘壎颂幚?。?shí)現(xiàn)邊緣智能 (Edge Intelligence)，往往需要低功耗的智能設(shè)備。我們會(huì)看到米粒般大小的智能設(shè)備，集計(jì)算、存儲(chǔ)與網(wǎng)絡(luò)功能于一體。人工智能從云向邊緣端的移動(dòng)，將人工智能與物聯(lián)網(wǎng)結(jié)合起來，使得我們可以對(duì)物理世界進(jìn)行更好的理解、管理與優(yōu)化。

企業(yè)人工智能與行業(yè)創(chuàng)新

我們會(huì)看到更多人工智能在垂直領(lǐng)域的行業(yè)創(chuàng)新。比如醫(yī)療，金融，工業(yè)制造。今天的人工智能，更多的是面向消費(fèi)者的人工智能 (Consumer AI)。未來幾年，我們會(huì)看到企業(yè)人工智能 (Enterprise AI) 的興起與發(fā)展。人工智能的成功需要商業(yè)成功，而人工智能的商業(yè)成功需要人工智能在行業(yè)應(yīng)用的成功。

談到人工智能，我們往往會(huì)談到數(shù)據(jù)、算法與計(jì)算。實(shí)際上，人工智能用于行業(yè)創(chuàng)新，應(yīng)用場(chǎng)景的選擇非常關(guān)鍵。你問一個(gè)馬車夫，他永遠(yuǎn)不會(huì)告訴你他需要一輛汽車。需求與應(yīng)用場(chǎng)景的確定不容易。這里涉及到信息技術(shù)與行業(yè)知識(shí)的結(jié)合。人工智能專家不具備深刻的行業(yè)知識(shí)，而行業(yè)專家又不完全理解人工智能今天發(fā)展到什么程度，未來幾年可能會(huì)取得什么樣的進(jìn)展。二者結(jié)合在合適的時(shí)間點(diǎn)選擇合適的切入點(diǎn)，就變得非常重要。今天的人工智能技術(shù)還不能解決我們面臨的全部問題。對(duì)于今天技術(shù)不能完全解決的問題，可以由人與機(jī)器協(xié)作共同完成，而不須一步到位。人機(jī)同行，共同完成人類或機(jī)器單獨(dú)不能完成的任務(wù)。

人工智能應(yīng)用在行業(yè)中會(huì)帶來兩類改變，一是借助機(jī)器提高效率；二是提供基于知識(shí)的專家助手幫助我們更好的決策。前者人工智能取代部分人力，后者人工智能賦能人類專家，增強(qiáng)人類的能力。我們會(huì)看到人工智能技術(shù)用于制造業(yè)，如視頻分析用來做產(chǎn)品缺陷檢測(cè)與質(zhì)量控制。我們會(huì)看到人工智能醫(yī)生。根據(jù)醫(yī)學(xué)指南，與臨床數(shù)據(jù)中學(xué)到的知識(shí)，為人類醫(yī)生提供實(shí)時(shí)的診療建議。我們會(huì)看到人工智能律師，引用相關(guān)的法律文獻(xiàn)，發(fā)現(xiàn)相關(guān)案例，向人類律師呈現(xiàn)最有價(jià)值的法律信息。

今天的人工智能，需要大數(shù)據(jù)訓(xùn)練模型，用于訓(xùn)練的數(shù)據(jù)需要標(biāo)識(shí)，費(fèi)時(shí)費(fèi)力。未來的人工智能，我們可以基于已構(gòu)建的相關(guān)領(lǐng)域的模型，再輔以新的數(shù)據(jù)快速學(xué)習(xí)，構(gòu)建新的模型。打個(gè)比方，相當(dāng)于當(dāng)我們需要完成一項(xiàng)工程時(shí)，我們會(huì)招聘有相關(guān)經(jīng)驗(yàn)的工程師，再加以適當(dāng)?shù)呐嘤?xùn)，而不會(huì)去找一個(gè)毫無經(jīng)驗(yàn)的初學(xué)者。針對(duì)行業(yè)領(lǐng)域，我們需要預(yù)先構(gòu)建哪些模型，如何構(gòu)建，都是接下來需要關(guān)注解決的問題。

人工智能時(shí)代，信息安全面臨全新的挑戰(zhàn)。一方面，人工智能技術(shù)本身可能被用來考驗(yàn)與攻擊信息系統(tǒng)的安全。另一方面，人工智能可能因?yàn)閷W(xué)習(xí)了有瑕疵的數(shù)據(jù)或被惡意更改的數(shù)據(jù)，而產(chǎn)生了安全的隱患，或倫理的缺陷。如何確保數(shù)據(jù)的安全，如何驗(yàn)證人工智能模型的安全與合乎倫理，是我們未來需要妥善應(yīng)對(duì)的問題。

延伸閱讀

推薦閱讀

猜您喜歡