设为首页 设为首页 加入收藏 加入收藏 网站地图
[请登陆][免费注册]
搜 索

您的位置 :首页  新闻产业观察
算力与算法供需缺口的解决之道
出自:大半导体产业网

 在2019世界人工智能大会腾讯论坛上,英特尔携手腾讯优图实验室推出了AI视觉模组VisionSeed,并宣布将作为首批成员加入Light计划。当前,英特尔正发力视觉+人工智能领域,携手生态合作伙伴以领先的视觉和人工智能技术,以期帮助AI开发者、爱好者开发出更多的VI应用。

 

张宇,英特尔中国区物联网事业部首席技术官兼首席工程师,重点关注边缘计算和人工智能,专注于人工智能相关的芯片以及相应的软件和开发的应用。英特尔通过与腾讯长期密切合作,推出了VisionSeed模组。

吴永坚,腾讯优图实验室总监、专家研究员,腾讯优图在从交易者互联网到产业互联网过程当中,在以VisionSeed为代表的硬件层面,在解决方案开发以及对应的研究和应用相结合的基础上,展开积极思考和尝试。

据腾讯优图实验室智能硬件技术负责人梁晨介绍,VisionSeed是一个人工智能视觉模组,融摄像头、英特尔® Movidius™ Myriad™ X视觉加速芯片和腾讯优图的算法和软件的生态为一体。VisionSeed的设计初心是希望降低AI产品的开发门槛,通过VisionSeed这个模组桥梁,让广大硬件产品开发者能够找到需要的AI算法,也能够让AI算法落地到更加广泛的产品中去。

在英特尔中国区物联网事业部首席技术官张宇看来,算力和算法两者之间是相辅相成的,大家肯定希望有无穷的算力,有无尽的优化的高效的算法来解决我的问题。但是在某一个历史时段,你拥有的算力算法都是有一定的上限的。我们现在做的工作是在目前拥有的算法算力基础上如何尽可能的解决用户面临的问题。

如果说我们只看十几年人工智能的变化,这一轮的人工智能起点应该是2012年,刚刚吴总也提到了这个关键时间点。这个时间点的标志性事件是AlexNet的出现。当时一个叫Alex的学生,他设计的一个AlexNet的深度卷积神经网络用在了ImageNet竞赛当中拿到了冠军,而且他的成绩是超过了以往冠军的准确度。在那之后,以深度卷积神经网络为代表的,各种各样的不同网络出现在各种不同的应用场景里,包括我们现在看到的在交通领域的车牌识别,零售领域的刷脸支付,包括自然语言处理等等这些都已经开始使用了,包括AlphaGo,AlphaGo也是把围棋棋盘当作了一个19×19的图片送到卷积网络里处理,得到下一步行棋的策略。

在这一轮发展当中,有算法的因素在里面,但是我认为算法在这一轮里不是最核心的,原因是什么呢?因为如果我们看一下上一轮人工智能。上一轮人工智能是生在上世纪90年代,在上世纪90年代的时候,卷积神经网络这种算法已经被使用了,在上世纪90年代,如果说大家是做人工智能的就会知道,在人工智能领域近20年有三位大神,有一位是Yann,1994年的时候设计了一个网络叫LeNet,LeNet本质上也是卷积神经网络。

也就是说我们看到卷积神经网络的核心方法在上世纪90年代已经被用了,不是一个新的技术。为什么我们说这一轮人工智能起来了,我个人认为这一轮人工智能兴起离不开两个关键要素。第一个是算力,的的确确算力推动了人工智能。为什么说算力推动了人工智能?如果说我们看一些关键数字,如果说去衡量我们人类所能拥有的算力,其实有一个很好的指标就是超算。因为超算领域是对算力要求最高的一个领域。超算每年都会定期发布全球500强超算榜单,这个榜单第一次发布是在1994年,榜单第一次发布的时候,排名首位的超算,每秒的浮点运算峰值速度是1300亿次,今年的第一名这个数字是20亿亿次,有150万倍的增长。

随着算力的增加,带来的好处是显而易见的。原来一个深度卷积神经网络要一个月才可以算好,现在随着算力提高了之后,我一个小时就可以算好。在这么短的时间里我就可以知道结果,我就可以知道我这个算法,我这个网络到底好不好,如果说不好我可以做一个调整,调整完了我再算。对于一个学生而言,也许以前我一个学期只尝试一次,但是有了现在的算力之后,一个月可以尝试几百次,这样我就可以不断推动算法提升。或者说原来一个很复杂的算法我做不了,现在有了现在的算力我就可以去实现,这就是一个很典型的例子,算力推动了算法不断提升。

但是反过来,算法对算力也有一些推动作用,为什么?我刚刚说了,我们把人工智能用于边缘时有一个很大的挑战边缘算力有限,复杂算法跑不了,因为还有功耗的限制,所以现在业界在做网络压缩,也就是网络优化,但是实际上网络优化对硬件是有要求的,有一些特定的优化是需要特定的硬件来支持的,并不是所有硬件都可以跑的。这一块我们英特尔也一直在看,包括我们下一代芯片针对边缘设备的AI加速芯片当中,我们会专门增加对网络压缩的支持。这就反过来是一个算法对硬件、对芯片的支撑。本轮人工智能第一个要素是算力提升。

第二个要素是数据,现在的人工智能是喂出来了,没有大量数据很难得到一个好的网络。这也是为什么人工智能应用最广的领域是图片处理,我们看到人工智能在医学,尤其是疑难杂症处理上还有一定的欠缺,为什么?因为没有足够的训练数据,所以数据是推动本轮人工智能发展的第二个要素。比如说我们现在看到ImageNet,ImageNet里面有超过1400万张标注完之后的图片,有了这些图片,开发人员就可以做网络训练、分类训练。这可以大大推动图片图形人工智能应用的拓展。当然图片反过来我们看数据的增长其实背后因素是什么?背后因数是通讯技术和存储技术的提升。为什么?大家想如果说我有1400万张图片,每张图片一般是几兆的容量,我怎么存?如果说这件事情发生在上世纪90年代,我当时在欧洲读大学的时候,大家用的移动介质是磁盘,磁盘的容量是1张1M,那时的硬盘也不过几百兆,如果说要存1400万张照片,我需要四五千万张磁盘存储,这是不可能的。反观我们现在,我们随便一个移动硬盘的容量是几T,又有几百倍的提升。正是因为算力的提升,存储能力的提升,推动了本轮人工智能的发展。

张宇展望未来,随着算力和存储能力不断提升会有一些新的算法出现。如果说我们展望未来,我认为在哪些地方可能会有一些新的东西出来呢?一个地方是在训练上。因为在目前,人工智能的训练还要消耗非常大的算力,目前能够承受的只有在数据中心,在云端。它不仅可以给你提供足够的计算,还可以为你提供足够的电。这些东西在边缘我们是做不了的,但是今后随着算法、算力不断的提升优化,很可能算力算法会从云端推向边缘。如果我们展望今后,算力、算法之间互相作用的话,那么会推动一些新的模式出现。

吴永坚强调其非常认同张宇的分析结论:算法、算力和数据。算力这个层面就是从CPU到GPU到AI芯片,整个过程就是不断算力提升的过程。算法方面,深度学习AlexNet神经网络的出现,导致了认知的突破,这是算法本身让你从一个高跳到了另外一个高度,所以认知完全不一样了。第三个是数据,因为腾讯在互联网行业,有一个点非常深刻,就是从PC互联网到移动互联网,这个过程当中数据产生量是非常巨大的。可以看出PC互联网时,如果说我们还是处于PC互联网,哪怕是深度学习、算力都差不多的时候,但是产生出来的效果没有移动互联网那么好,因为它的数据没有移动互联网产生的数据多,移动互联网产生的数据和PC互联网比是有好几个量级上的增长的,以前你拍照要拿相机,现在只需要一个手机,因此这个量级是完全不一样的。

现在大家总结深度学习或者是应用可以看出来,深度学习最先应用在消费互联网,在手机端上先火的,因为它有这个土壤,这三个土壤都齐全了,所以它起来了。从消费互联网到产业互联网很重要的一点,因为消费互联网瓶颈也快到了,但是产业互联网过去十几年来很重要的一点就是摄像头在国内慢慢的普及。设备端起来之后,就像手机端慢慢普及之后,它产生的数据量就很大了。因为我们是做视觉的,这就为下一代视觉能力深度结合,产生在视觉领域这么多的企业,包括腾讯优图及其他的视觉人工智能公司这几年这么火,就是因为它储备的条件都是齐全的。

这些条件都齐全了,大家从一个台阶跳到另外一个台阶,这是从台阶层面发展的。也就是说后面做的事是基于这个台阶上面不断优化和深化,在上面做调整和不断向前去走。

关于网络压缩,吴永坚透露,腾讯优图内部也做了不少这方面事情。因为有很多你的模型,比如说人脸里面是几千层的深度学习模型,但是你直接放到摄像头里是不行的,所以必须要把它压缩。深度学习当中有一个Teacher-Student模型,这个“老师”是几千层的,我这个“学生”可能几百层甚至更少,但是他们学出来的结果是一样的,相当于一个胖子通过学习变成一个瘦子出来,这就可以容易放到相应的硬件里。

当然还有一些很具体的算法,比如以前有很多是32浮点的计算,但来我们发现芯片层面可以支持int8或者是FP16更低精度的计算。所以我们要学一个8位的或者是更少位数的,因为这样就相当于我在端上的计算更快了,我数据传输更少了,这是整个趋势。吴永坚表示,按这个思路走下去,从原来很多东西要放在模型上去做,但是经过细节的优化就可以放到端上去做。这是从网络的压缩和模型压缩以及更低精度的压缩去做一个具体问题的优化。这应该也是人类发展过程当中的必经之路。首先有一些关键的事件出来,比如说深度学习被正名了,比如说三个条件都齐全了,整个认知水平完全不一样了,比以前提升了很多。后面会有更多细节问题不断被攻克,比如说网络压缩,所以它的Base会不断向前走。当然,这个Base天花板肯定也是有的,有了之后需要下一步突破口再把这个东西带到下一步。

人工智能发展的关键要素一个是算力,一个中算法,还有一个就是数据。腾讯的微信让其算法具有数据基础,在数据基础上把算法做到最优。而英特尔硬件平台又把腾讯算法不断优化达到最优的软硬结合的效果,这有点AI领域的“wintel”意思。吴永坚称,当前的人工智能(特别是视觉),只是把一个东西检测出来,后面更大的理解和分析并没有真正大规模应用。

 

 

0
文章收入时间: 2019-09-03
 
SEMI简介 | About SEMI | 联系我们 | Privacy Policy | semi.org
Copyright © 2018 SEMI®. All rights reserved.
沪ICP备06022522号
沪公网安备31011502000679号