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：網易 736 44
• 繁體

• 

  在機遇與挑戰中把握中藥材兩面針行業趨勢，才能從中取勢得到更好的發展！

  《2018-2023年版中藥材兩面針項目可行性研究報告》為中研普華公司獨家首創針對行業投資可行性研究咨詢服務的專項研究報告。報告分為：行業通用版、專業定制版。行業通用版是中研普華根據行業一1...

上周二，Google和Facebook宣布，使開源機器學習框架PyTorch與Tensor-Processing Units（TPU）進行合作。這種伙伴關系標志著人工智能研究合作進入新時代。

上周二，Google和Facebook宣布，使開源機器學習框架PyTorch與Tensor-Processing Units（TPU）進行合作。這種伙伴關系標志著人工智能研究合作進入新時代。

“今天，我們很高興地宣布，Google TPU團隊的工程師正積極與PyTorch核心開發人員合作，將PyTorch與Cloud TPU連接起來。長期目標是讓每個人都能享受PyTorch的簡便性和靈活性，同時能夠從Cloud TPU的性能、可擴展性和成本效益上獲益。”Google產品總監Rajen Sheth說道。

PyTorch是Facebook的開源框架，可以開發人工智能研究中使用的數學程序。這樣的框架允許研究人員開發任意復雜的數學計算圖并自動計算衍生產物。

TPU是由Google專門為AI系統設計的計算機芯片。據Google描述，TPU比傳統的圖形處理單元（GPU）快15到30倍。

PyTorch有什么新功能？

近日，Facebook發布的深度學習框架 PyTorch 1.0主要有三大更新：

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

二是一個經過改進的 Torch 分布式庫，可以在 Python 和 C++環境中實現更快的訓練。

三是添加了針對關鍵性能研究的 Eager 模式 C++接口，將在測試版中發布。

目前，研究人員和工程師必須面對許多框架和工具，以創建新的深度學習模型并將其轉移到生產環境中大規模運運行，而這里多數框架和工具通常是不兼容的。如此，將會降低開發者在規模化生產中部署 AI 能力的速度。通過這個最新版本，將現有 PyTorch 框架的靈活性與 Caffe2的生產能力結合，提供從研究到生產性 AI 的無縫路徑。

Google的TPU有什么優勢？

雖然 TPU 是一種專用集成電路，但它運行的程序來自 TensorFlow 框架下的神經網絡，驅動了谷歌數據中心的許多重要應用，包括圖像識別、翻譯、搜索和游戲。通過專門為神經網絡重新分配芯片計算資源，TPU 在真實數據中心負載環境下效率要比通用類型的計算機高30-80 倍，目前已為全球 10 億人提供日常服務。另外，神經網絡的推理階段通常會有嚴格的響應時間要求，這降低了通用計算機所使用技術的有效性；通用計算機通常運行得較快，但某些情況下也會較慢。

為什么Pytorch與TPU建立連接很重要

將GPU上的大量數據與神經網絡訓練結合是當前深度學習系統成功的催化劑。可能需要花費數月訓練的神經網絡，在使用GPU訓練時，時間縮短到短短的幾個小時。隨著深度學習的成熟，神經網絡和數據集變得越來越大，這些網絡現在需要數月才能在GPU上進行訓練。谷歌專有的TPU為這些龐大的系統提供了一種更快速的訓練方法。更快的訓練意味著研究人員可以更快地進行實驗，從而提高AI研究的速度。

為什么這種伙伴關系有利于人工智能研究

傳統上，Google和Facebook通過Google Deepmind，Google Brain和Facebook AI Research進行了獨立的AI研究。因此，人工智能工具生態系統已經在Tensorflow（谷歌的AI框架）與Pytorch的辯論中分立，雖然競爭使得兩個框架都以極快的速度發展，但其也使得研究在可重復性方面困難重重。

如果此公告標志著一種更加協作的AI研究方法，我們可能會看到這兩個框架之間的互操作性得到改善。此外，這樣的結果使得AI在智能手機上的部署更容易，也便于多種框架建構統一的工具生態系統，并改善研究結果的可重復性。

無所不在的人工智能

伴隨著大數據時代的到來，人工智能在過去十年取得了巨大的進步。但今天的人工智能，更多的是狹窄的完成單一任務的人工智能，如人臉識別、語音識別。能夠解決各類問題的通用人工智能離我們還有太遙遠的距離。從實際應用角度來看，在可預見的未來，我們會看到人工智能從狹窄 (Narrow AI) 走向寬廣 (Broad AI)，從完成單一任務到完成多個任務，從解決一個領域的特定問題到解決一個領域甚至跨領域的多個問題。

未來的人工智能，我們會看到不斷增強的學習推理能力。如何從小樣本小數據中學習變得非常重要。面向消費者的人工智能，積累了大量數據。比如圖像識別，我們可以用大量數據訓練一個模型。而面向企業的人工智能，對于特定的任務，往往沒有大量的數據可用。多模態學習將會變得越來越普遍。比如人工智能剪輯電影，需要根據圖像、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。就像醫生給出診療意見的同時，還需要解釋依據在哪里。

未來幾年，人工智能會從云向邊緣端擴展，變得無所不在。比如可穿戴設備、物聯網終端設備。很多場合我們需要實時的信息處理，如自動駕駛的汽車、為病人服務的醫療設備。也有很多場合由于信息安全的考量或網絡帶寬的限制，信息無法傳輸到云端而必須在邊緣端處理。實現邊緣智能 (Edge Intelligence)，往往需要低功耗的智能設備。我們會看到米粒般大小的智能設備，集計算、存儲與網絡功能于一體。人工智能從云向邊緣端的移動，將人工智能與物聯網結合起來，使得我們可以對物理世界進行更好的理解、管理與優化。

企業人工智能與行業創新

我們會看到更多人工智能在垂直領域的行業創新。比如醫療，金融，工業制造。今天的人工智能，更多的是面向消費者的人工智能 (Consumer AI)。未來幾年，我們會看到企業人工智能 (Enterprise AI) 的興起與發展。人工智能的成功需要商業成功，而人工智能的商業成功需要人工智能在行業應用的成功。

談到人工智能，我們往往會談到數據、算法與計算。實際上，人工智能用于行業創新，應用場景的選擇非常關鍵。你問一個馬車夫，他永遠不會告訴你他需要一輛汽車。需求與應用場景的確定不容易。這里涉及到信息技術與行業知識的結合。人工智能專家不具備深刻的行業知識，而行業專家又不完全理解人工智能今天發展到什么程度，未來幾年可能會取得什么樣的進展。二者結合在合適的時間點選擇合適的切入點，就變得非常重要。今天的人工智能技術還不能解決我們面臨的全部問題。對于今天技術不能完全解決的問題，可以由人與機器協作共同完成，而不須一步到位。人機同行，共同完成人類或機器單獨不能完成的任務。

人工智能應用在行業中會帶來兩類改變，一是借助機器提高效率；二是提供基于知識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，增強人類的能力。我們會看到人工智能技術用于制造業，如視頻分析用來做產品缺陷檢測與質量控制。我們會看到人工智能醫生。根據醫學指南，與臨床數據中學到的知識，為人類醫生提供實時的診療建議。我們會看到人工智能律師，引用相關的法律文獻，發現相關案例，向人類律師呈現最有價值的法律信息。

今天的人工智能，需要大數據訓練模型，用于訓練的數據需要標識，費時費力。未來的人工智能，我們可以基于已構建的相關領域的模型，再輔以新的數據快速學習，構建新的模型。打個比方，相當于當我們需要完成一項工程時，我們會招聘有相關經驗的工程師，再加以適當的培訓，而不會去找一個毫無經驗的初學者。針對行業領域，我們需要預先構建哪些模型，如何構建，都是接下來需要關注解決的問題。

人工智能時代，信息安全面臨全新的挑戰。一方面，人工智能技術本身可能被用來考驗與攻擊信息系統的安全。另一方面，人工智能可能因為學習了有瑕疵的數據或被惡意更改的數據，而產生了安全的隱患，或倫理的缺陷。如何確保數據的安全，如何驗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對的問題。

延伸閱讀

推薦閱讀

猜您喜歡