<mark id="oztn4"></mark>
1
| 本文作者： 宗仁 | 2016-12-01 11:30 |
今天上午，英特爾在北京舉辦了釋放IA，原力擁抱AI時(shí)代的年度論壇，英特爾全球副總裁兼中國(guó)區(qū)總裁楊旭；英特爾數(shù)據(jù)中心事業(yè)部副總裁、數(shù)據(jù)中心解決方案部總經(jīng)理Jason Waxman；英特爾數(shù)據(jù)中心事業(yè)部副總裁，人工智能解決方案部總經(jīng)理Naveen Rao；英特爾公司軟件與服務(wù)事業(yè)部副總裁、開發(fā)者及產(chǎn)品部總經(jīng)理William（Bill） Savage；英特爾中國(guó)研究院院長(zhǎng)宋繼強(qiáng)分別做了《AI在中國(guó)》；《英特爾，讓人工智能加速未來變革》；《人工智能的“芯“突破》；《加速人工智能普及和應(yīng)用》；《技術(shù)深究-英特爾架構(gòu)和人工智能》的主題演講。
雷鋒網(wǎng)率先摘取了人工智能解決方案部總經(jīng)理Naveen Rao先生主題演講的精華（其它主題演講精華將在后續(xù)專訪文中詳細(xì)呈現(xiàn)），來和廣大開發(fā)者一起探討人工智能面對(duì)的技術(shù)挑戰(zhàn)和應(yīng)對(duì)之道，并希望攜手大家一起一起抓住人工智能時(shí)代的巨大機(jī)遇。
----------------------------------------------------------------------------------------------------------
大家早上好，非常高興大家能夠出席今天的AI Day，很抱歉我并不懂中文，但是希望大家能夠仔細(xì)的聽。我的名字叫做Naveen Rao，我是英特爾公司數(shù)據(jù)中心事業(yè)部副總裁，同時(shí)也是Nervana系統(tǒng)的前CEO，也就是由英特爾所并購的這家公司，剛才我的同事Jason Waxman也提到。我們所做的事情可以增加英特爾半導(dǎo)體的技術(shù)能力，也正處在開發(fā)這個(gè)市場(chǎng)的前沿，這是非常關(guān)鍵的，我們希望通過技術(shù)改變?nèi)澜纭?/p>
在整個(gè)行業(yè)當(dāng)中這是非常激動(dòng)人心的時(shí)代，因?yàn)楝F(xiàn)在技術(shù)的發(fā)展日新月異，我們看到大量新的創(chuàng)新和新的改革。我認(rèn)為有一些技術(shù)已經(jīng)存在有幾年了，現(xiàn)在已經(jīng)開始開拓新的市場(chǎng)機(jī)遇，有新的產(chǎn)品和解決方案的出現(xiàn)。
首先讓大家了解一下什么是機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)有不同的理念和觀點(diǎn)，也就是指從數(shù)據(jù)當(dāng)中學(xué)習(xí)的方法，它能夠構(gòu)建這些數(shù)據(jù)，通過數(shù)據(jù)改進(jìn)自己的性能，這是非常寬泛的一個(gè)定義，當(dāng)然這個(gè)概念存在已經(jīng)有很久了，在學(xué)術(shù)界當(dāng)中，包括如何從數(shù)據(jù)當(dāng)中進(jìn)行系統(tǒng)化和架構(gòu)的學(xué)習(xí)等。
直到最近，我們知道更多的數(shù)據(jù)被生活和工作當(dāng)中產(chǎn)生，因此就推動(dòng)了機(jī)器學(xué)習(xí)的需要。這里先跟大家分享一下機(jī)器學(xué)習(xí)的三種不同類型，我不能說只有這三種類型，但是讓大家稍微了解一下機(jī)器學(xué)習(xí)的世界。
我們最近經(jīng)常聽到一個(gè)的詞語叫做監(jiān)督學(xué)習(xí)，比如說我有一些圖片、標(biāo)識(shí)，這個(gè)標(biāo)識(shí)是貼在我的數(shù)據(jù)上的，比如說一個(gè)人的面部識(shí)別，這個(gè)數(shù)據(jù)的標(biāo)識(shí)就代表他的名字，這個(gè)名字可以聯(lián)到計(jì)算機(jī)當(dāng)中，計(jì)算機(jī)就可以學(xué)習(xí)，或者將這種輸入的數(shù)據(jù)，將他的名字和圖片連在一起。
另一個(gè)詞語是非監(jiān)督學(xué)習(xí)。通常我們需要用到它的場(chǎng)景，是在很難真正找到具有潛在的、可使用的數(shù)據(jù)架構(gòu)，而且前提是你一開始還不了解這個(gè)架構(gòu)的詳情。如果說你想學(xué)一個(gè)語言，你先要聽它，被動(dòng)的學(xué)習(xí)它這樣的語言，了解它的發(fā)音，了解它的語音語調(diào)，至少要形成一個(gè)語言的框架之后才能開始真正學(xué)習(xí)這個(gè)語言。雖然目前這還是機(jī)器學(xué)習(xí)的一個(gè)難點(diǎn)，但我們正在不斷推動(dòng)這方面的研究。
非監(jiān)督學(xué)習(xí)講完了之后，開始給大家講一下強(qiáng)化學(xué)習(xí)。比如說就像培訓(xùn)你自己家的寵物一樣，你是希望它有一個(gè)正面的反映，你想要的反映，負(fù)面的反映，如果你不想要的反映你就懲罰它，就像你訓(xùn)練你家的狗或者貓一樣，這是強(qiáng)化學(xué)習(xí)的概念。
當(dāng)然真正的AI不僅僅是這三種類型，不過當(dāng)下，我們花了大量時(shí)間在不斷靠近這三個(gè)領(lǐng)域。現(xiàn)在讓我們的生活、我們的世界更加好也就是機(jī)器學(xué)習(xí)和人工智能的最終目標(biāo)。
下面給大家舉一個(gè)例子——非常傳統(tǒng)經(jīng)典的機(jī)器學(xué)習(xí)，我們?cè)谶^去所學(xué)習(xí)到的，我們有一定的圖片。大家可以看到這是我們其中的一個(gè)創(chuàng)始人，我們?nèi)绾谓虝?huì)機(jī)器能夠識(shí)別人的面孔，也就是說將名字和面孔連接在一起。按照傳統(tǒng)方法來說，我要看一下他面部的特點(diǎn)，眼睛和眉毛的寬度和鼻子的長(zhǎng)度，這些都是非常關(guān)鍵的辨識(shí)特點(diǎn)，通過軟件辨識(shí)，作為圖像的關(guān)鍵點(diǎn)，作為面部特點(diǎn)的函數(shù)。最后我們通過不同的分類器，不同的隨機(jī)森林和集成方法，最終能夠辨別出他的名字。我想人類或者是動(dòng)物能夠更好的辨別這個(gè)面孔，但是機(jī)器需要很多的學(xué)習(xí)過程，因?yàn)樗鼈儧]有辦法直接提取出這些特點(diǎn)。傳統(tǒng)的機(jī)器學(xué)習(xí)就是以這種方式進(jìn)行面部識(shí)別的。
我們看一下深度學(xué)習(xí)，在過去幾年當(dāng)中有非常多的研究方面的突破，也就是說在數(shù)據(jù)層面提取出特征來進(jìn)行學(xué)習(xí)。我們首先要了解特征是什么，這是我們數(shù)據(jù)的輸出，這是數(shù)據(jù)的輸入，告訴我在這個(gè)過程當(dāng)中你提取出來的特征是什么。通過大量的計(jì)算能力，這也是為什么在過去花的時(shí)間，通過大量數(shù)據(jù)的學(xué)習(xí)可能要花幾個(gè)月、幾年的時(shí)間，因?yàn)橹斑@個(gè)計(jì)算的能力是非常受限的。
現(xiàn)在系統(tǒng)的發(fā)展更加先進(jìn)，我們把它叫做端對(duì)端的深度學(xué)習(xí)，它有超過6000萬個(gè)參數(shù)，這6000萬個(gè)參數(shù)就代表著有6000萬個(gè)不同的培訓(xùn)點(diǎn)，同時(shí)這個(gè)數(shù)據(jù)，可以看到它有自己的一些范式，我們可以將這個(gè)問題變得簡(jiǎn)單化。但是在這邊我們需要注意的一點(diǎn)，這一點(diǎn)非常重要，我們應(yīng)該有非常好的數(shù)據(jù)，非常好的標(biāo)記，與此同時(shí)能夠?qū)ξ覀冚斎氲男畔⒆鞒稣_的定義。
所以在過去幾年間，信息界發(fā)生的一個(gè)很大的變化是機(jī)器學(xué)習(xí)正在處理之前人工處理的一些內(nèi)容，比如說之前有一些自然的圖像，我們有1000多個(gè)類別，當(dāng)時(shí)的想法是，把這些圖像按類別進(jìn)行分類，看起來非常簡(jiǎn)單，不知道在座各位有沒有做過這樣一些工作，這些工作正確率在80%左右，正確率不是特別差，如果看計(jì)算機(jī)進(jìn)行分類的話，錯(cuò)誤率也沒有低很多，如果我們對(duì)所有機(jī)器進(jìn)行培訓(xùn)的話，這些受過訓(xùn)練的機(jī)器可以達(dá)到更高的分類精度。
之后我們?yōu)榱私鉀Q錯(cuò)誤率的問題，去應(yīng)用了神經(jīng)網(wǎng)絡(luò)，你會(huì)看到在應(yīng)用神經(jīng)網(wǎng)絡(luò)之后語音錯(cuò)誤率以及ImageNet錯(cuò)誤率得到了進(jìn)一步下降。我們?cè)谶@邊看到了人類的表現(xiàn)，人類的錯(cuò)誤率，其實(shí)我們所做的是研究這些錯(cuò)誤，我們大概有5%左右的錯(cuò)誤率，過去幾年間，真正讓機(jī)器能夠打敗人類或者打敗其他智能的動(dòng)物還需要幾年的時(shí)間，但是我們確實(shí)已經(jīng)見證多了一些重大的進(jìn)步，大家已經(jīng)有了智能手機(jī)，我們說到這些智能系統(tǒng)的時(shí)候，我們知道這些智能手機(jī)的智能系統(tǒng)是非常好的，可以在大部分情況下幫我們作出正確的選擇，因?yàn)槲覀冊(cè)谒厦婕尤肓松窠?jīng)網(wǎng)絡(luò)，因此我們可以幫他們的正確率得到提高。在Nervana我們也在整個(gè)平臺(tái)上應(yīng)用了各種各樣不同的數(shù)據(jù)，我們用了自然語言加工，我們用了很多時(shí)間序列、金融數(shù)據(jù)等等，這些都是朝著同樣一個(gè)方向發(fā)展的。
很有趣的一點(diǎn)，英特爾其中一個(gè)創(chuàng)始人之一曾經(jīng)說過，“我們通過計(jì)算機(jī)建模的方式來研究人類大腦是如何工作。”，其實(shí)我們或許應(yīng)該用另外一種方法反其道而行之。我們已經(jīng)發(fā)展到了這樣一個(gè)階段，就是為了探索計(jì)算機(jī)新的發(fā)展方向，也就是數(shù)據(jù)的發(fā)展方向，我們可以向我們的大腦尋求答案。
用我們的芯片打造一個(gè)神經(jīng)元
這也是Nervana所使用的方向之一，我自己本身是學(xué)計(jì)算機(jī)出身的，我自己也對(duì)神經(jīng)系統(tǒng)非常感興趣，我希望我們能夠從大腦中獲取一些概念，能夠從大腦中獲取一些新的想法，把它應(yīng)用到我們的計(jì)算機(jī)工程中去。我們不知道如何去真正打造一個(gè)生物上的神經(jīng)元，但是我們可以用我們的芯片打造一個(gè)神經(jīng)元。我們可以把我們大腦中的模式，一種數(shù)學(xué)模型的方式提取出來，然后應(yīng)用到計(jì)算機(jī)模型當(dāng)中去。我們可以在其中加入一些生物的元素，然后建立起這樣一個(gè)模型，當(dāng)然這個(gè)部分是非常復(fù)雜的，然后我們把它轉(zhuǎn)化為模型描述語言，轉(zhuǎn)化為原語或者編譯器，之后轉(zhuǎn)化為針對(duì)工作負(fù)載的優(yōu)化硬件，這就是我們的工作方向。
重視計(jì)算力的價(jià)值
前面Jason Waxman之前也提到了，到2020年，AI計(jì)算量就會(huì)增長(zhǎng)到12倍，我們對(duì)硬件也作出了投資，這是從行業(yè)來說更加重要的投資原因，到2020年的時(shí)候，我們數(shù)據(jù)中大部分都是由AI驅(qū)動(dòng)的，我們說到很多數(shù)據(jù)的價(jià)值，現(xiàn)在全世界有海量的數(shù)據(jù)，全世界每天都會(huì)產(chǎn)生巨大的數(shù)據(jù)，每一個(gè)星球上生活的孩子，不管是成人，他們?nèi)绻米约旱娜四X進(jìn)行計(jì)算的話，要用30多年的時(shí)候才會(huì)產(chǎn)生這樣的數(shù)據(jù)。但是在未來，我們AI的計(jì)算量將增加到12倍，我們不再需要人工幫我們進(jìn)行這樣數(shù)據(jù)的計(jì)算，我們都會(huì)變成自動(dòng)的計(jì)算。
我非常開心的宣布，我們成立了非常了不起的英特爾人工智能咨詢委員會(huì)，這些都是業(yè)界的領(lǐng)袖，可以幫助我們進(jìn)一步制定AI的戰(zhàn)略，并且?guī)椭覀冞M(jìn)一步研究神經(jīng)網(wǎng)絡(luò)。
Bruno Olshausen來自加州伯克利的，他是第一位咨詢員，從我們公司建立的開始就跟他建立了很好的合作關(guān)系。
之后是Ron Dror，他來自于斯坦福大學(xué)，他致力于研究超級(jí)計(jì)算機(jī)，他所研究的超級(jí)計(jì)算機(jī)模型可以用作藥物計(jì)算的發(fā)展。
還有一位是Jan Rabaey，加州大學(xué)伯克利分校的，他也是專注于研究我們整個(gè)神經(jīng)網(wǎng)絡(luò)架構(gòu)的，并且和我們整個(gè)行業(yè)有很好的練習(xí)。
Yoshua BenGio是我們深度學(xué)習(xí)的三大創(chuàng)始人之一，他們也是我們最后20幾年間所作出創(chuàng)新的先鋒者。幫助我們能夠把深度神經(jīng)元打造得更加有用，在一開始的時(shí)候深度神經(jīng)系統(tǒng)被人們認(rèn)為并沒有那么有用，但是現(xiàn)在讓人們相信這是非常有效的技術(shù)。
所以我們說AI可以從各種方向來被我們進(jìn)行應(yīng)用，現(xiàn)在AI是一個(gè)非常熱門的話題，但我們有不同的使用AI的方式，有一些是可以把它用到機(jī)器學(xué)習(xí)中去，有一些用到推理系統(tǒng)中，比如我們的Saffron系統(tǒng)。另外我們兩邊，也就是機(jī)器學(xué)習(xí)和推理系統(tǒng)可以進(jìn)行互動(dòng)，另外我們可以有四種不同的實(shí)施方法，可以為用戶提供滿足他需求的方法。不管是深度學(xué)習(xí)、經(jīng)典機(jī)器的學(xué)習(xí)，還是基于記憶或者是基于邏輯的學(xué)習(xí)，我們?yōu)橛脩籼峁┑氖亲钸m合他們的最好的解決方案。
XEON
在這邊我列出了英特爾Nervana一部分產(chǎn)品組合，首先是我們的XEON，這是我們比較通用的解決方案和處理器。另外，我們的軟件解決方案也可以在所有這些處理器上進(jìn)行工作，之后就是至強(qiáng)融核，它非常適合高性能和通用機(jī)器學(xué)習(xí)。
Skylake
另外，我們還有FPGA，來自Nervana的一個(gè)技術(shù)。我們剛剛也發(fā)布了Skylake，是我們最新版本的至強(qiáng)，這一個(gè)版本也已經(jīng)進(jìn)行了進(jìn)一步的優(yōu)化，它可以幫我們將性能提高到的8倍，并且也是針對(duì)能效進(jìn)行的優(yōu)化。
至強(qiáng)融核
至強(qiáng)融核也是令大家非常興奮的一個(gè)部分，它也和我們深度學(xué)習(xí)有著非常深的融匯，它的主要目的就是能夠處理多重的工作負(fù)荷，所以在軟件部分我們也發(fā)現(xiàn)了有各種各樣不同的創(chuàng)新，通過應(yīng)用至強(qiáng)融核，可以將深度學(xué)習(xí)性能提高到四倍，與此同時(shí)性能也非常卓越。
KNIGHTS MILL
我們還有KNIGHTS MILL，另外再這樣的一個(gè)已有的平臺(tái)中，有了它我們就不再收到其它的限制，我們可以自由進(jìn)行AI或者是機(jī)器學(xué)習(xí)。現(xiàn)在在我們的平臺(tái)上有非常多的用戶案例，但是這些用戶案例確實(shí)有受到了很多限制，有的時(shí)候是被內(nèi)存所限制，有的時(shí)候是被容量所限制，但是現(xiàn)在我們有了至強(qiáng)融核之后，就可以在我們平臺(tái)上采用更多的實(shí)例。
我認(rèn)為醫(yī)療是AI可以去進(jìn)行應(yīng)用的一個(gè)非常重要的行業(yè)，目前為止我們還并沒有非常完善的一些算法，我們也沒有一個(gè)完整的平臺(tái)提供給這些醫(yī)療服務(wù)系統(tǒng)，但是我們也致力于將AI投入到醫(yī)療行業(yè)中去。比如說MICHAEL.j-FOX，基金會(huì)是一個(gè)專注于治療帕金森綜合癥的一個(gè)基金會(huì)，我們還共同建立了協(xié)作式的癌癥云，AI也被應(yīng)用于新藥的發(fā)行中去，我們也希望能夠宣布我們與Broad Institute共同合作，成立了可拓展的基金中心，我們這個(gè)中心需要技術(shù)，需要更強(qiáng)的計(jì)算能力，更強(qiáng)的技術(shù)能力，我們可以為他們提供這樣的能力。
通過AI為世界做更好的貢獻(xiàn)。這就是我們所說的如何加速人工智能的“芯”變革。
我也非常為我們未來的幾年感到興奮，去看一下AI到底如何被應(yīng)用，如何發(fā)展。非常感謝各位。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
