歐凱 發(fā)自 凹非寺
AI發(fā)展和競(jìng)爭(zhēng)，已經(jīng)來(lái)到2.0時(shí)代。
這是一個(gè)落地為王關(guān)鍵的階段。
在2019上海世界人工智能現(xiàn)場(chǎng)，談?wù)撟疃嗟脑掝}也是AI落地和實(shí)踐經(jīng)驗(yàn)。
或許不同的行業(yè)位置和角色，對(duì)該問(wèn)題會(huì)有不同的答案。
但當(dāng)英特爾給出經(jīng)驗(yàn)總結(jié)和實(shí)踐分享時(shí)，可能相對(duì)更具參考，因?yàn)樽鳛樗懔?dān)當(dāng)、行業(yè)基石。AI落地進(jìn)程中的英特爾見得更多、視野更廣，遭遇的挑戰(zhàn)和問(wèn)題亦更具共性。
那么英特爾的AI落地經(jīng)驗(yàn)是什么呢？
他們給出4大經(jīng)驗(yàn)，并用了7個(gè)案例來(lái)說(shuō)明。
經(jīng)驗(yàn)一：推理需求超訓(xùn)練需求
就像手機(jī)廠商早期競(jìng)爭(zhēng)時(shí)的比跑分，算力提供方在AI 1.0時(shí)代里的競(jìng)爭(zhēng)，也往往以模型訓(xùn)練的速度來(lái)說(shuō)話。
然而在真實(shí)場(chǎng)景中，風(fēng)向早已變化，推理需求早已超過(guò)訓(xùn)練需求。
在AI應(yīng)用和落地部署中，更為務(wù)實(shí)，技術(shù)價(jià)值兌現(xiàn)，核心是業(yè)務(wù)效能有直接提升，而推理就成為關(guān)鍵所在。
比如視頻平臺(tái)愛奇藝，AI實(shí)踐和落地中，推理效率提升可以帶動(dòng)生產(chǎn)力提升。
在這家中國(guó)頭部視頻內(nèi)容公司的產(chǎn)品中，實(shí)時(shí)彈屏顯示、面部識(shí)別應(yīng)用、鑒黃內(nèi)容檢測(cè)，以及文本檢測(cè)應(yīng)用的推理性能，都是影響用戶體驗(yàn)和平臺(tái)效益的關(guān)鍵項(xiàng)目。
英特爾方面分享稱，為了實(shí)現(xiàn)視頻服務(wù)實(shí)現(xiàn)全流程智能化，愛奇藝導(dǎo)入英特爾架構(gòu)軟硬件組合，優(yōu)化深度學(xué)習(xí)云平臺(tái)：Jarvis。
而基于英特爾架構(gòu)處理器，愛奇藝還引入了MKL/MKL-DNN對(duì)云平臺(tái)進(jìn)行系統(tǒng)級(jí)優(yōu)化。加入OpenVINO工具套件，提升Jarvis平臺(tái)的推理效率。
最后，一系列部署完成后，效果對(duì)比顯著：
實(shí)時(shí)彈屏顯示的推理速度提升達(dá)5倍。面部識(shí)別應(yīng)用的推理效率提升達(dá)4倍。涉黃內(nèi)容檢測(cè)的推理效率提升達(dá)6倍。文本檢測(cè)應(yīng)用中的推理性能提升達(dá)11倍。
不過(guò)，愛奇藝本身就是科技互聯(lián)網(wǎng)公司，AI應(yīng)用中有基礎(chǔ)。
所以在加速推理并效果明顯的落地實(shí)踐中，英特爾還舉出了美的的項(xiàng)目心得。
美的，國(guó)內(nèi)再熟悉不過(guò)的家電制造企業(yè)，在整個(gè)流程中涉及大量的工業(yè)視覺檢測(cè)需求，像快速、敏捷、自動(dòng)地識(shí)別出待測(cè)產(chǎn)品的諸多缺陷，例如螺釘漏裝、銘牌漏貼、LOGO 絲印缺陷等問(wèn)題。
更重要的是，相關(guān)AI模型能夠?qū)Ψ菢?biāo)準(zhǔn)變化因素有良好的適應(yīng)性，即便檢測(cè)內(nèi)容和環(huán)境發(fā)生變化，也能很快地予以適應(yīng)，省去了冗長(zhǎng)的新特征識(shí)別、驗(yàn)證時(shí)間。
于是與英特爾合作中，雙方打造了一個(gè)基于“大數(shù)據(jù) AI”端到端解決方案，實(shí)現(xiàn)敏捷、高性能通用化缺陷檢測(cè)能力。
通俗來(lái)講，為美的制造流程增添“眼”和“腦”。
實(shí)際上，利用機(jī)器視覺進(jìn)行工業(yè)檢測(cè)，也是傳統(tǒng)工業(yè)制造中目前最核心的需求之一。
但傳統(tǒng)機(jī)器視覺方案面臨著諸多問(wèn)題：一方面，復(fù)雜的生產(chǎn)環(huán)境帶來(lái)大量非標(biāo)準(zhǔn)化特征識(shí)別需求，導(dǎo)致定制化方案開發(fā)周期長(zhǎng)、成本高。
另一方面，檢測(cè)內(nèi)容多樣化也造成參數(shù)標(biāo)定繁瑣，工人使用困難。
而且傳統(tǒng)方案往往需要機(jī)械部件配合定位，因此占用產(chǎn)線空間大，對(duì)工藝流程有影響。
美的的固有條件是擁有來(lái)自生產(chǎn)一線的海量數(shù)據(jù)資源，并且春江水暖，早就開始進(jìn)行全力構(gòu)建基于AI技術(shù)，集數(shù)據(jù)采集、模型訓(xùn)練、算法部署于一體的工業(yè)視覺檢測(cè)云平臺(tái)。
但除了具備工件標(biāo)定、圖像定位及校準(zhǔn)等功能外，美的還希望通過(guò)部署優(yōu)化的深度學(xué)習(xí)訓(xùn)練模型和預(yù)測(cè)模型，來(lái)縮短開發(fā)周期和成本，并提高設(shè)備的易用性與通用性。
于是針對(duì)美的這一需求，英特爾為其提供了基于Apache Spark的Analytics Zoo大數(shù)據(jù)分析和AI 平臺(tái)，以端到端的方式，幫美的工業(yè)視覺檢測(cè)云平臺(tái)快速、敏捷地構(gòu)建從前端數(shù)據(jù)預(yù)處理，到模型訓(xùn)練、推理，再到數(shù)據(jù)預(yù)測(cè)、特征提取的深度學(xué)習(xí)全流程。
值得一提的是，Analytics Zoo在模型重定義階段，不僅可以執(zhí)行參數(shù)調(diào)整，并可加速模型推理速度，通過(guò)與英特爾至強(qiáng)可擴(kuò)展處理器的配合，數(shù)據(jù)顯示，云平臺(tái)的模型推理時(shí)間已從 2秒縮短到124毫秒4。
最后，Awwnalytics Zoo還對(duì)命令行模式與 Web Service 模式提供了良好支持，這使得云平臺(tái)可與美的其他應(yīng)用系統(tǒng)實(shí)現(xiàn)平滑的對(duì)接。
整體結(jié)果上，項(xiàng)目部署周期縮短了57%，人工成本減少70%，推理時(shí)間從2秒縮短至124毫秒。
美的方面也反饋稱，效益顯著，正著手復(fù)制到所有產(chǎn)線。
經(jīng)驗(yàn)二：需要軟硬件一體化支持
美的工業(yè)視覺檢測(cè)系統(tǒng)打造中，一方面是軟件如Awwnalytics Zoo平臺(tái)的能力，另一方面也有英特爾至強(qiáng)平臺(tái)的計(jì)算加持。
而這種軟硬件一體化支持，也是英特爾在AI 傳統(tǒng)行業(yè)落地中的另一大經(jīng)驗(yàn)，在所有落地案例中均有涉及，但在AI 醫(yī)療方面，或許更能說(shuō)明問(wèn)題。
這家名為西安盈谷的醫(yī)療公司，就是代表例證。
他們基于英特爾軟硬件，打造了一套醫(yī)療智能化輔助診斷系統(tǒng)。
近年來(lái)，醫(yī)學(xué)影像技術(shù)蓬勃發(fā)展，有助于醫(yī)生對(duì)患者的病情進(jìn)行更為細(xì)致和精確的檢查，堪稱醫(yī)患雙方共同的福音。
但依然面臨資源配置、影像技術(shù)系統(tǒng)和專業(yè)醫(yī)師人才方面的挑戰(zhàn)。
比如海量醫(yī)學(xué)影像數(shù)據(jù)的讀片和分析還只能依靠人力，數(shù)量有限的專家級(jí)醫(yī)生，為此消耗大量時(shí)間和精力，且無(wú)法在長(zhǎng)時(shí)間工作時(shí)保持理想的效率和準(zhǔn)確率。
所以西安盈谷網(wǎng)絡(luò)，就是將其專業(yè)醫(yī)學(xué)影像核心技術(shù)和產(chǎn)品，與云計(jì)算、大數(shù)據(jù)和人工智能等技術(shù)結(jié)合起來(lái)，凝聚成高效智能的醫(yī)療智能化輔助診斷能力，來(lái)助力廣大醫(yī)療機(jī)構(gòu)提升診療效率及質(zhì)量。
在西安盈谷的計(jì)劃中，智能化輔助診斷系統(tǒng)在未來(lái)將針對(duì)人體的各個(gè)生理系統(tǒng)，具備數(shù)百種人工智能檢測(cè)模型。目前，其人工智能醫(yī)學(xué)圖譜初稿中就已定義了約 984 種疾病與醫(yī)學(xué)檢測(cè)數(shù)據(jù)的關(guān)聯(lián)關(guān)系。
同時(shí)，該系統(tǒng)還基于自然語(yǔ)言處理能力，創(chuàng)建了報(bào)告智能助手，可協(xié)助醫(yī)生更加高效地撰寫高質(zhì)量檢查報(bào)告。
整個(gè)合作落地中，英特爾的技術(shù)加持，分為兩方面。
一方面，輸出了英特爾至強(qiáng)可擴(kuò)展處理器。作為英特爾最新一代處理器產(chǎn)品，英特爾至強(qiáng)可擴(kuò)展處理器不僅擁有強(qiáng)大的通用計(jì)算能力，還為智能化輔助診斷系統(tǒng)提供并行計(jì)算能力。
系統(tǒng)中涉及的大量影像處理、人工智能處理，都對(duì)并行計(jì)算能力有嚴(yán)苛要求，而至強(qiáng)可擴(kuò)展處理器集成的英特爾高級(jí)矢量擴(kuò)展512，正是增強(qiáng)單指令多數(shù)據(jù)流（Single Instruction Multiple Data，SIMD）執(zhí)行效率的關(guān)鍵技術(shù)。
而英特爾至強(qiáng)可擴(kuò)展處理器對(duì)通用計(jì)算能力和并行計(jì)算能力的兼顧，非常有助于系統(tǒng)應(yīng)用負(fù)載的整合。
測(cè)試結(jié)果顯示，在處理能力上，兩臺(tái)基于該處理器的服務(wù)器所支撐的虛擬機(jī)數(shù)據(jù)量，可以達(dá)到原先平臺(tái)的 2.5 倍，這可大大降低用戶的總擁有成本（Total Cost of Ownership, TCO）。
盈谷方面也分享說(shuō)，原先系統(tǒng)渲染用一種GPU板卡，人工智能計(jì)算用另一種GPU板卡，業(yè)務(wù)處理則用通用處理器，成本很高且維護(hù)復(fù)雜?，F(xiàn)在只需部署至強(qiáng)就可全部搞定。
當(dāng)然，硬件加持的另一面是軟件架構(gòu)優(yōu)化助力。
英特爾對(duì)Caffe、Tensorflow等人工智能框架的優(yōu)化，也進(jìn)一步提升了西安盈谷智能化輔助診斷系統(tǒng)的功效。
以針對(duì)英特爾技術(shù)優(yōu)化的RFCN模型為例，模型優(yōu)化裁剪融合帶來(lái)了近30%的性能提升，而進(jìn)一步優(yōu)化 OpenMP多線程實(shí)現(xiàn)方案后，其性能還能再提升40%-50%。
此外，面向深度神經(jīng)網(wǎng)絡(luò)的英特爾數(shù)學(xué)核心函數(shù)庫(kù)（英特爾 MKLDNN）的加入，也幫助該系統(tǒng)向全面人工智能化邁出了更加堅(jiān)實(shí)的一步。這一工具主要通過(guò)以下三個(gè)方面來(lái)提升人工智能模型的性能：
英特爾這些軟、硬件技術(shù)的配合和調(diào)優(yōu)，讓西安盈谷智能化輔助診斷系統(tǒng)具備了更為理想的性能表現(xiàn)，并贏得了用戶的一致好評(píng)——有來(lái)自一線部署的測(cè)試數(shù)據(jù)表明：以單幅胸部 Dicom 數(shù)據(jù)執(zhí)行 RFCN 模型為例，使用至強(qiáng)金牌6148處理器時(shí)，可比使用主流GPU的耗時(shí)降低10%。
經(jīng)驗(yàn)三：用AI活用傳統(tǒng)場(chǎng)景大數(shù)據(jù)
在把AI帶入傳統(tǒng)行業(yè)過(guò)程中，最不缺的是“數(shù)據(jù)”，但最考驗(yàn)技術(shù)的也是大數(shù)據(jù)的分析應(yīng)用。
比如快遞物流，整個(gè)系統(tǒng)運(yùn)轉(zhuǎn)過(guò)程中，每一個(gè)流程節(jié)點(diǎn)都有大量的數(shù)據(jù)需要分析處理，一旦應(yīng)用得當(dāng)，就能讓效率顯著提升。
在韻達(dá)的合作中，英特爾就利用軟硬件產(chǎn)品組合，實(shí)現(xiàn)了三大關(guān)鍵流程上的AI優(yōu)化：
如果不深入該領(lǐng)域，可能不會(huì)關(guān)注到“大小件”帶來(lái)的數(shù)據(jù)優(yōu)化和效能提升可能。
在物流快遞行業(yè)中，快遞件的體積測(cè)量是韻達(dá)各分撥中心的核心工作內(nèi)容之一。
通過(guò)對(duì)快件的體積進(jìn)行預(yù)判，分撥中心工作人員可以給出更為合理的分揀、裝車和配送規(guī)劃，來(lái)降低單件配送時(shí)長(zhǎng)及單公斤成本。
傳統(tǒng)的方式，是分撥中心采用人工方式來(lái)進(jìn)行判別，不僅費(fèi)時(shí)費(fèi)力，還可能出現(xiàn)較大誤差。
于是如果加持AI，利用機(jī)器視覺技術(shù)來(lái)提升測(cè)量的效率與質(zhì)量——通過(guò)裝備在分撥中心輸送系統(tǒng)上的高拍儀，AI 應(yīng)用會(huì)采集快件的圖像信息，并傳送到后端服務(wù)器進(jìn)行測(cè)量，就能更好分析數(shù)據(jù)實(shí)現(xiàn)優(yōu)化。
比如在測(cè)量完成后，分析后數(shù)據(jù)返回至輸送系統(tǒng)，指導(dǎo)決策，按不同大小的快件送至合適的分揀和裝車處。
英特爾分享，在該過(guò)程中，Analytics Zoo平臺(tái)提供的圖像分類技術(shù)在其中起到了關(guān)鍵作用。
利用該平臺(tái)內(nèi)置的圖像識(shí)別模型，AI應(yīng)用首先能夠提取出待測(cè)量的快件輪廓，進(jìn)而通過(guò)平臺(tái)提供的 TensorFlow等深度學(xué)習(xí)框架，結(jié)合英特爾至強(qiáng)可擴(kuò)展處理器提供的算力，完成從模型訓(xùn)練、模型重定義到模型推理的AI處理全流程，最終獲得準(zhǔn)確的大小件測(cè)量數(shù)據(jù)。
基于此，韻達(dá)還在進(jìn)一步地利用深度學(xué)習(xí)算法來(lái)進(jìn)行運(yùn)籌優(yōu)化。
例如其將裝車過(guò)程抽象為經(jīng)典的“切箱問(wèn)題”，也就是當(dāng)不同大小的快件到來(lái)之際，要規(guī)劃好擺放的次序、朝向和位置，來(lái)使裝件量最大化，從而盡可能降低運(yùn)輸成本。
在英特爾的協(xié)助下，韻達(dá)AI團(tuán)隊(duì)利用深度學(xué)習(xí)的結(jié)構(gòu)來(lái)表述這一問(wèn)題的各個(gè)狀態(tài)，并在其后加上強(qiáng)化學(xué)習(xí)的方法，將這一啟發(fā)式的策略學(xué)習(xí)出來(lái)，其應(yīng)用效果，甚至優(yōu)于傳統(tǒng)的運(yùn)籌優(yōu)化方式。
在件量預(yù)測(cè)、數(shù)據(jù)中心異常檢測(cè)等方面，英特爾提供的軟硬件一體化支持，也同樣在發(fā)揮作用，特別是大數(shù)據(jù)分析技術(shù)和至強(qiáng)提供的算力，還具備了規(guī)模化遷移部署的能力。
并且對(duì)于韻達(dá)這樣的快遞公司來(lái)說(shuō)，之前的“死數(shù)據(jù)”，現(xiàn)在都能被“活用”。
還因?yàn)殛P(guān)鍵流程上的AI化，帶動(dòng)了更多流程進(jìn)一步降本增效，并且為更高層級(jí)的自動(dòng)化提供了前提。
此外，在AI賦能的過(guò)程中，被關(guān)注最多的是模型訓(xùn)練和推理過(guò)程，往往忽略了數(shù)據(jù)存儲(chǔ)也已成為不容忽視的前奏一環(huán)。
身處電商核心一環(huán)的京東，是英特爾分享的另一個(gè)重要案例。
京東的核心場(chǎng)景是圖像分析和處理。從京東的完整產(chǎn)品目錄中提取圖像特征，目錄中涵蓋電腦、玩具和服飾等多種類別，產(chǎn)品數(shù)量多達(dá)數(shù)億件。
這就需要為圖像分析創(chuàng)建高性能的基礎(chǔ)設(shè)施，該基礎(chǔ)設(shè)施需要可擴(kuò)展以應(yīng)對(duì)不斷增長(zhǎng)的數(shù)據(jù)庫(kù)。
在此基礎(chǔ)上，還得進(jìn)一步構(gòu)建易于開發(fā)、且可用于創(chuàng)建新圖像分析應(yīng)用的云分析平臺(tái)。
起初，京東使用了GPU進(jìn)行部署。
但挑戰(zhàn)也很快出現(xiàn)。一方面，在存儲(chǔ)設(shè)備和GPU分析集群之間復(fù)制數(shù)據(jù)占用了總處理時(shí)間的一半。其次，開始嘗試使用GPU進(jìn)行加速時(shí)，發(fā)現(xiàn)難以進(jìn)行開發(fā)和執(zhí)行。
具體是在集群環(huán)境中，京東遇到了常見的內(nèi)存不足錯(cuò)誤，以及因GPU內(nèi)存不足而導(dǎo)致的程序崩潰。
事實(shí)證明，在集群中以GPU卡為單位的資源管理和分配工作非常復(fù)雜，容易出現(xiàn)錯(cuò)誤。在多GPU服務(wù)器情況下，京東的開發(fā)人員不得不手動(dòng)管理數(shù)據(jù)分區(qū)、任務(wù)均衡和容錯(cuò)。另外還存在諸多依賴性（如CUDA），使生產(chǎn)部署變得十分困難。
在GPU中執(zhí)行圖像處理時(shí)，還會(huì)出現(xiàn)延遲——由于將數(shù)據(jù)從分布式大數(shù)據(jù)存儲(chǔ)庫(kù)復(fù)制到GPU進(jìn)行分析，然后再將結(jié)果復(fù)制回來(lái)需要花費(fèi)時(shí)間。
這部分流程所耗費(fèi)的時(shí)間占特征提取總時(shí)間的一半。
而目前圖像預(yù)處理也具有很大的挑戰(zhàn)性，因?yàn)槟壳斑€沒有軟件框架可支持資源管理、數(shù)據(jù)處理和容錯(cuò)。
因此，京東需要一個(gè)能夠以可擴(kuò)展和可持續(xù)的方式，為圖像數(shù)據(jù)庫(kù)的特征提取流水線提供支持的基礎(chǔ)設(shè)施。
于是幾經(jīng)輾轉(zhuǎn)后，京東用CPU代替GPU，在基于至強(qiáng)Spark集群上，它可以橫向擴(kuò)展至數(shù)百或數(shù)千臺(tái)服務(wù)器。
然后通過(guò)BigDL——面向Apache Spark的分布式深度學(xué)習(xí)庫(kù)，能夠加載之前已使用GPU資源訓(xùn)練好的Caffe模型，并在現(xiàn)有CPU圖像存儲(chǔ)架構(gòu)上重新部署這個(gè)模型。
最終，性能提高了3.83倍。
無(wú)獨(dú)有偶，隨著AI進(jìn)一步與更多行業(yè)結(jié)合，為AI訓(xùn)練和超算定制高性能存儲(chǔ)，也成為越來(lái)越多公司的需求和機(jī)遇。
比如百度智能云，在云服務(wù)推進(jìn)中，打造了一套全閃對(duì)象存儲(chǔ)方案，導(dǎo)入QLC固態(tài)盤 傲騰固態(tài)盤組合，專攻AI訓(xùn)練、大數(shù)據(jù)和高性能計(jì)算。
并且效果也能拿數(shù)據(jù)說(shuō)話：
經(jīng)驗(yàn)四：新領(lǐng)域探索，AI ≠ 深度學(xué)習(xí)
第四大經(jīng)驗(yàn)，AI落地不僅要解決當(dāng)前的痛點(diǎn)，也要基于現(xiàn)狀著眼長(zhǎng)遠(yuǎn)。
英特爾最后分享的實(shí)踐經(jīng)驗(yàn)中，特別強(qiáng)調(diào)的是與南京大學(xué)周志華教授團(tuán)隊(duì)在深度森林方面的合作成果。
在過(guò)去數(shù)年中，由于深度學(xué)習(xí)的空前成功，很多人已經(jīng)將深度神經(jīng)網(wǎng)絡(luò)和AI劃上了完全等號(hào)。
然而實(shí)際上，囿于神經(jīng)網(wǎng)絡(luò)算法的特性，深度學(xué)習(xí)在離散的、非連續(xù)可微的數(shù)據(jù)集上的訓(xùn)練效果并非最優(yōu)。
同時(shí)，它也存在需要海量標(biāo)注數(shù)據(jù)、理論分析困難以及過(guò)于依賴超參數(shù)等短板。
為此，專攻AI的科學(xué)家們正推陳出新，積極探尋更多、更新的AI研究方法。
深度森林方法，就是其中較為知名且不斷展現(xiàn)成果的新探索。
周志華教授團(tuán)隊(duì)提出的深度森林方法，以多層級(jí)決策樹森林集合的方式另辟蹊徑。
通過(guò)實(shí)驗(yàn)室及真實(shí)應(yīng)用場(chǎng)景的論證，深度森林被證明在金融數(shù)據(jù)分析、情感分類等需要離散建模、混合建模或符號(hào)建模的應(yīng)用場(chǎng)景中，可取得比深度神經(jīng)網(wǎng)絡(luò)更優(yōu)異的效果。
并且由于深度森林對(duì)并行計(jì)算的需求遠(yuǎn)大于矩陣計(jì)算，而這正是擁有眾核、高頻特性的英特爾架構(gòu)處理器的擅長(zhǎng)之處。
因此深度森林從發(fā)軔之初，就跟英特爾的AI算力迅速相輔相成。后者提供算力支持，也通過(guò)吸收周志華團(tuán)隊(duì)的結(jié)果反饋，對(duì)軟件、編譯器等實(shí)施持續(xù)優(yōu)化。
雖然深度森林相比深度學(xué)習(xí)是更前沿的探索和研究，但落地也已經(jīng)開始。
通過(guò)與螞蟻金服進(jìn)行的合作，深度森林再次被驗(yàn)證可在大規(guī)模金融風(fēng)控任務(wù)處理上取得良好效果，進(jìn)而幫助用戶避免不必要的經(jīng)濟(jì)損失。
之前還有專門研究成果論文，介紹雙方團(tuán)隊(duì)在“現(xiàn)金支付欺詐的自動(dòng)檢測(cè)”這一任務(wù)上，對(duì)深度森林的訓(xùn)練效果的驗(yàn)證。
此外，相比深度學(xué)習(xí)，深度森林在模型可解釋性方面也更優(yōu)秀和高效，于是在要求極高的互聯(lián)網(wǎng)金融領(lǐng)域，開始得到更多應(yīng)用和試水。
對(duì)于英特爾和CPU來(lái)說(shuō)，深度森林展現(xiàn)的潛力，也是其未來(lái)更大可能性的表現(xiàn)之一。
隨著深度學(xué)習(xí)日漸走向“圓滿”，而AI落地中需求不斷增加，伴隨深度森林從“幼苗”開始的CPU，可能會(huì)在下一階段放出更大光亮。
這或許也是英特爾與南京大學(xué)在2018年9月正式成立“人工智能聯(lián)合研究中心”的原因，推動(dòng)前沿探索，進(jìn)一步助力AI技術(shù)落地，幫助中國(guó)AI產(chǎn)業(yè)實(shí)現(xiàn)真正意義上的“質(zhì)變”。
總結(jié)：落地見真章
最后，概括而言，對(duì)于AI計(jì)算的關(guān)注，是時(shí)候從跑分、性能參數(shù)的比較，進(jìn)入到效能變革幅度的對(duì)比。
因?yàn)锳I發(fā)展，已經(jīng)進(jìn)入了落地為王的競(jìng)爭(zhēng)，而且只有真正落地，才能最終兌現(xiàn)AI價(jià)值。
落地中見問(wèn)題，落地中見真需求，落地中也才能見真章。
AI計(jì)算的競(jìng)爭(zhēng)，已經(jīng)來(lái)到了2.0時(shí)代。
— 完 —
誠(chéng)摯招聘
聯(lián)系客服
