AI的下一个五年方案
发布时间：2021-10-14 08:49:25 所属栏目：大数据 来源：互联网
导读：30秒快读 1、类脑智能在AI脑内开了个意识小剧场，深度学习不是炼金术 AI还能学什么？AI开源框架国产化，百度、旷视相对抗谷歌、脸书。 2、《IT时报》记者试图探寻AI的下一个5年计划。 01 类脑智能：在AI脑内开个意识小剧场 类脑智能，被誉为人工智能的终极目
|
“当前针对小样本的深度学习，主要依靠迁移学习的方法。”陈敏说。
微众银行首席人工智能官杨强曾在一次公开演讲中表示，在云端用户群中，每台手机其实是一个用户，用户和特征没有重叠性，可以在保证隐私安全的条件下进行迁移学习。
但迁移学习并不是万能的。韩林告诉《IT时报》记者，如果没有一个和开发者所需相近的模型，开发者依然要面临从零开始做模型训练的困境。
“能有一套针对小数据样本的准确算法一直是行业中的大难题。”一位某互联网巨头公司的AI技术人员直言。“围绕数据量不足的情况”，是杨建国认为人工智能未来发展主攻方向。
对抗学习：为AI设置“陷阱” 以假乱真
以子之矛，攻子之盾。
当大众惊叹于AI功能强大的同时，也常常被AI的误识别而震惊。一副带有色块的眼镜能骗过人工智能，一张带有色块的阿尔卑斯山图片能让AI误认为是一条大黄狗。
由于深度学习是黑箱算法，技术人员无法分析出为何AI技术走偏的原因。但韩林认为，这些问题很有价值。这便是对抗学习（GAN）。
所谓GAN，是指在训练过程中，生成网络G的目标是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D动态博弈，彼此在对抗中训练能力。如果G骗过了D，那么就可以生成一张足以以假乱真的图片。
图源/网络
“如果知道有色块眼镜可以欺骗机器算法，技术人员可以通过调整解决问题。如今人脸识别对用户的姿势和光照有比较严格要求，为的是防止人脸面具欺骗系统的事件再次产生。”韩林说。
在韩林看来，将深度学习中的一些非关键应用转向关键应用，对抗问题将会越来越受到重视。“如果把视觉识别运用到无人驾驶汽车上，行人只要戴上一副眼镜便无法被系统识别，你认为厂商会不重视吗？”他反问道。
但这是否意味着一轮轮的技术鸿沟。AI是否能够解决道高一尺魔高一丈的困境？
“当前人工智能还是依赖于大数据和高算力，从弱智能时代到进一步发展，仍是一条漫长的路。”前述沪上AI算法技术人员总结道。
03
AI开源框架
百度、旷视想对抗谷歌、脸书
做AI项目，或许在很多人眼里，是一项仄长而复杂的工作，其实不然。实际操作中，开发者可以选择AI深度学习框架，加载可在框架上运用的模块，调整参数，如同搭建乐高一样做出想要的AI应用。框架，省去了开发者从零开始一行行写代码的前期工作准备。
这是AI深度学习框架的魅力。《IT时报》记者注意到，目前国外主流的深度学习框架有TensorFlow、PyTorch、Caffe等，而国内的百度飞桨（Paddle Paddle）和旷视天元也吸引了一群受众。
那么面对中外深度学习框架，众多开发者会如何选择？而国内框架又会如何吸引新的开发者入局？
开发者：向国内框架迁移
韩林（化名）是一名影像识别功能的开发者，新冠肺炎期间，他从医学网站上找到CT转成图片作为数据，并搭配参数进行模型训练。“一次3521张影像的模型训练，需要40-50分钟。”他说。
接触深度学习框架2年，韩林最终从TensorFlow转到飞桨。他认为，飞桨API比TensorFlow更简洁，调试组网代码也更方便。
飞浆官网
“当时做了一个比较复杂的模型，用TensorFlow调整模型结构一个月没有实现收敛，但用飞桨一周就完成了。”这是他接触飞桨时的第一印象。
林芸（化名）从事的是文本处理技术工作，易用性强，是她选择飞桨文心的缘由。
上海聪链信息科技有限公司创始人丁强则是旷视天元框架的拥趸。在他看来，旷视在视觉识别领域的优势，使得天元更适用于该场景的开发。疫情期间，旷视在10天之内推出“明骥AI智能测温系统”，通过天元框架对算法模型进行专项训练与优化升级，精准定位到额头再快速测温，误差在±0.3℃以内。
上海埃瓦智能科技有限公司创始人王赟则考虑到3D视觉芯片的推广应用，选择了腾讯系的深度学习框架Angel。
AI开发者王剑（化名）向《IT时报》记者给出他选择国内深度学习框架的考量：社区规模。“社区强大，框架会越来越好，因为用的人多，如果论文作者提供的代码都是国内某个框架的话，这个框架会有更多人去完善升级。”他说。
百度方面透露，截至目前，飞桨平台已经凝聚194万开发者，8.4万的企业在平台上创建了超过23.3万个模型。在主流开源社区整体star数超过4万，核心框架的star数超过1.1万。天元则未披露开源社区用户数。
在领规科技CEO安康看来，国内外深度学习框架每家各有不同，主要还是看开发者的产品和业务属性，最终通过调整开源社区的模板参数实现应用。
一位在中小型智能硬件类企业工作的王婷（化名）告诉《IT时报》记者，目前公司正在使用Caffe框架。不过，未来可能会考虑使用华为MindSpore，因为公司项目正在使用海思芯片做研发。
尽管有开发者反映，因国内深度学习框架发展时间较短，可能出现部分功能不支持、开发者基数不足导致社区无法马上解决所需解决问题等情况，但不可否认，正有一群开发者们向国产深度学习框架靠拢。
选ARM低功耗
2020年世界人工智能大会上，旷视介绍了其深度学习框架天元MegEngine的Beta版本，天元重点增加了模型量化与支持ARM处理器两个功能。
人工智能深度学习离不开海量数据和算力，大模型在带来精度提升的同时，也对计算资源消耗提出更多要求。这导致它们无法部署在很多非云端的计算设备上（比如智能手机），因此有必要通过模型量化。这些轻量化模型，使它们能够满足小型计算平台的要求。目前，Tensorflow、PyTorch、飞桨等框架均实现了量化功能。MegEngine自然不能落后。
“由32位浮点转至int8推理，可实现3倍左右的推理加速，减小模型75%的尺寸，减少存储空间、内存耗用和设备功耗。”旷视研究院AI系统高级技术总监徐欣然介绍。
端侧学习是深度学习框架的新趋势。“端侧一般不会进行训练，只会推理。”上海计算机软件技术开发中心人工智能技术研究应用与测评团队负责人陈敏刚告诉记者，在设备端推理，没有网络时延，不需要海量服务器和带宽资源，也不需要将数据上传云端，保护了用户隐私。
天元Beta版本添加了对广泛用于手机和终端电子设备的ARM平台处理器的支持，并推出了推理优化工具教程，还与面向AIoT的框架小米Mace和嵌入式边缘计算框架Tengine展开了合作。
百度深度学习技术平台部高级总监马艳军告诉《IT时报》记者，目前包括英特尔、英伟达、华为、ARM等诸多芯片厂商都支持飞桨，并开展合作。这意味着ARM平台处理下，低能耗的可能。
不过，值得一提的是，功耗似乎是AI在边缘侧、云端的枷锁，大大限制了算力。据《IT时报》记者了解，目前数据中心的一个机柜功耗限制在6000瓦-8000瓦，而一台性能强劲的GPU服务器也要四五千瓦。
下一站：量子
如果说兼容其他开源框架训练模型是飞桨一大亮点，那么，融合量子计算则是飞桨的另一张牌。今年5月20日，“量桨”首度亮相。
“AI技术可以促进量子计算的研发，甚至突破量子计算核心瓶颈问题。另一方面，量子系统的并行模式和信息处理优势，也可能使量子计算机在一些特定AI任务上超越经典计算机，进而促进AI技术的突破发展。”马艳军说。
今年3月,TensorFlow与谷歌合作TensorFlow Quantum(量子)，为了在更深层次模拟自然，扩展机器从量子数据中学习的能力。
尽管从去年下半年起，量子优越性的新闻不断出现，只是目前量子计算处于实验室阶段。超低温（接近绝对0度）、黑暗环境的设定，令量子计算离商用化之路仍有一段距离。
不妨看作这是百度的一次布局。2018年3月，百度研究院量子计算研究所成立，着重研究量子人工智能、量子算法和量子架构。
 （编辑：淮安站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |