<mark id="oztn4"></mark>
1
| 本文作者： 老王 | 2016-11-15 19:53 | 專題：微軟亞洲研究院院友會 |
雷鋒網按：本文根據余凱在微軟亞洲研究院召開的“讓世界充滿 AI-人工智能研討會”上所做的報告《 “AI Inside”無處不在的未來 》編輯整理而來，在未改變原意的基礎上略有刪減。
我總在思考，如果當一個風口到了的時候，我再進入這個風口，我會沒有滿足感。
我始終在想，下一個機會在什么地方？它現在可能處于邊緣狀態，但我相信某個邊緣的機會，會成為一個未來的機會，而這個未來的機會就是下一個風口。
這個思考過程非常痛苦，因為需要不斷否定自己，去挑戰自己，而且不被大多人理解。
2012 我們在清華大學以及百度內部推深度學習，別人會質疑：投入這么大的資源去做這個事情是否值得。而現在，很多項目都是基于深度學習，并且應用非常的廣泛。
這其實就是一個從邊緣到中心的典型案例。
我繼續在思考，是不是該到邊緣去，看看將來有沒有機會成為撬動世界的力量。這就是我的 AI Inside，之前有個概念叫 Intel Inside，它創造了摩爾定律，撬動了整個 IT 產業。
2002 年我在微軟實習，當時我、何曉飛、顏水成是團隊里為數不多較為關注機器學習的人，因為志同道合我們就成為了好朋友。有意思的是，之后我們三人里面，我創立了百度深度學習研究院，曉飛創立了滴滴研究院，而水成則創辦了 360 人工智能研究院。
我認為驅動人工智能的進展主要有三個因素：
大數據：線下的數據不斷線上化。
大算法：深度學習和增強學習的發展，深度學習用來感知、處理信號，增強學習則做于決策。二者相輔相成。
大計算：按照摩爾定律，2030 年一千美金買到的計算資源跟人腦相似。當然，現在英特爾宣布摩爾定律開始變慢。所以預測沒法這樣下去，另外一方面，從宏觀上講，對處理器架構的改版不僅僅是工藝層面，架構的變化也為計算帶來變化。
從統計學習理論角度講，分析一個學習算法的性能一般用推廣誤差來分析它。如果我們對推廣誤差的來源做分析，我們就能找到更好的方法去控制算法中一些不恰當的地方，以便找到更好的手段。
這其中有一個經典的統計角度分析方法，就是把推廣誤差分解為：近似誤差（Approximation error） 和估計誤差（Estimation error）。
近似誤差（Approximation error）主要會做一些假設，由于假設的不完美，所以帶來了近似誤差，另外一種由于數據的不完美，所導致估計誤差（Estimation error）的出現。
這樣分析存在一個問題，就是你假設的計算資源是無限的，所以可以得到這樣一個分析的結果。但從計算機科學的角度上來講的話，我們會考慮計算的不完美，所以引入第三個誤差：Optimization error，也就是算法。
考慮到計算的不完美，我們得到一些引導。
Model Class Bias：我們用大模型，模型越來越大，Bias 就越來越小。
用更多的數據。
設計一個合適的算法。
深度學習處于一個非常幸運的區間，從統計性能來講，他的 Model Bias 很小，但從計算效果來講，它可以看到大數據。
這是一個很幸運的事情，過去深度學習在視覺和語音上有著很多的應用，而在互聯網行業中主要應用在搜索和廣告中，當然，機器人也是一大落地方式，深度學習在機器人的作用主要在于決策。
在百度期間，我們利用很大的模型和 1000 億個訓練樣本，去改善搜索引擎的檢索，比谷歌的 Ranknet 早兩年。
包括在數據中心用深度學習改善運行效率，把 PUE（評價數據中心能源效率的指標）降低，這比 Deepmind 今年做出的結果早一到兩年時間。
除了這些以及自動駕駛外，深度學習還能提升廣告收入。這是百度當年的股票曲線：
圖中那個節點，是百度對外公布基于深度學習的百度蜂巢網絡（廣告系統）的節點。
剛加入百度的時候，我在自我介紹環節提到，希望在兩三年時間內讓外界在討論 Google 人工智能時也會討論百度。
站在今天這個時間點上，我想跟大家分享。
我的回答說 AI Inside，過去我們在云端部署算法和服務，但是現在有個機會是，把運算放在嵌入式和前端中。
比如是否可以在前端實現語音識別？
這樣在跟太太說的話不一定要傳在云端里面，隱私能更好保護，體驗更好。
再比如說在自動駕駛，如果有個小孩子突然橫穿馬路，傳感器需要把這個信號傳送至云端，然后做決策，但如果這個時候網絡信號不好呢？
這就涉及到如何在前端嵌入式地解決人工智能的問題。
（顏水成博士曾在雷鋒網承辦的 CCF-GAIR 大會中提到，如果將運算任務直接下發到智能設備終端上，這些瓶頸就會迎刃而解。但是，把運算載荷放到設備上，顯然要克服諸多問題。其中最大的一個就是：終端設備的運算能力存在天花板。由于智能設備成本有限，大多不可能配備頂級運算芯片）。
在中國有很多應用場景，中國每年需要新部署一億的安防攝像頭，大概到 2021 年，其中 30% 的是智能安防攝像頭。這就必須要求低功耗，如果功耗很高，在陽光照射下，溫度能達到 70 到 80 度，這種情況下就不能很好地處理計算。
平均每輛自動駕駛汽車擁有 8 到 10 個攝像頭，再加上傳感器、雷達、激光雷達等等，每一秒產生 TB 的級的數據，這種計算怎么去處理？
孫正義預測，2040 年會有 100 億個機器人，當然這種機器人指的是廣義上的智能機器，而不僅僅是人形機器人。
歷史總是在不斷重復，首先是 Enabling Technology Businees ，然后是 Technology Tnabled Business。
前者賣的是技術本身，當這些技術成熟后，一些公司做開發直接采用別人的技術，在這基礎上，這些公司賣的是其他產品。
互聯網時代，思科的市值一度高達到 3000 億美金。雖然當時我們不知道互聯網有什么用，但得先鋪好網絡，等網絡鋪好后，在這上面出現了 Google、Facebook 這些應用。正如圖中顯示，谷歌在后面成長起來。
移動互聯網，雖然不知道移動應用在哪里，但移動網絡需要 CDMA，鋪好后蘋果成為了巨無霸。
過去三四年時間，有個規律正在發生。
2011 年谷歌做大規模的深度神經網絡訓練，最后識別出貓臉，其實這件事是失敗的。當時他們相信用 CPU 可以做所有事情，后面 Jeff Dean 意識到做神經網絡訓練用 CPU 是錯誤的。在百度，我們大規模用 GPU 做深度學習訓練，在 2014 年，我們和微軟都意識到 GPU 只適合做訓練，不適合推斷和預測，所以在大規模部署FPGA。今年我們也看到了其他產品如 TPU 和 BPU。
我再給大家看一個曲線，這個曲線是我一個禮拜之前畫的：
這是英偉達的股價曲線，從去年七月開始到現在漲了四倍。在全球所有的高科技公司里面沒有一家可以像它一樣如此高速成長。為什么？現在無論 AI 大公司還是小公司，總需要買 GPU 訓練模型。這就是 Enabling Technology 先行，Technology Enabled Business 順勢崛起的一個典型案例。
地平線正在建立一個軟件和處理器的深度神經網絡平臺，讓上層應用的表現有 1000 倍的提升，不是跟 CPU 比，我們是跟 GPU 比。
面向的應用場景主要包括自動駕駛和智能家居。
和英偉達的業務相比，他們的工作區域是在 20 瓦到 300 瓦，地平線的目標是 0.5 瓦到 5 瓦，他們的核心競爭力是價格優勢和服務，我們的定位策略是芯片+算法、解決方案和設備。
一直到今天為止，谷歌和百度的無人車在測試時每行駛一小時就需要在樹蔭下休息，知道為什么嗎？因為要散熱，無人車的功耗是非常大的。
假如我們涉及處理自動駕駛這樣一個計算，跟英偉達的計算相比，我們的不同在哪里。
地平線的優勢在于我們跑這個運算時少于 1 瓦特，但他們用了 100 瓦特，這就是我們的區別，也是地平線機器人正在做的事情。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
