侵权投诉
订阅
纠错
加入自媒体

除了深度学习 你还应该关注这6大AI领域

2017-01-26 09:50
冷血の爱
关注

5、用于训练与推理的硬件

AI取得进展的一个主要的催化剂是图形处理单元(GPU)被重新利用到了训练大型神经网络模型上面。GPU跟按序列进行计算的中央处理单元(CPU)不一样,它提供了大规模的并行架构,可并发处理多个任务。考虑到神经网络必须处理庞大(有时候还是高维)的数据,在GPU上面训练要比在CPU上训练快得多。这就是为什么自2012年AlexNet(首个在GPU上实现的神经网络) 发布以来GPU实际上已经成为淘金热的铁铲原因。这方面NVIDIA一直处于领先地位,把英特尔、高通、AMD以及最近进入的Google甩在了身后。

但是GPU并不是专门用于训练或推理的硬件;它们原来是为了替视频游戏渲染图像而创造的。GPU具有很高的计算精度,但却不是随时之需,同时还遭遇了内存带宽和数据吞吐量的问题。这为Google之类的大公司内部新型的初创企业和项目开放了竞技场,使得后者可以设计和制造特殊的针对高维机器学习应用的芯片。新芯片设计有望实现的改进包括更高的内存带宽,基于图的计算而不是基于向量(GPU)或者标量(CPU),更高的计算密度,每瓦特的效率和性能提升。这令人兴奋,因为AI系统显然为它的所有者和用户带来了加速回报:更快更高效的模型训练→更好的用户体验→用户与产品的互动更多→创造出更大规模的数据集→通过优化改进模型性能。因此,那些能以更高计算效率和能效更快训练并部署好AI模型的人将具备重大优势。

应用:模型训练更快(尤其是基于图的训练);以很高的能效和数据效率做出预测;在边缘层(物联网设备)运行AI系统;随时侦听的物联网设备;云基础设施即服务;无人车、无人机和机器人。

公司:Graphcore, Cerebras, Isocline Engineering, Google(TPU), NVIDIA(DGX-1), Nervana Systems(英特尔), Movidius(英特尔), Scortex。

6、仿真环境

正如前面讨论过那样,AI系统训练数据的生成往往是很有挑战性的。此外,AI如果想在现实世界中发挥作用的话必须推广到许多情况下也适用。而开发可模拟真实世界的物理结构和行为的数字化环境,可以为我们衡量和训练AI一般智能提供试验场。这些环境以裸像素的形式呈现给AI,后者然后采取行动以便解决被设定(或者学会)的目标。在这些模拟环境下训练可以帮助我们理解AI系统时如何学习的以及如何对它们加以改进,但也能为我们提供有可能转移到现实世界应用的模型。

应用:学会驾驶;制造;工业设计;游戏开发;智慧城市

公司:Improbable, Unity 3D, 微软(Minecraft), Google DeepMind/Blizzard, OpenAI, Comma.ai, Unreal Engine, Amazon Lumberyard

研究人员:Andrea Vedaldi(牛津大学)

<上一页  1  2  3  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号