機器學習走向移動端成大勢所趨，或將再掀行業新浪潮

分散式智能的發展，以及它的過去和未來。

本文作者：嫣然

日前，德勤全球發布了《2017科技、傳媒和電信行業預測》報告，其中涉及到生物識別、5G網路、數字化變革、平板電腦發展趨勢研究等多項內容。其中在《邊緣「大腦」：機器學習移動化》一節中，德勤提出了機器學習移動化的大趨勢，並就其來龍去脈進行了簡要論述。雷鋒網將針對此章節內容為您進行重點分析解讀。

根據德勤全球的預測，2017 年超過3億部智能手機——或售出的超過五分之一——將具備機載神經網路機器學習能力。這些計算機模型旨在模擬人腦結構與功能的方方面面，用各個組件來代表神經元及其互連情況。也就是說，機器學習將真正走入這一我們最常見的移動端設備，智能手機。

在總結這一趨勢之外，德勤提出以下三個主要論點：

機器學習移動化的歷史變遷趨勢

機器學習移動化的必然性

移動端機器學習在中國的發展現狀和未來趨勢

從核心到邊緣：分散式智能發展簡史

縱觀計算機發展史，我們不難發現，它其實也是一部智能邊緣化（更貼近終端用戶）簡史。

早在20世紀70、80年代，大部分企業計算都由辦公大樓地下室里的大型主機和微型計算機完成，工作人員則在操作由沒有機載處理能力的陰極射線管監視器（被稱為「綠屏」）和鍵盤組成的「簡易終端」。在計算的歷史上，處理和內存不僅稀少，而且昂貴。因此，IT架構通常都高度集中，所有智能都位於核心位置，各種外圍設備則相對簡易。

到了20世紀80年代，處理和內存的價格大幅下降，這些功能也就被推向台式電腦。最初的應用包括會計、電子製表（比如20世紀80年代超級流行的Lotus 1-2-390）和文字處理。較之前面提到的集中式處理，這些任務可以完成得稍好一些。不過隨著時間流逝，個人電腦發展出許多更有趣、更重要的用途和效能。

同樣，在台式電腦之後，將智能推向筆記本電腦也開創出全新的市場。隨著智能手機的出現，智能進一步向邊緣靠近，早期顯而易見的應用就是即便遠離PC也能瀏覽網頁和電子郵件。在上一個十年，從應用程序到更精良的攝像頭再到語言翻譯，我們已經見識了這些一手即可掌握的智能設備可以有多強大，多具顛覆性。

在這一趨勢的基礎上，我們可以預見將機器學習——智能的一種特殊形式——推向網路邊緣是具有顛覆意義的。它不僅可以開創先機，甚至還可能創建我們現在都無法想像的行業。

值得注意的是，隨著時間的推移，針對物聯網設備的應用將更具顛覆性。攜帶型機器學習能力不僅限於智能手機。在以後，無人機、平板電腦、汽車、虛擬或增強現實設備、醫療器具、物聯網設備以及現在還無法預測的新技術都將具備這些能力。

機器學習移動化趨勢有其必然性

機器學習與傳統的顯式編程相比，能更好的的執行複雜的認知任務，這已經是不爭的事實。拿翻譯來說，傳統的翻譯過程是以單詞為單位進行的，從存儲的詞典里查找一個或多個單詞，然後再替換成另外一門語言中所對應的單詞。這種大規模的基於統計模型的機器翻譯結果往往差強人意。但如果加上神經網路機器翻譯，翻譯工作就不用零敲碎打地進行，而是一次可以完成好幾個句子甚至一整個段落的翻譯，最後的結果也更加符合語法規則、符合語言習慣，也更容易理解。

然而到2016年為止，這些機器學習的過程全部都依賴於雲端而非移動設備，因此在沒有蜂窩網或Wi-Fi 連接的情況下就無法執行。人們對於手機的日益依賴，以及手機功能的日益強大，使得它們的連接能力不足已經不僅僅是不便，更可能造成致命傷害。我們需要移動設備能夠持續而穩定的執行機器學習任務，在斷網情況下，也可以提升諸多應用的性能，包括室內導航、圖像分類、增強現實、語音識別和語言翻譯等。且在這一過程中，所有數據不必再連接到遠程的大型數據中心，更具隱私性。

同時，在手機端執行如圖像識別之類的任務可以減少必需傳輸的數據量。與觀看或上傳視頻相比，這一點對消費者使用智能手機的影響並不大。但是，在潛在的物聯網應用及分析領域，減少需要傳輸的數據量（以及延遲）則重要得多。

短期內，大多數的本機機器學習能力都是在消費類電子設備上實現的，比如智能手機和平板電腦。不過隨著時間的推移，針對物聯網設備的應用將更具顛覆性，譬如自動駕駛、醫療設備或者油氣管道鑽探等。

移動端機器學習在中國的發展現狀和未來走勢

總的來說，在雲上智能向端上轉移的趨勢中，硬體實現將向類腦神經元晶元方向發展，緊湊型神經網路將隨之取得進展，從而為用戶提供更具針對性的優化體驗。

端上智能的硬體實現方向是類腦神經元晶元。德勤預測，2017 年支持硬體端自主學習的類腦神經元晶元將得到發展，並投入實際的產業化應用。

具體可分為兩類：一類是專用式的輔助處理器，它們的功能是在原有主機處理器的基礎上加速深度學習演算法，從而獲得在某些領域的突出表現。這方面巨頭公司已經出產包括谷歌的TPU(Tensor Processing Unit)，英偉達的Nvidia Tesla P100晶元等，我國於今年發布的「星光智能」、「寒武紀」等亦皆屬此類。

「星光智能」是全球首顆具備深度學習人工智慧的嵌入式視頻採集壓縮編碼系統級晶元，這款基於深度學習的晶元運用在人臉識別上，最高能達到98%的準確率，超過人眼的識別率。「寒武紀」優勢集中在人臉識別、聲音識別等方面。二者可廣泛應用於人臉識別、語音識別、無人機、智能駕駛輔助等方面。德勤預測，2017 年或將出現裝有輔助式深度學習晶元的手機、攝像頭、無人機等移動端設備，以優化人工智慧體驗。

另一種類腦神經元晶元是可獨立運行不再需要CPU 輔助的處理器，如英特爾剛剛推出的Knights Mill晶元，能充當主處理器，可以直接接入RAM系統。我國也已先行出現一批獨立的類腦神經元晶元，根據神經形態工程學原理，利用電路模擬人類「神經元」形態，從而模擬人腦運行，其特點是可在無網路情況下自主學習，且相比通用處理器功耗更低、效率更高。支持離線學習的晶元已在電腦上運行試驗，但目前還未嵌入更小的移動設備如手機、無人機等。德勤預測，2017 年可以期望該類晶元的進一步改進，並在未來裝載於更小型的移動端。

端上智能的技術實現方向是更緊湊的神經網路演算法。針對特定移動端優化的緊湊型神經網路演算法將產生並活躍於2017 年，這也將成為各大廠商的新戰場，比如，優化出能支持在智能手機上離線運行語言翻譯、符號識別、語音識別等任務的小型神經網路演算法。

端上智能的體驗趨勢是用戶針對性優化。德勤認為，通過移動端自主學習的能力，我們可以期望產生更具針對性的優化體驗，這一優化體驗可延伸應用於手寫符號識別、自然語言理解、圖像處理等領域。自主學習的手機將成為人們工作、學習、娛樂上的助手。並且，移動端的離線機器學習在教育、醫療、智能家居、物聯網等行業都可廣泛應用。

雷鋒網結語：

目前而言，我們現在所談到的智能應用，大多數都是再雲端上整理、計算來的模型，本地端的終端，比如說智能手機，在機器學習上扮演的角色其實並不是很重要，計算性能較弱，加上功耗預算有限，手機本身能達到的學習機制相當有限。但隨著半導體技術的發展，以及手機應用的智能化以及個人化要求的強化，手機上機器學習能力的強化，也變成未來必走的方向。由此而產生的對於移動設備軟硬體等方面的要求，必將在本就是群雄逐鹿的移動端市場上掀起新一輪的激烈競爭。雷鋒網認為，可以預見的是，如果廠商有足夠的預算和人力，以及可見的市場空間，那麼自己定規格、造晶元會是不錯的方式。目前，intel、Google、蘋果等巨頭企業已經在此投入重本，力圖先人一步。但是對於一般中小規模的終端從業者或方案設計業者，可能就很難採取上述方式，此時就必須要使用標準架構，在市場上找到最佳的現成方案，縮小和那些資金充足的廠商之間的差距。具體如何選擇，則需對應用場景做出全盤考量了。

雷鋒網原創文章，未經授權禁止轉載。網站轉載請至雷鋒網官網申請。但歡迎討論~

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！