一大波人工智慧晶元將在2018上市（中）

深度神經網路是幾十年來一直在人工智慧方面進行的相對較小的工作。從2012年左右開始，包括Facebook的Yann LeCun在內的研究人員開始使用特定種類的DNN識別圖像，並最終以比人類更高的準確度顯示令人驚嘆的結果。深度學習技術吸引了研究界，現在正以高速發表論文，尋求新的突破。

DNN現在提供商業服務，如亞馬遜的Alexa和谷歌翻譯，以及Facebook的面部識別。網路巨頭和他們的全球競爭對手，正在競相將這些技術應用於盡可能多的服務中，並期待儘可能找到殺手級應用。

微軟每年都會以AI為主題舉行兩次員工內部會議。最近一次有5000人參加，前SPARC處理器架構師Marc Tremblay表示，他現在領導微軟在定製AI晶元和系統方面的工作。

專家承認，他們並不完全理解為什麼現有的演算法工作得很好。辯論主題是探討這些網路演算法的相對有效性，例如遞歸（RNN）和卷積（CNN）神經網路。同時，新的模式仍在發明之中。

「五年內演算法仍然極有可能發生改變。我們在賭，像矩陣乘法這樣的最底層的演算法是不可改變的。」AMD研究員艾倫·拉什（Allen Rush）在最近一次關於人工智慧的IEEE研討會上說。

這就是Google用TPU做出的賭注，最新版本的TPU是針對訓練和推理工作的。它本質上是一個大的乘法累加單元，運行和存儲線性代數常式的結果。 Nervana和Graphcore晶元通常預計將效仿。

哈佛大學前大腦研究人員Amir Khosrowshahi說，在神經網路方面取得的成功主要集中在人工智慧領域。他目前是英特爾Nervana集團的首席技術官，創立了Nervana公司。他在IEEE研討會上表示：「由於深度學習非常成功，所以事情正在席捲而下。 每個人都在做卷積神經網路，這是一場悲劇......不要以為現在發生的事情一年後就一定會到來。」

圖：今天的DNN得到了很多關注，但是只代表了更廣泛AI領域的一小部分。 （來源：英特爾）

儘管DNN可以比人類更精確地識別圖像，「如今的數據科學家被迫花費著難以接受的時間對數據進行預處理，對模型和參數進行迭代，並且等待訓練的收斂......每一步都要麼過於勞累，要麼太計算密集型，「Khosrowshahi說。

總的來說，「人工智慧的難題仍然非常難，」他補充說。 「最好的研究人員可以得到一個機器人來打開一扇門，但拿起杯子可能比贏得Alpha Go還要更難。」

在這種環境下，Facebook和Google等網路巨頭正在發布大型數據集，以吸引更多的人從事諸如視頻等新應用領域或數據類型的識別問題。

隨著演算法的發展，研究人員也在推動深度學習的應用前沿。

Google旨在系統地將DNN應用於從幫助盲人用到的自動字幕照片，到以閱讀磁共振成像掃描結果、到監測工廠車間的質量控制等問題。谷歌人工智慧研發負責人李佳（Jia Li）在IEEE研討會上表示：「人工智慧不是一項技術或產品。 「我們需要開始理解一個領域，然後收集數據，找到演算法，並提出解決方案。每一個新問題我們都需要一個不同的模型。「

事實上，人們正在將DNN應用於幾乎所有領域，包括設計和製造晶元。英特爾編製了四十多種可能用途的清單，包括了從消費者網上購物助手到華爾街自動交易的程序。

目前擔任Target公司數據科學家，前IBM研究人員Shirish Tatikonda，對應用領域給予了更加清醒的認識。大部分零售商的數據都是關係數據，而不是最適合神經網路的非結構化數據。 Shirish Tatikonda在個活動後的簡短採訪中表示，Target的業務問題中只有大約10％適用於DNN。儘管如此，該公司正在積極開拓這一領域，其系統中約有10％是面向培訓神經網路模型的GPU伺服器。

為了擴大這種巨大的努力，谷歌的研究人員正在探索他們所謂的AutoML。這個想法是使用神經網路自動生成模型，而不需要數據科學家手動調整它們。

儘管許多最近的努力試圖縮小它們的內存佔用量，但是DNN模型在尺寸上仍然差別很大。 來源：高通

機器人技術先驅羅德尼?布魯克斯（Rodney Brooks）擔心，預期可能會失控。 他在最近的一次談話中說：「深度學習是好的，但它正在成為一個鎚子，人們可以用它去打碎一切東西。」

就帕特森而言，他仍然樂觀。 他說，雖然廣泛的人工智慧領域沒有達到過去的承諾，但它在機器翻譯等領域的成功是真實的。 「可能所有低處的果實都被採摘下來後，人們沒有發現什麼更令人興奮的事情，但是你幾乎每個星期都會看到新的進展......所以我認為我們會發現AI有更多的用途。」

編譯：Mike Zhang

本文授權編譯自EE Times，版權所有，謝絕轉載

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！