2019年人工智能硬件與應用大趨勢

摘要： 機器學習能真正發展爲人工智能嗎？硬件對人工智能到底有多重要？有哪些應用會在2019年成爲現實？

2019年即將到來，人工智能將往什麼方向發展？機器學習將如何演變爲人工智能？在神經網絡領域具備20年的技術經驗Eugenio Culerciello，在硬件和軟件兩方面都有經驗積累。他預測，在硬件和應用兩方面，2019年的人工智能都值得咱們期待。

目標

一句話歸納，人工智能領域的目標就是製造超越人類能力的機器：自動駕駛汽車、智能家居、人工助理和安防攝像頭是首要的目標，接下來是智能廚房、清潔機器人以及安防無人機和機器人。其餘應用包括永遠在線的我的助理，和可以看見、聽見用戶生活經歷的生活伴侶。人工智能的終極目標則是徹底自動的人工個體，能在平常任務中達到、甚至超越人類的工做表現。

軟件

一般，軟件是指在最佳化算法訓練之下，可以解決某一具體任務的神經網絡架構。不過，這並不能等同於人工智能。人工智能必須可以在真實環境中進行無監督學習，重新的經驗中學習，結合在各類環境中學到的知識、解決當下的問題。
那麼，目前的神經網絡，如何能演變爲人工智能呢？

• 神經網絡架構
  神經網絡的優點在於從數據中自動學習，但咱們忘記了一點：訓練的基礎是手動設計的神經網絡架構，這沒法從數據中習得。這是目前這個領域的重大限制因素。問題在於，從數據中學習神經網絡架構目前必須從零訓練多個架構，而後選擇一個最佳架構，這須要太長時間。

• 目前神經網絡的限制

沒法預測、基於內容推理和暫時性不穩定都是目前的限制。咱們須要一種新的神經網絡。

神經網絡正在演變爲編碼器和解碼器的結合。編碼器將數據編碼爲一種代碼表徵，解碼器則擴展表徵，生成一系列更大的表徵，例如圖像生成、心理模擬、圖像標亮等。

• 無監督學習
  人類沒法永遠守在機器旁，一步步指導它們的「人生經歷」。咱們可忙得很！但是目前，對於監督學習咱們還得給機器反饋，改正它們的錯誤。而人類只須要學習幾個例子，就能自動改正，並持續學會更多、更復雜的數據。
• 預測型神經網絡
  目前神經網絡的主要限制之一是，它們沒法像人類大腦同樣進行預測。預測聽起來很玄乎，但其實咱們天天都在預測。若是桌子上有一小團棉花，你天然會預測棉花團會很輕，不須要花很大力氣就能拿動。經過預測，咱們的大腦能理解咱們的身體和環境，還能知道咱們是否須要學習新信息。若是你拿起桌上的棉花團，發現因爲裏面藏着鉛塊其實很重，大腦的認知能力能讓你學會判斷，第二次拿起棉花團的時候就不會驚訝了。預測性神經網絡是與複雜的外在世界互動的核心。

• 持續性學習
  「終生學習」對於神經網絡來講是一件大事。目前的神經網絡要想學習新數據，必須每次都從頭開始從新訓練。它們必須能意識到本身的「無知」，並自動評估是否須要進行新的訓練。同時，在真實世界中，咱們但願機器能夠學會新技能，同時不忘記本來的知識。持續性學習也與遷移學習有關，這須要用到全部上述提到的技能，對加強型學習也很重要。
• 加強型學習
  加強型學習可謂是深度神經網絡的領域的聖盃。這須要自動學習、持續學習、預測能力和不少咱們還未知的能力。目前，解決加強型學習的問題，咱們使用標準的神經網絡，例如能夠處理視頻或音頻等大容量數據輸入的深度神經網絡，並將其壓縮爲表徵，或者RNN等序列學習神經網絡。它們能夠從零開始、甚至一晚上之間學會下圍棋，可是與人類在真實世界中的能力相比，還相差很遠。
• 循環神經網絡（RNN）Out了
  RNN很難進行並行化訓練，因爲使用超高的容量帶寬，即使在特殊的定製機器上也運行很慢。基於注意力機制的神經網絡—尤爲是卷積神經網絡—訓練和配置起來更快、更高效，而且更容易規模化。它們已經逐漸補充語音識別，並在加強學習架構和AI的廣闊天地間尋找更多的應用。

硬件

因爲硬件的支持，深度學習在2008至2012年間實現了日新月異式的進展：每一部手機上都配有便宜的圖像傳感器，可以收集大量的數據庫，同時GPU加速了深度學習的訓練。在最近兩年，機器學習硬件飛速發展。許多公司都在這個領域：NVIDIA、Intel、Nervana、Movidius、Bitmain、Huawei、ARM、Wave等等，全部公司都在開發定製的高性能芯片，用來訓練和運行深度神經網絡。
這場開發競賽的關鍵是， 在處理最近的神經網絡運做時，提供最低的能力和最高的可測量性能。
不過，只有少數人知道硬件對機器學習、神經網絡和人工智能的影響，或者微型芯片的重要性以及如何開發微型芯片。例如：

• 架構：
  不少人以爲計算機架構不過是加法器和乘法器，可是有一些架構可以最小化記憶帶寬，一直同時使用全部單元。
• 編譯器：
  不少人以爲硬件不重要，神經網絡編譯器纔是關鍵。可是在本身設計架構的時候，編譯器只不過是經過機器代碼，解讀神經網絡的計算圖像。開源編譯器的做用有限，由於最難的一步得依靠未知的架構。開源編譯器能夠做爲前端，在硬件架構和神經網絡圖像之間還有不少值得探討的領域。
• 微型芯片：
  對於重要的算法，優化性能的最佳辦法就是定製微型芯片，或者ASIC或SoC。FPGA如今已經含有深度神經網絡加速器，預計將在2019至2020年實現，可是微型芯片老是更好的。
• 進步：
  即使微型芯片的規模化還未被使用，還有一些技術進步能讓深度神經網絡加速器輕鬆得到10至20倍的提高。值得關注的的進展包括系統級封裝和升級記憶等。

應用

如今，咱們來詳細討論在哪些應用領域，AI和神經網絡將改變咱們的生活：

• 分類圖像和視頻：
  雲服務已經包含了這項應用，接下來也會來到智能視頻傳送中。神經網絡硬件不經過雲端，在本地處理愈來愈多的數據，不只保護了隱私，也節省了互聯網帶寬使用。
• 語音助理：
  語音助理已經進入咱們的生活，在智能家居中起到重要做用。不過，咱們常常忽視聊天的難度，對人類來講是一項基本活動，而對機器來講則是一項偉大的革新。語音助理正在進步，但仍是不能徹底移動化。Alexa、Cortana和Siri會永遠在線，手機將很快成爲將來的智能家居。這是智能手機的又一次進步。除了手機，語音助理也須要進入汽車，隨着用戶移動。咱們須要更多的本地語音處理、更強的隱私保護和更少的帶寬要求。隨着硬件的進步，1至2年以內這些都能實現。
• 人工助理：
  語音挺好，可是將來咱們真正想要的人工助理還能見咱們所見，跟隨着咱們移動的腳步分析周圍的環境。神經網絡硬件會幫助咱們實現這個好夢，可是分析視頻傳輸要求很高的計算能力，已達到了目前硬件能力的理論邊緣，比語音助理要困可貴多。AiPoly等創業公司已經提出瞭解決方案，可是缺少強大的硬件，使其能在手機上運行。另外值得關注的還有，若是把手機屏幕換成相似眼鏡的可穿戴設備，咱們的助理將成爲咱們的一部分。
• 家務機器人：
  另外一項重要應用是能夠作飯和清潔的家務機器人。咱們也許很快就能實現硬件，可是還缺少軟件。咱們須要遷移學習、持續學習和加強型學習。每個食譜都不同，食譜裏的每一種食材都不同。咱們沒法把這部分寫死，必須開發一個善於學習和總結的機器人。這仍是一個遙遠的理想。

---

本文做者：【方向】

閱讀原文

本文爲雲棲社區原創內容，未經容許不得轉載。