2017年4月16日

高盛99頁人工智能重磅報告 史上最全AI產業盤點

高盛99頁人工智能重磅報告 史上最全AI產業盤點

智東西

https://www.taiwanfansclub.com/article-479205-1.html

 

AI背後的三大推手:數據、芯片、算法

 

1、移動網絡大量普及 數據結構化或爆發



數據可以說是機器學習的關鍵。分布全球的無所不在的互聯設備,包括移動設備、物聯網等,使得非結構化的數據大量增長,也就是說,機器學習算法能夠用來模擬、訓練和測試的數據源更加充足。

IDC預計截至2020年,年均數據量將達44澤字節(也就是44萬億字節),未來五年復合年增長率將達141%,大數據技術將逐漸滲透實用領域。

 

移動網絡建立大規模數據庫和雲端處理技術的成本也在不斷降低。

2GPU應用大勢 新硬件更適配並行結構



GPU被認為是低成本、高計算能力的處理單元,特別是針對雲端服務和新的神經網絡結構,它能提高準確性和計算速率。基於GPU的並行結構允許更快的機器學習培訓體系,遠遠優於目前廣泛使用的基於CPU的數據架構。此外,通過額外的顯卡網絡,GPU體系可以加快迭代,實現更為精確的快速培訓。

芯片浮點能力發展之快可以以NVIDIA GPUGTX 1080)為例:該芯片性能為9T浮點運算

3、算法不斷優化 大公司推動開源



越來越多的算法研究推動著深度學習的實用性,伯克利、谷歌、Facebook也紛紛公開自家的源代碼框架,也就是CaffeTensorFlowTorch

源代碼的開放吸引著越來越多的軟件開發者嘗試新的算法,不到一年,TensorFlow就以及該形成了一個活絡的存儲庫GitHub,作為目前最大的開發商合作網站。

目前各大科技巨頭在AI產業上的布局,可以看到,硬件、開源算法、雲服務已經成為必爭之地。



1、谷歌:貫徹軟硬件結合的理念



谷歌,或者說現在的Alphabet,已經建立了獨一無二的AI檢索算法,在自然語言處理上面頗具優勢,並應用於谷歌搜索,預計還將在谷歌智能家居生態中大顯身手。公司的開源軟件庫/雲計算平臺TensorFlow還在結合了很多前沿的硬件加速器,推出新的AI張量處理單元TPU。此外,收購的DeepMind也在擊敗李世石的戰役中一舉成名。



2、亞馬遜:籌備開源服務



亞馬遜AWS在雲服務的布局已經頗具優勢,20154月,公司宣布推出機器學習服務亞馬遜ML,提供針對性的用戶體驗。今年5月,亞馬遜推出了自家的開源軟件DSSTNE,幫助建立深度學習開發庫。



3、蘋果:活躍的收購者



過去一年間,評估已經收購了EmotientTuriTuplejumpAI創業公司,並雇傭了之前在NVIDIA從事GPU軟件項目的Johnathan Cohen,並找來Ruslan Salakhutdinov作為其AI研發部主管。Siri可以算作蘋果在AI方面最主要的成就之一,此外,蘋果大腦的傳言也什囂塵上。



4、微軟:力推基於GPUFPGA的雲



微軟首席執行官納德拉介紹稱,微軟正在建立"民主化的AIdemocratizing AI)",目前AI研究小組員工人數超過5000人,目標在於改變人機體驗和交互技術,小娜是比較有代表性的一個成果。此外,公司還在建立基於GPUFPGA的雲(Azure)方面做努力。



5Facebook:開源工具組建開發者社群



FacebookAI方面的主要布局集中在建立開發者社群,開源TorchCheffastTextBigSur 等一系列 AI 工具及資料庫,並推出具體的應用程序,比如已經出現的圖象識別、語音文字轉換和智能翻譯等。



6Salesforce:建立雲生態



20142015年,Salesforce開始利用自家電開發平臺執行雲機器學習任務。公司還收購了Minhash,PredictionIOMetaMindAI公司,目的在於建立雲銷售、雲營銷、雲服務、雲社區、雲物聯網、基於雲的應用程序等。



7NVIDIA:借力GPU大勢

GPU在之前的計算機應用不多,但AI算法給了它莫大的基於,目前,幾乎所有的AI算法都采用了NVIDIAGPU,雖然英特爾也在加快研發新的替代芯片FPGA,但目前來看,GPU依舊是比較好的選擇。借此大勢,NVIDIA還專門設計了全球首款針對深度學習的GPU架構(Pascal 架構) 。



8、英特爾:加快芯片研發



GPU的大勢讓英特爾感到了危機,英特爾收購Nervana systemsAltera,加快FPGA的推進,在運算速度和編程靈活性取得一系列進展。2016年中期,英特爾推出了至強二代,用於智能家庭產品的網絡服務和雲服務。



9Uber:合作汽車制造商



UberAI方面的主要布局更趨近於物聯網,尤其是汽車傳感器。20169月,Uber在匹茲堡推出了自動駕駛試點項目,並於卡內基梅隆大學教授、汽車制造商合作,研發基於傳感器獲得的數百萬數據點,建立安全、有序、自動的交通模式。



10IBM:沃森成AI之星



IBMAI方面的布局很早,公司在全球的AI研發每人元超過3000名,專利超過1400項,覆蓋雲計算和矽納米科學,其超級智腦沃森在自然語言處理和模式識別、非結構化數據處理方面有著出色的表現,已經應用於虛擬代理,幫助金融、醫療等合作夥伴處理和分析數據。



11、中國方面:BAT著力構建神經網絡



目前,國內對於AI的支持力度也比較大,在學術方面也有很是很大的研究熱點。學術機構,以及百度、阿里、騰訊等公司也在語音識別、圖像識別、神經網絡、自然語言處理等方面都有重要的突破。艾瑞咨詢認為,國內AI市場將從2015年的12億元增至2020年的91億元。

 

專欄|伺服器端人工智慧,FPGA 和 GPU 到底誰更強?

專欄|伺服器端人工智慧,FPGA GPU 到底誰更強?

https://kknews.cc/zh-tw/tech/38lze9g.html

GPU 原本的目的是圖像渲染,因此使用完美支持矢量運算的 SIMD(單指令流多數據流,single instruction multiple data)架構,而這個架構正好能用在機器學習算法上。GPU 本來就是為了加速 3D 遊戲性能的加速器,這裡又被用到了加速機器學習應用上,其實是很有趣的一件事。

要真的做一塊機器學習專用晶片(ASIC)需要極大的決心,首先為了性能必須使用最好的半導體製造工藝,而現在用最新的工藝製造晶片一次性成本就要幾百萬美元,非常貴。

FPGA 全稱「可編輯門陣列」(Field Programmable Gate Array)



所以說在 FPGA 可以快速實現為機器學習算法開發的處理器架構,而且成本很低(一塊 FPGA 開發板大約售價 1000 美金,比真的製造晶片便宜太多)。
GPU FPGA 的性能分析對比

那麼在伺服器端 GPU FPGA 誰更強呢?在伺服器端,有幾個指標可供對比:

·         峰值性能

·         靈活性

·         平均性能

·         功耗和能效比



FPGA 可以開發出為機器學習算法專用的架構,但是 FPGA 本身的峰值性能較 GPU 要差很多。FPGA GPU 哪個跑機器學習算法更強(平均性能更好),完全取決於 FPGA 架構優化能否彌補峰值性能的劣勢。




搜尋

標籤

總網頁瀏覽量