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。

2、GPU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 GPU（GTX 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Caffe、TensorFlow和Torch。

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，2015年4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Emotient、Turi、Tuplejump等AI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GPU和FPGA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AI（democratizing 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GPU和FPGA的雲（Azure）方面做努力。

5、Facebook：開源工具組建開發者社群

Facebook在AI方面的主要布局集中在建立開發者社群，開源Torch、Chef、fastText、BigSur 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。

6、Salesforce：建立雲生態

2014和2015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,、PredictionIO、MetaMind等AI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。

7、NVIDIA：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NVIDIA的GPU，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 systems和Altera，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。

9、Uber：合作汽車制造商

Uber在AI方面的主要布局更趨近於物聯網，尤其是汽車傳感器。2016年9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。

10、IBM：沃森成AI之星

IBM在AI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 和 GPU 到底誰更強？

2016-11-26

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 與 FPGA 的性能分析對比

那麼在伺服器端 GPU 和 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 和 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。

​