免费视频淫片aa毛片_日韩高清在线亚洲专区vr_日韩大片免费观看视频播放_亚洲欧美国产精品完整版

大家好，我是將門創(chuàng)投CTO沈強(qiáng)，非常榮幸今天有機(jī)會(huì)在這里跟大家分享我對(duì)于人工智能發(fā)展方面的看法。首先，我們來(lái)看一下目前的市場(chǎng)上各個(gè)公司，在人工智能演進(jìn)的過(guò)程中，都有一些什么樣的動(dòng)作，說(shuō)到人工智能的計(jì)算架構(gòu)，其實(shí)無(wú)外乎通過(guò)構(gòu)筑一個(gè)技術(shù)體系，圍繞軟件、硬件服務(wù)等角度來(lái)進(jìn)行豐富。硬件對(duì)人工智能的發(fā)展起到了支撐性的作用，雖然未來(lái)人工智能將無(wú)處不在，無(wú)論是云端還是手機(jī)終端，還是家里的智能設(shè)備，都會(huì)與人工智能相關(guān)。

但是今天的硬件實(shí)際上是遠(yuǎn)遠(yuǎn)不能滿足人工智能的發(fā)展需求的。舉個(gè)例子，能源效率方面，我們還記得阿爾法狗戰(zhàn)勝李世石的時(shí)候，全世界為之振奮，但這場(chǎng)比賽是一次不公平的對(duì)決， DeepMind系統(tǒng)，使用了1202強(qiáng)大的CPU和176顆GPU，二者加起來(lái)的功率是十幾萬(wàn)瓦的功率，而我們?nèi)四X只有10幾瓦功率，這樣比較一看，人工智能目前的能效顯得特別低，而且圍棋其實(shí)只是我們邏輯思考的一部分，我們每天做大量的非結(jié)構(gòu)化信息，每天我們眼睛里捕獲到的信息，耳朵聽到的信息，比下圍棋這件事情信息量要大太多。而智能設(shè)備要處理這些信息還有巨大的空間需要去彌補(bǔ)。為什么性能會(huì)有如此大的差距，今天我們的計(jì)算架構(gòu)從馮·諾依曼的體系架構(gòu)開始，到現(xiàn)在連續(xù)了幾十年的時(shí)間，它很好的支撐了過(guò)去結(jié)構(gòu)化數(shù)據(jù)的處理，以及基于邏輯推理的順序化的數(shù)據(jù)推理，但是它并沒有反映出我們?nèi)四X計(jì)算時(shí)候特征，人腦腦細(xì)胞的處理是高速并行化的，運(yùn)算速度可以達(dá)到10的14次方級(jí)別，但是我們今天不能指望計(jì)算機(jī)系統(tǒng)CPU會(huì)有人腦的運(yùn)算速度。因?yàn)榻裉祀娔X里的CPU數(shù)據(jù)的訪問(wèn)方式，跟人腦處理數(shù)據(jù)方式有巨大的區(qū)別。所以，在計(jì)算的架構(gòu)上，面向人工智能微粒的計(jì)算任務(wù)，需要有一個(gè)演進(jìn)的過(guò)程。目前各個(gè)大小廠商都在圍繞這個(gè)主題開展研發(fā)工作。

從現(xiàn)有基礎(chǔ)上來(lái)看，有幾個(gè)出發(fā)點(diǎn)，一是強(qiáng)化現(xiàn)在的CPU處理能力。二是從中間的GPU入手。過(guò)去GPU主要用途在游戲領(lǐng)域，圖形處理方面性能很高，但是，圖形處理有一個(gè)特點(diǎn)：處理圖形其實(shí)是高度并行的。一個(gè)游戲的畫面，人物的建模，對(duì)光噪的算法嚴(yán)苛，需要高度并行去計(jì)算很多小三角塊的反光，這種并行的算法，利用在人工智能時(shí)代，大量的數(shù)據(jù)處理，大量的舉證的加法、乘法，實(shí)際上都可以并行來(lái)做，所以作為一個(gè)中間性的方案，GPU上加了一個(gè)通用化處理，讓它能夠適應(yīng)常規(guī)的編程模型，所以GPU技術(shù)也為人工智能的應(yīng)用的加速運(yùn)行提供了一個(gè)基礎(chǔ)，這是第二條技術(shù)路線。

但這是不是最優(yōu)解決方案呢？雖然GPU有很高的并行度，但畢竟是從游戲應(yīng)用發(fā)展而來(lái)，并不是為人工智能的發(fā)展而進(jìn)行設(shè)計(jì)的，所以設(shè)計(jì)上會(huì)存在一些缺陷，比如說(shuō)今天人工智能的應(yīng)用都會(huì)使用深度學(xué)習(xí)算法，數(shù)據(jù)量很大，在GPU和外部的內(nèi)存之間，數(shù)據(jù)的交換量要一直保持大量的交換，但GPU之間交換效率其實(shí)很低的，所以一些公司想辦法FPGA來(lái)解決這個(gè)問(wèn)題。 FPGA即現(xiàn)場(chǎng)可編程門陣列，你可以把它想成一塊結(jié)構(gòu)可以變頻的CPU，在這塊芯片得不同的結(jié)點(diǎn)之間，物理的連接關(guān)系可以通過(guò)軟件去定義，使同一塊芯片實(shí)現(xiàn)多功能用途，今天可能能夠作為音頻處理器，明天可以變成網(wǎng)絡(luò)數(shù)據(jù)的加速器，還可能變成人工智能某一專用算法的處理器，工程師能夠動(dòng)態(tài)的劃分它的計(jì)算區(qū)，這是第三種思路。

下面會(huì)分別簡(jiǎn)單的談到一些例子。先說(shuō)最火的GPU。GPU的計(jì)算能力在過(guò)去幾年里飛速的成長(zhǎng)，這里得說(shuō)道一個(gè)概念叫浮點(diǎn)運(yùn)算，浮點(diǎn)運(yùn)算是什么呢？比如兩個(gè)小數(shù)相乘，我們假設(shè)是一個(gè)浮點(diǎn)運(yùn)算，今天的筆記本電腦主流的處理器應(yīng)該是英特爾i7，它基本上是主流電腦里面比較好的，我們都知道一個(gè)T是十萬(wàn)億次，普通的電腦每秒鐘能夠處理0.1—0.2T的浮點(diǎn)運(yùn)算，而今天我們的顯卡對(duì)浮點(diǎn)運(yùn)算的數(shù)據(jù)處理能夠達(dá)到電腦計(jì)算的60倍。NVIDIA去年年底推出的DGX也是優(yōu)化的最新型號(hào)的GPU來(lái)完成，它的運(yùn)算數(shù)據(jù)夠達(dá)到85個(gè)T，將近85倍，如果浮點(diǎn)運(yùn)算精度降到16位，它能夠達(dá)到170個(gè)T，所以GPU快速增長(zhǎng)的性能，結(jié)合人工智能將應(yīng)用在越來(lái)越多的地方，NVIDIA自然成為了最大受益者，過(guò)去的18個(gè)月NVIDIA的股票大概從20多漲到今天115左右，變化很驚人的。雖然GPU性能很高，但它的一些計(jì)算的調(diào)度還是離不開CPU，所以NVIDIA的方案里做了一個(gè)完整的部署，從面向開發(fā)者端的數(shù)據(jù)中心，電腦上的計(jì)算單元，到生產(chǎn)環(huán)境里推理的任務(wù)的單元，這些硬件里都包含有ARM的CPU的核，來(lái)配合使用。

此外，在NVIDIA的布局里，它專門推出了面向自動(dòng)駕駛的Xavier模塊，以及面向嵌入設(shè)備的GTX模塊，這兩者最主要差別是配計(jì)算力大小不一樣，而目前NVIDIA面向數(shù)據(jù)中心的DGX-1是最高設(shè)備。除了硬件以外，NVIDIA對(duì)軟件部分也很重視，為了讓軟件開發(fā)者能夠最大限度的發(fā)揮出GPU平臺(tái)的運(yùn)算能力，所以它做了DK，做了各種各樣的深度學(xué)習(xí)的應(yīng)用開發(fā)框架來(lái)支持，包括技術(shù)部署到云端，和微軟、亞馬遜、IBM等公司合作等。GPU每一塊處理器上面集成的計(jì)算核就達(dá)到了3840個(gè)，通常我們普通的計(jì)算機(jī)用的是兩核到四核。因?yàn)樗挠?jì)算核是處理專用任務(wù)的，從運(yùn)算性能上來(lái)看，每秒鐘是10.6萬(wàn)億次的浮點(diǎn)運(yùn)算，相比較CPU來(lái)講還是具有一定的優(yōu)勢(shì)。那么GPU的缺陷是什么呢？首先功率上來(lái)看，300瓦，相當(dāng)于一個(gè)小暖爐裝在電腦里面，雖然說(shuō)計(jì)算力很強(qiáng)，但功耗高，這是它的不足之處。目前在GPU架構(gòu)的演進(jìn)上，英偉達(dá)是領(lǐng)先的廠商，AMD現(xiàn)在也有一些追趕的趨勢(shì)，但是短時(shí)間內(nèi)還很難對(duì)英偉達(dá)形成實(shí)質(zhì)性的威脅。

第二個(gè)演進(jìn)的方向是FPGA。將FPGA規(guī)模化的應(yīng)用到人工智能的計(jì)算里的，反而不是電腦設(shè)計(jì)廠商。微軟幾年前做數(shù)據(jù)中心的時(shí)候，已經(jīng)是在數(shù)據(jù)中心開始去設(shè)計(jì)自己的芯片做圖象處理，識(shí)別等等任務(wù)。而微軟傳統(tǒng)上來(lái)講世服務(wù)器采購(gòu)大戶，它有全世界最大的云計(jì)算平臺(tái)，所以每年都會(huì)有上百萬(wàn)臺(tái)的服務(wù)器采購(gòu)需求，而近些年因?yàn)樽灾餮邪l(fā)了FPGA，減少了采購(gòu)數(shù)量。英特爾發(fā)現(xiàn)微軟的采購(gòu)量降低了以后，了解到原來(lái)微軟已經(jīng)開始大量的采用FPGA計(jì)算，這促使它下了一個(gè)決心，必須要擁有面向未來(lái)人工智能負(fù)載的計(jì)算架構(gòu)，于是有了后來(lái)去并購(gòu)Altera的事。

今天我們講到人工智能的應(yīng)用，其實(shí)這還是一個(gè)很寬泛的詞，可能其中包括相關(guān)處理任務(wù)，比如視覺處理任務(wù)、文本理解的任務(wù)，比如像大數(shù)據(jù)的處理，那么每一種不同類型的處理任務(wù)，我們都想選擇一個(gè)最優(yōu)化的硬件，這種多樣性的選擇需求，恰恰給初創(chuàng)公司提供了機(jī)會(huì)。比如說(shuō)在FPGA的深度學(xué)習(xí)加速方面，安創(chuàng)空間孵化出的深鑒科技就擁有全世界范圍內(nèi)都很領(lǐng)先的FPGA卷皮神經(jīng)網(wǎng)絡(luò)加速器，通過(guò)這種加速器的優(yōu)化，F(xiàn)PGA能夠達(dá)到十倍于NVIDIA K40 GPU的能效，在國(guó)際上獲得了廣泛的認(rèn)可。也使得公司在資本市場(chǎng)上受到了熱烈的追捧，目前已經(jīng)是估值過(guò)億美金的企業(yè)了。

此外深圳還有一家做視聽理解的企業(yè)叫做云天勵(lì)飛。我們都知道，過(guò)去公安局在各個(gè)地方部署了很多的攝像頭來(lái)大量采集路面上的安全情況、交通情況，以此作為案件偵查的依據(jù)，但是這其中最大的困難來(lái)自于因?yàn)閿z像頭太多，每天無(wú)時(shí)不刻都在工作，想要尋找到指定信息非常麻煩，比如說(shuō)某天哪個(gè)地方查到有一個(gè)疑犯可能在某個(gè)時(shí)間段出現(xiàn)在某個(gè)路口，然后警察把錄像調(diào)出來(lái)，一整天都在看，要是看太快，可能就會(huì)遺漏這個(gè)線索，慢著看效率又很低，影響辦案進(jìn)度，所以云天勵(lì)飛就想了一個(gè)辦法，用深度學(xué)習(xí)的算法來(lái)識(shí)別錄像里的人物，這個(gè)思路并不算新穎，但是大多數(shù)公司的做法是在服務(wù)器、在云端上來(lái)解決這個(gè)問(wèn)題，但這家公司意識(shí)到，如果在云端做的話，集中的數(shù)據(jù)量極其巨大，所以即便能夠完成，投入成本也會(huì)很巨大。因此他們采用在攝像頭前端用FPGA定制了一個(gè)芯片，把深度學(xué)習(xí)的算法應(yīng)用到FPGA的芯片里，那么前面攝像頭一邊在看人的時(shí)候，就可以提取出一些關(guān)鍵特征，就能夠以很小的信息量將這些關(guān)鍵的特征發(fā)送到云端，再?gòu)脑贫巳フ疫@個(gè)人的時(shí)候就特別省時(shí)省力。公司的產(chǎn)品去年上線，部署三個(gè)月以后，發(fā)生了一個(gè)很有意思的情況，警察抓到的嫌犯比過(guò)去三年里抓到的還多。過(guò)去公安局的壓力在于怎么破案，不能拖案，壓力很大。現(xiàn)在是可疑線索太多，要辦的案子的數(shù)量急劇增加，壓力很大。公司的市值也因此增長(zhǎng)很快，僅僅這個(gè)方案一年的營(yíng)業(yè)額就達(dá)到一個(gè)億。上一輪融資以后估值差不多達(dá)到十億。所以，根據(jù)人工智能的計(jì)算特征，我們只要找出一個(gè)關(guān)鍵的場(chǎng)景，這些技術(shù)路線還是能夠解決很多問(wèn)題的。

我們剛才說(shuō)GPU和FPGA的快速發(fā)展對(duì)傳統(tǒng)的CPU廠商造成了巨大的壓力，以英特爾為例，公司過(guò)去幾年業(yè)績(jī)一直平平，基本上沒有什么增長(zhǎng)。現(xiàn)在公司被迫必須做一些轉(zhuǎn)變了，因?yàn)槿斯ぶ悄軕?yīng)用在激增，所以傳統(tǒng)的CPU技術(shù)也必須要跟進(jìn)。英特爾過(guò)去兩年里相關(guān)動(dòng)作特別大，做了大量的并購(gòu)，獲得了很多的新技術(shù)來(lái)發(fā)展他們的芯片。第一個(gè)是Altera，全世界第一大FPGA解決方案提供商。另外也有一些初創(chuàng)企業(yè)因?yàn)榘l(fā)展了更新的技術(shù)，也被英特爾收購(gòu)。Nervana是2013年新成立的一家小初創(chuàng)企業(yè)，公司觀察到人工智能對(duì)新硬件的渴求，所以以全新的方式設(shè)計(jì)了新的CPU的架構(gòu)。他們?cè)O(shè)計(jì)架構(gòu)里內(nèi)存和CPU是高度偶合的，在一塊處理器上會(huì)集成32G的內(nèi)存，而且這個(gè)內(nèi)存擁有3D記憶，有很高帶寬的訪問(wèn)速度，而且其中內(nèi)存單元不是傳統(tǒng)的平面模式，是立體的、互聯(lián)的，每一個(gè)單元跟其他六個(gè)單元都連接在一起。所以處理速度特別快，每秒能達(dá)到8T的訪問(wèn)帶寬，跨處理器之間也能達(dá)到2.4TB的處理速度，極大滿足了深度學(xué)習(xí)計(jì)算的數(shù)據(jù)洪流問(wèn)題，處理器就不需要大量在內(nèi)存和CPU之間進(jìn)行往返得數(shù)據(jù)奔波。公司在去年被英特爾以四億多美金收購(gòu)。按照英特爾的說(shuō)法，今年上半年產(chǎn)品應(yīng)該就會(huì)面世。

所以在技術(shù)演進(jìn)過(guò)程中，即便CPU這么飽和的市場(chǎng)，初創(chuàng)企業(yè)也有機(jī)會(huì)發(fā)展新技術(shù)分一杯羹。現(xiàn)在其實(shí)還有一家公司特別值得關(guān)注，跟Nervana比較相似，我估計(jì)不久后也會(huì)成為英特爾或者AMD的并購(gòu)對(duì)象，大家可以關(guān)注一下，說(shuō)不定現(xiàn)在去投還是一個(gè)可行的時(shí)機(jī)。公司叫We Computing，它的架構(gòu)跟Nervana有一些類似的地方，但是它是同時(shí)在軟硬件兩個(gè)層面上進(jìn)行了優(yōu)化。比如在浮點(diǎn)數(shù)據(jù)的運(yùn)算水平上，為了提高吞吐量，它找到了很好的平衡點(diǎn)，雖然降低了計(jì)算的浮點(diǎn)數(shù)的精度，但是最后運(yùn)算出來(lái)的人工智能運(yùn)算預(yù)測(cè)能力準(zhǔn)確度并沒有顯著的下降。此外跟Nervana有一點(diǎn)點(diǎn)類似支出還在于它也有內(nèi)存跟芯片之間不同互聯(lián)的技術(shù)，但是它的密度會(huì)更高，每一塊處理器都會(huì)集成16000個(gè)核，因此一臺(tái)服務(wù)器上，16個(gè)處理器的計(jì)算單元會(huì)高達(dá)25萬(wàn)個(gè)處理核，所以密度比原來(lái)的CPU又有了很大的提升。從早期的性能測(cè)試?yán)飦?lái)看，基本上單個(gè)芯片的計(jì)算性能比今天英特爾最高的服務(wù)器E5級(jí)別里最頂級(jí)的芯片的速度會(huì)快大概七百多倍。而且還不是整臺(tái)機(jī)器。因此，這些公司的發(fā)展推動(dòng)著人工智能以更快的速度前進(jìn)。

當(dāng)然，即使這些公司的芯片比今天的速度再快上兩百倍，五百倍，八百倍，甚至一千倍，它仍然趕不上我們?nèi)四X思維的速度。因此，如果我們?nèi)匀话凑者@個(gè)思路去探索，可能想最終追上人腦不太可能?，F(xiàn)在有的公司在探索神經(jīng)肽芯片的計(jì)算方法， IBM可能是最堅(jiān)定的公司之一，神經(jīng)肽芯片跟我們平時(shí)的數(shù)字電路不一樣，它是用一種脈沖神經(jīng)網(wǎng)絡(luò)，而不是通常的卷積神經(jīng)網(wǎng)絡(luò)來(lái)運(yùn)行，并且它的信號(hào)是模擬信號(hào)。我們都知道，模擬信號(hào)是比數(shù)字信號(hào)速度更快，但它的缺點(diǎn)是精度不夠高，還存在算法適配的問(wèn)題，雖然我們已經(jīng)大量積累了深度學(xué)習(xí)的各種各樣的框架和算法，但能不能在模擬芯片上運(yùn)算得比較好還是未知。

前不久IBM發(fā)布了一個(gè)白皮書，說(shuō)目前已經(jīng)有很大的提升，比如視覺識(shí)別的任務(wù)，利用模擬神經(jīng)網(wǎng)絡(luò)現(xiàn)在已經(jīng)能夠做到87%精度了。通過(guò)模擬神經(jīng)網(wǎng)絡(luò)不僅能夠帶來(lái)極高的速度，功耗也得到極大降低。IBM的TrueNorth芯片的處理器上，每顆核上都有一百萬(wàn)的神經(jīng)元和2.56億個(gè)可編程的突觸，一個(gè)芯片里可以包含4096個(gè)這樣的核，大規(guī)模的計(jì)算只要70毫瓦左右的計(jì)算能耗。當(dāng)然我們的目標(biāo)是希望這樣強(qiáng)大的計(jì)算能力能應(yīng)用到手機(jī)上，甚至配備到隨身的更小設(shè)備上，比如手表、手環(huán)，比如搭載到鞋墊去做步態(tài)的分析。這么低功耗的東西要達(dá)到能夠大范圍應(yīng)用，個(gè)人覺得還有很長(zhǎng)的路要走，這是行業(yè)探索的另一個(gè)方向。國(guó)內(nèi)也有初創(chuàng)公司在做類似的探索。這算是一種不走尋常路來(lái)做大規(guī)模的計(jì)算的方式。

前面講的計(jì)算模式，不管是GPU還是We Computing、Nervana的模式，主要還是面向數(shù)據(jù)中心計(jì)算，能耗很難降下來(lái)，而實(shí)際上我們應(yīng)用最廣泛的是在終端上，終端才是最大的機(jī)會(huì)。所以智能的能力不僅僅要放到云上，還要應(yīng)用到很多實(shí)時(shí)的場(chǎng)景。比如車輛的自動(dòng)駕駛，不能說(shuō)前面這個(gè)人，我辨認(rèn)一下把它放到云上檢測(cè)，辨認(rèn)結(jié)構(gòu)出來(lái)以后再來(lái)決定車是不是繼續(xù)往前開，這樣交通事故的概率肯定會(huì)大大增加。所以，終端有大量的實(shí)時(shí)智能需求，這應(yīng)該是目前人工智能發(fā)展的最大的市場(chǎng)。

目前來(lái)看的話，功耗問(wèn)題不是一兩天能夠解決的，這是一個(gè)很大的矛盾，臨時(shí)性的解決方案是什么？剛才提到在移動(dòng)端上我們很多的應(yīng)用場(chǎng)景，無(wú)人機(jī)3D視覺，掃地機(jī)智能識(shí)別，今天的掃地機(jī)光掃地是不夠的，它需要了解我們家里的環(huán)境，不僅僅是幾何信息，物品的材質(zhì)信息也需要理解。比如很多養(yǎng)寵物的家庭，寵物不小心拉了臭臭在地上，普通能夠做自動(dòng)規(guī)劃的掃地機(jī)會(huì)很努力地去把它均勻地涂抹在房間各個(gè)角落，這其實(shí)是很惡心的。因此如果掃地機(jī)視覺模塊具有智能能力，能夠辨認(rèn)出來(lái)并判斷它是液體還是其他東西，這樣就能更好地進(jìn)行處理。

讓移動(dòng)端有能力理解自己所在的環(huán)境，這個(gè)任務(wù)在當(dāng)前的過(guò)渡的狀態(tài)中，是一個(gè)巨大的市場(chǎng)。因此專門為各個(gè)不同的應(yīng)用場(chǎng)景所設(shè)計(jì)的視覺應(yīng)用處理器品種就要很豐富，比如無(wú)人機(jī)額單幕、雙幕，從感知到?jīng)Q策層都需要不同的精度、功能、性能、功耗要求，這就提供了很多的細(xì)分市場(chǎng)。因此很多公司，比如自動(dòng)駕駛領(lǐng)域剛被英特爾以153億美金收購(gòu)的Mobileye，主攻無(wú)人駕駛視覺模塊，它能夠智能對(duì)物體進(jìn)行分類判斷。國(guó)內(nèi)也有很多的廠商，像易華錄就有專門的視覺處理器授權(quán)。初創(chuàng)公司也有很多，比如資本市場(chǎng)上流傳比較多的余凱的Horizon Robotics現(xiàn)在就有做一些業(yè)務(wù)，比如剛剛跟英特爾合作的面向無(wú)人駕駛領(lǐng)域的視覺芯片，主要是采用深度學(xué)習(xí)技術(shù)。另外一家公司，Avision也在做視覺處理技術(shù)，它的特色是速度處理很快，功耗做很低，沒有很復(fù)雜的深度學(xué)習(xí)架構(gòu)，從理論到應(yīng)用上都有一些創(chuàng)新。

講完了硬件，我們繼續(xù)說(shuō)一下軟件。軟件過(guò)去是一個(gè)門檻很高的領(lǐng)域，因此懂得深度學(xué)習(xí)開發(fā)的人才都很受器重，比如谷歌早期花了四億美金把吳恩達(dá)團(tuán)隊(duì)拉過(guò)去開發(fā)谷歌大腦；微軟研究員孫劍在ImageNet里首先將機(jī)器的視覺分類的精度超過(guò)人眼，然后被曠視科技以8位數(shù)的年薪及2位數(shù)的股份挖走。這透露出什么信息呢？人工智能，人才是一個(gè)很高的壁壘。但這個(gè)壁壘很快就會(huì)降低，雖然研究型人才仍然有很高的門檻，但從應(yīng)用的角度來(lái)講，像大公司、開源社區(qū)都在不斷的開發(fā)各種各樣的深度學(xué)習(xí)框架來(lái)簡(jiǎn)化深度學(xué)習(xí)應(yīng)用開發(fā)的難度。我們?cè)谕顿Y的時(shí)候，有一點(diǎn)很重要，如果一家公司核心的優(yōu)勢(shì)在于算法，而且只有算法部分的話，這家公司其實(shí)是比較危險(xiǎn)的，公司的發(fā)展，從技術(shù)壁壘來(lái)講，很難建立起足夠高的壁壘。

未來(lái)隨著開發(fā)框架的出現(xiàn)，相關(guān)應(yīng)用軟件開發(fā)的模式也會(huì)發(fā)生變遷，過(guò)去我們主要是做程序，有了數(shù)據(jù)以后將程序放到計(jì)算平臺(tái)上運(yùn)行，而在今天，最主要的方式都是采用端到端的學(xué)習(xí)方法，未來(lái)的智能應(yīng)用的生成是資源將會(huì)直接與數(shù)據(jù)連接。當(dāng)數(shù)據(jù)產(chǎn)生，我們就可以做端到端的訓(xùn)練。未來(lái)程序的一些關(guān)鍵判斷將會(huì)由數(shù)據(jù)來(lái)驅(qū)動(dòng)，而且關(guān)于計(jì)算部分的程序都是數(shù)據(jù)代碼。我們把這種模式叫做基于目標(biāo)的AI，你輸入一個(gè)目標(biāo)，然后自動(dòng)給你生成一個(gè)程序。其他公司進(jìn)展怎么樣我不太清楚，但像微軟office團(tuán)隊(duì)就在花了大量力氣在做這件事情，比如我要做一個(gè)PPT，今天還是一個(gè)痛苦的過(guò)程，需要找內(nèi)部外部的數(shù)據(jù)，想方設(shè)法去美化。而現(xiàn)在已經(jīng)開始有局部的大量研發(fā)改變，通過(guò)任務(wù)級(jí)的描述自動(dòng)幫你完成任務(wù)，你還可以根據(jù)自己的需要調(diào)整。這是軟件方向未來(lái)發(fā)展的一個(gè)方向。

有了硬件，有了軟件，以及這樣的架構(gòu)能力，你既可以自己來(lái)構(gòu)建自己的產(chǎn)品，也可以把它民主化，共享出來(lái)，變成一個(gè)人工智能的服務(wù)。現(xiàn)在的人工智能服務(wù)，國(guó)際名企基本都有，亞馬遜、微軟、谷歌三大云計(jì)算平臺(tái)，國(guó)內(nèi)比如阿里也開始提供。但云計(jì)算的平臺(tái)其實(shí)是基于GPU，深度學(xué)習(xí)的云服務(wù)有兩個(gè)層面，一個(gè)是IAAI，大廠商提供虛擬機(jī)，虛擬機(jī)里有GPU設(shè)備，甚至現(xiàn)在有的還帶有IPJ，亞馬遜有IPJ的虛擬機(jī)，GPU+IPJ的虛擬機(jī)，這些公司都有提供。目前亞馬遜走在最前面，亞馬遜三臺(tái)虛擬機(jī)可以提供16個(gè)NVIDIA K40級(jí)別的GPU處理器；第二個(gè)層次是在基礎(chǔ)設(shè)施之上，提供的是更高層級(jí)GPU處理器，把語(yǔ)音理解能力、圖像處理能力暴露出來(lái)，封裝好，直接提供給用戶，用戶不用再去操心怎么寫算法。這種模式目前三大廠商各自都有提供，國(guó)內(nèi)相對(duì)滯后一點(diǎn)。但另外不可忽略的是這些算法涉及到數(shù)據(jù)本地性的問(wèn)題，比如做人臉識(shí)別任務(wù)，誰(shuí)能拿到更多的中國(guó)本地的數(shù)據(jù)，誰(shuí)在中國(guó)的應(yīng)用環(huán)境里就能做得更好。所以國(guó)內(nèi)廠商依然是值得期待。

總的來(lái)說(shuō)，從軟件，硬件，服務(wù)這幾個(gè)角度來(lái)看，人工智能在不斷向前演進(jìn)。總結(jié)下來(lái)有幾個(gè)特征，一是外在的應(yīng)用需求在刺激著技術(shù)的發(fā)展。第二，從投資角度來(lái)看，從剛才我們舉的例子中，有些公司是從技術(shù)角度切入去創(chuàng)業(yè)，而且他們基本上做的是硬科技，無(wú)論是國(guó)內(nèi)還是國(guó)外，這個(gè)門檻都很高。所以在準(zhǔn)備投資這些項(xiàng)目的時(shí)候，我最大的感受是，技術(shù)是沒有國(guó)界的。我們必須要確保所投的企業(yè)，如果它是以技術(shù)見長(zhǎng)，那必須在全世界達(dá)到一流水平才會(huì)比較安全。而在中國(guó)更多的機(jī)會(huì)還是屬于應(yīng)用型機(jī)會(huì)，隨著那些應(yīng)用框架不斷的普及，技術(shù)應(yīng)用的門檻會(huì)急劇降低。最后的人才門檻會(huì)演變成我們今天開發(fā)安卓應(yīng)用類似的格局，會(huì)慢慢進(jìn)入一個(gè)比較穩(wěn)定供給局面，這是架構(gòu)演進(jìn)的終極歸宿。

以上就是我今天分享，感謝大家聆聽，歡迎后續(xù)多多交流。

（本文由i投資編輯整理，未經(jīng)分享人審閱。）