|
2019年底，IDC預測用于A(yíng)I系統的全球支出將在2023年增至979億美元，差不多是2019年375億美元的三倍。即使是新冠肺炎疫情在2020年帶來(lái)的重創(chuàng )也沒(méi)有減緩AI的拐點(diǎn)。 作為人工智能(AI) 專(zhuān)家，關(guān)注新興趨勢以及技能多樣化機會(huì )以便對新趨勢加以利用是一種明智的做法。我們找出了三個(gè)供您考慮的領(lǐng)域。每一個(gè)領(lǐng)域都有可能幫助您更充分地應對專(zhuān)家所預測的爆炸式增長(cháng)。 AIoT嵌入式系統 一直到最近，開(kāi)發(fā)人員都只考慮在數據中心進(jìn)行嚴肅的數據處理。本地處理原本不是考慮選項。但是現在，超級計算機的性能已經(jīng)跨過(guò)了大小、成本和功率要求方面的重要門(mén)檻。英偉達 (NVIDIA) 在2020年5月發(fā)布的Jetson Xavier NX開(kāi)發(fā)套件價(jià)格不到400美元，僅需10瓦的功率即可運行。該套件提供高達21 TOPS的計算力，強大功能可并行運行現代神經(jīng)網(wǎng)絡(luò )并處理來(lái)自多個(gè)高分辨率傳感器的數據，完美契合整個(gè)AI系統所需。其他競爭對手也在緊緊追趕。 這些進(jìn)步大大簡(jiǎn)化了云連接型AI和ML多模應用（圖1）的開(kāi)發(fā)。設想以下情景：建立一個(gè)先進(jìn)實(shí)時(shí)視頻和熱成像處理系統，用于探測發(fā)燒訪(fǎng)客或被列入“禁止入內”名單的個(gè)人所帶來(lái)的潛在威脅。即使運用5G，要將高分辨率的實(shí)時(shí)視頻和熱傳感器數據上傳到云端，在遠程服務(wù)器場(chǎng)進(jìn)行處理，然后等待面部識別和風(fēng)險評估評分算法完成工作并在數分鐘后回傳結果也是不切實(shí)際的。唯一的解決方案是在本地處理實(shí)時(shí)數據，以便系統可以快速評估威脅級別。 現在，這種理論上的系統可用標準攝像頭、熱成像設備以及這款8核英偉達設備來(lái)實(shí)現。作為完整的開(kāi)發(fā)套件，英偉達的這套設備售價(jià)不到400美元�，F在，預訓練模型中已經(jīng)包括常見(jiàn)的AI應用程序構建塊，例如對象檢測、文本轉語(yǔ)音、分類(lèi)、推薦引擎、語(yǔ)言翻譯、情感分析等。如果從這些模型開(kāi)始，然后針對特定的用例進(jìn)行調整，那么在開(kāi)發(fā)具備上述功能的應用時(shí)速度就會(huì )顯著(zhù)加快。英偉達GPU云 (NGC) 模型庫提供數百種此類(lèi)模型，以快速啟動(dòng)常見(jiàn)AI任務(wù)，而且針對Jetson Xavier和公司其他產(chǎn)品的模型優(yōu)化也已完成。在您的項目開(kāi)始運行后，只需通過(guò)更新幾個(gè)層即可輕松地重新訓練這些模型，大大節省了時(shí)間。 這些功能強大的超級計算機不僅適合上述智能攝像頭項目，還可用于構建無(wú)限數量的其他高性能AI系統，例如醫療儀器、自動(dòng)光學(xué)檢查、商業(yè)應用機器人等。 自然語(yǔ)言生成/對話(huà)式AI 自然語(yǔ)言生成方面的重大進(jìn)展，特別是微軟的Turing Natural Language Generation (T-NLG)，為AI開(kāi)發(fā)人員打開(kāi)了一些曾經(jīng)不可企及的大門(mén)。但這一點(diǎn)只有通過(guò)靈活機變的工程技術(shù)才能實(shí)現。 即使擁有32GB的RAM，一塊GPU也無(wú)法適配參數超過(guò)13億的模型。微軟團隊通過(guò)多項硬件和軟件技術(shù)突破解決了這個(gè)問(wèn)題。他們運用了英偉達的一種可實(shí)現GPU之間超速通信的硬件，并應用張量切片將這一模型分給四塊GPU。模型并行度由此從16降至4，從而使每個(gè)節點(diǎn)的批處理大小增加了400%，訓練速度也因此提高了三倍。因此DeepSpeed僅使用256塊GPU即可訓練大小為512的批處理，而采用以前的配置則需要1024塊GPU。而且，您無(wú)需理解上一段內容也可以開(kāi)始使用這項技術(shù)。 T-NLG于2020年2月發(fā)布的β測試版讓使用完整句子回答搜索查詢(xún)成為可能，能夠實(shí)時(shí)生成會(huì )話(huà)語(yǔ)言。想象一下：一個(gè)聊天機器人足夠智能，可以用您的語(yǔ)言交流，并且能做出頭頭是道的應答。 T-NLG是已經(jīng)發(fā)布的最大型號，包含170億個(gè)參數，使開(kāi)發(fā)人員能夠創(chuàng )建可以幫助作者撰寫(xiě)內容或總結長(cháng)篇摘要的應用。另外，它還可能讓人們制造出比以往類(lèi)型“聰明”得多的數字助理，以改善客戶(hù)體驗。我們相信，探索自然語(yǔ)言生成工具可幫助任何AI開(kāi)發(fā)人員培養在未來(lái)幾年內極具市場(chǎng)價(jià)值的新技能。 著(zhù)手使用T-NLG可能要比您想象的更簡(jiǎn)單，如果您已經(jīng)在使用Python則更是如此。前往GitHub并探索DeepSpeed存儲庫（兼容PyTorch），深入了解其中內容。這個(gè)API庫使用深度學(xué)習模型讓分布式訓練變得簡(jiǎn)單、高效且富有成果。這些模型增大了十倍，速度快五倍，讓您利用千億個(gè)參數在創(chuàng )紀錄的時(shí)間內完成模型訓練。 神經(jīng)網(wǎng)絡(luò )與進(jìn)化計算 數據庫通常是AI系統和應用的瓶頸。這個(gè)問(wèn)題無(wú)法簡(jiǎn)單地通過(guò)更大處理能力或內存來(lái)解決。一個(gè)值得關(guān)注的趨勢是神經(jīng)網(wǎng)絡(luò )在數據庫系統設計中的應用。 麻省理工和Google設計的一個(gè)實(shí)驗性數據管理系統用一個(gè)神經(jīng)網(wǎng)絡(luò )代替了核心組件，與優(yōu)化緩存的B樹(shù)相比，性能最多提高70%，同時(shí)降低了內存要求。 “學(xué)習索引”快速學(xué)習數據庫的查找鍵結構，并使用它們來(lái)預測記錄位置。神經(jīng)網(wǎng)絡(luò )有可能對未來(lái)的系統設計產(chǎn)生顯著(zhù)影響，因此我們認為這是一個(gè)值得探討的主題。所以請選定一個(gè)主題：AIoT、NLG或神經(jīng)網(wǎng)絡(luò )計算；也可以全選！ 然后做好準備，去駕馭必將激動(dòng)人心的AI創(chuàng )新浪潮。 文章來(lái)源：貿澤電子 作者簡(jiǎn)介：Stephen經(jīng)常受邀為《財富》100強企業(yè)提供總體產(chǎn)品戰略和架構設計方面的建議，尤其是在涉及工作流管理、電子商務(wù)、人工智能和機器學(xué)習的領(lǐng)域，他對當前流程有著(zhù)客觀(guān)的看法。他建議在戰略上進(jìn)行小幅調整，以產(chǎn)生長(cháng)期重大收益以及快速的投資回報。作為首席技術(shù)官/首席系統架構師，Stephen深刻了解搭建成功的“軟件即服務(wù)”平臺所需的一切。一般是通過(guò)基于云的可擴展架構，將多個(gè)舊系統組合在一起，讓復雜數據集能夠以安全、統一的視圖呈現給用戶(hù)。 |
