安敢在此饶舌e的个人空间,一文看懂人工智能

文章大纲

1.人工智能无所不在-半导体篇

2.AI让行业应用插上腾飞的翅膀-电子应用篇

AI让安防升级换代,催生更多应用场景

智能手机AI应用势如破竹

智能穿戴‚钱‛途无量

安防+AI让智能家居正式迈入智慧家居

3.AI信息服务的蓝海已至-系统平台战略篇

政策、技术、资本三轮驱动

AI是全新的生产要素及工具,AI+行业将成为普遍商业模

计算机视觉、智能语音是AI时代入口,中国初创龙头企业具备全球竞争力

领先初创企业介绍:商汤、旷视、依图、云从、云知声

4.投资建议

人工智能

人工智能无所不在-

半导体篇

人工智能平台是应用还是工具?

人工智能平台(包括芯片,模组,软件)在一般人认为是一种新型应用,但我们看来人工智能芯片在整合软硬件后将成为各种物联网应用的提升效能工具平台,这就像我们常用的微软,微软是让我们在办公室应付各种应用,因被广泛利用在云端大数据的深度学习训练和推断外,人工智能平台也将出现在各种各样的应用端的边缘设备,来达到帮助使用者或取代使用者来执行更佳的智能判断推理。

虽然目前人工智能芯片仍多是以昂贵的图形处理器 (GPU)张量处理器(Tensor Processing Unit)或现场可编程门阵列芯片配合中央处理器(FPGA+CPU)为主,来用在云端的深度学习训练和推理的数据中心,但未来特定用途集成电路(ASIC)将在边缘运算及设备端所需推理及训练设备遍地开花,及逐步渗透部分云端市场,成为人工智能芯片未来的成长动能。

人工智能会渗入各领域应用-无所不在

许多产业研究机构将自动驾驶、虚拟/扩展现场、无人商店、安全智能监视和智能医疗智能城市、智能亿物联网分别作为半导体产业的不同驱动引擎,国金半导体研究团队实际上认为自动驾驶/电动汽车、5G、虚拟/扩展现场、无人商店、安全智能监视、智能医疗、智能城市只是人工智能亿物联网的延伸。

智能医疗:智能医疗系统可利用三维脸部个人辨识来挂号,减少排队时间,让看诊更顺畅。医院可收集资料并整合个人在不同医疗院所的所有医疗纪录;医生可利用人工智能数据平台辅助做更精准的医疗判断,减少重复用药的浪费和对病人的副作用,医院可利用此大数据资料做更深入的医学研究,数家政府医院应先抛砖引玉,带头做整合。

三种主流人工智能演算法

最早的人工智能出现及运用在1950-1980年代,接着转换到1980-2010年机器学习,从2010年以后,随着各种演算法CNNs,RNNs,DNNs等图影像视觉学习,辨识,推理的普及,让深入人工智能深入学习的突飞猛进。深度学习是人工智能和机器学习的一个子集,它使用多层人工神经网络在诸如对象检测,语音识别,语言翻译等任务中提供最先进的准确性。深度学习与传统的机器学习技术的不同之处在于,它们可以自动学习图像,视频或文本等数据的表示,而无需引入手工编码规则或人类领域知识。它们高度灵活的架构可以直接从原始数据中学习,并在提供更多数据时提高其预测准确性。

人工智能的深入学习最近取得了很多突破。例如谷歌Deepmind的AlphaGo和更强大的AlphaZero陆续在围棋中获胜,在西方棋类比赛中获胜,谷歌Waymo、英伟达的Xavier/Pegasush320、Intel/Mobileye的Eye4/5自动驾驶汽车解决方案、亚马逊的Alexa、谷歌的GoogleAssistant、苹果Siriri、微软的Cortana、三星的Bixby智能语音助手等。借助加速的深度学习框架,研究人员和数据科学家可以明显加快深度学习训练,从几天或几周的学习缩短到几个小时。当模型可以部署时,开发人员可以通过人工智能芯片加速的推理平台实现云、边缘运算设备或自动驾驶汽车,为计算密集型深度神经网络提供高性能、低延迟的推理。

卷积神经网络CNNs(Convolutional Neural Networks ):卷积神经网络(CNN)是建立在模拟人类的视觉系统,并透过图影像分类模型的突破,也将是,主要来自于发现可以用于逐步提取图影像内容的更高和更高级别 的表示。CNN是将图像的原始像素数据作为输入,并‚学习‛如何提取这些特征,并最终推断它们构成的对象。首先,CNN接收输入特征图:三维矩阵,其中前两个维度的大小对应于图像的长度和宽度(以像素为单位),第三维的大小为3(对应于彩色图像的3个通道:红色,绿色和蓝色)。

卷积神经网络的末端是完全连接的层,完全连接的层将层中的每个神经元连接到层中的每个神经元。原则上类似于多层感知器神经网络,工作是根据积分提取的特点进行分类的,CNN可以包含更多或更少数量的积分模块,以及更多或更少的完全连接层,工程师经常试验找出能够为模型产生最佳结果的配置。也就是说,CNN专注于自动驾驶汽车、安全、脸部识别、疾病图像识别解决方案等图像处理。

循环神经网络RNNs(Recurrent Neural Network):RNN是一类人工听觉及说话的神经网络,具有记忆或反馈回路,可以更好地识别数据中的模式。RNN是常规人工神经网络的扩展,它增加了将神经网络的隐藏层送回自身 的连接-这些被称为循环连接。循环连接提供了一个循环网络,不仅可以看到它提供的当前数据样本,还可以看到它以前的隐藏状态。具有反馈回路的循环网络可以被视为神经网络的多个副本,其中一个的输出用作下一个的输入。

在神经机械翻译(NMT)中,我们不是从设计规则中翻译,而是从数据中学习。由于我们处理时间序列数据,其中语境的上下文和顺序很重要,NMT的优先网络是循环神经网络。可以使用称为注意力的技术来增强NMT,有助于模型将焦点转移到输入的重要部分,改善预测过程。举两个RNN的例子,为了跟踪你自助餐厅主菜的哪一天,每周同一天运行同一道菜的严格时间表。例如星期一的汉堡包、星期二的咖喱饭、星期三的披萨、星期四的生鱼片寿司和星期五的意大利面。如果使用RNN,输出的生鱼片寿司为了确定周五的菜品被网络反馈,RNN就那么RNN就会知道,顺序中的下一道主菜大利面。

深度神经网络DNNs:DNN在视觉、语言理解和语音识别等领域取得了重要突破。为了实现高精度,需要大量的数据和后期的计算能力来训练这些网络,但这些也带来了新的挑战。特别是DNN可能容易受到分类中的对抗性示例,强化学习中遗忘任务,生成建模中的模式崩溃的影响以及过长的运算时间。为了构建更好,更强大的基于DNN的系统,是能否有效地确定两个神经网络学习的表示何时相同?我们看到的两个具体应用就是对比不同的网络学习的表现,说明DNN中隐藏层学习的表现。设置的关键是将DNN中的每个神经元解释为激活向量,神经元的激活矢量是它在输入数据上产生的标量输出。

到底哪种人工智能芯片将成云计算的主流?

深度学习是一种需要训练的多层次大型神经网络结构(请参考图表),其每层节点相当于一个可以解决不同问题的机器学习。利用这种深层非线性的网络结构,深度学习可以从少数样本展现强大的学习数据集本质特征的能力。简单来说,深度学习神经网络对数据的处理方式和学习方式与人类大脑的神经元更加相似和准确。谷歌的阿法狗也是先学会了如何下围棋,然后不断地与自己下棋,训练自己的深度学习神经网络,更厉害的阿法零 (AlphaZero)透过更精准的节点参数,不用先进行预先学习就能自我演化训练学习。

深度学习模式需要通过大量的数据培训来获得理想的效果,培训数据的稀缺使深度学习人工智能在过去不能成为人工智能应用领域的主流算法。但是,随着技术的成熟,加上各种行动、固定通信设备、无人驾驶交通工具,可以穿戴技术,各种行动、固定监视感知系统可以相互连接和交流的亿物网络,突然爆炸的大数据满足了深刻的学习算法对训练数据量的要求。

训练和推理所需要的神经网络运算类型不同。神经网络分为前向传播(Forward algorithm)其中包括输入层, 隠藏层,输出层和后向传播(Backward  algorithm)主要指的是梯度运算,两者都包含大量并行运算。训练同时需要前向和后向传播,推理则主要是前向传播。一般而言训练过程相比于推理过程计算量体更大。

云人工智能系统通过大量的数据集和调整参数优化负责训练和推理,边缘运算终端人工智能设备负责推理。推理可以在云中进行,也可以在边缘运算方和设备方面进行。模型训练完成后,将训练完成的模型(主要是通过训练获得的参数)用于各种应用。应用过程主要包括大量的乘累矩阵运算,并行计算量较大,但与培训过程相比参数相对固定,不需要大数据支撑,除云实现外,还可以在边缘运算方实现。推理所需参数可在云培训结束后定期下载更新到应用终端。

在深度学习半导体领域里,最重要的是数据和运算。谁的晶体管数量多,芯片面积大,谁就会运算快和占据优势。但是,由于未来各处理器的特性不同,英伟达的图形处理器GPU和谷歌的张量处理器仍然可以主导通用云人工智能深度学习系统的训练,可编程芯片FPGA的低功耗和低延迟性应该有助于主导云人工智能深度学习系统的推理,特殊用途集成电路(ASIC)将来主导边缘运算和设备方面的训练和推理,但由于成本、运算速度、功耗优势和功耗优势:

中央处理器CPU:X86和ARM在内的传统CPU处理器架构往往需要数百甚至上千条指令才能完成一个神经元的处理,但对于并不需要太多的程序指令,却需要海量数据运算的深度学习的计算需求,这种结构就显得不佳。

CPU具有优化顺序逻辑处理的几个核心组成的串行结构,决定了更擅长逻辑控制、串行运算和通用类型的数据运算。目前最高的CPU只有6核或8核,但普通级别的GPU包括数百个处理单元,因此CPU在影像、影像计算中具有天生的弱点。

图形处理器GPU仍主导云端人工智能深入学习及训练: 最初是用在计算机、工作站、游戏机和一些移动设备上运行绘图运算工作的微处理器,但其海量数据并行运算的能力与深度学习需求不谋而合,因此,被最先引入深度学习。GPU只需要进行高速运算而不需要逻辑判断。GPU具备高效的浮点算数运算单元和简化的逻辑控制单元,把串行访问拆分成多个简单的并行访问,并同时运算。

与超威和英特尔的GPU芯片不同,英伟达的人工智能芯片拥有CUDA的合作软件是领先人工智能市场的主要因素。CUDA编程工具包使开发者能够简单地编程画面上的像素。在 CUDA发布之前,GPU编程对程序员来说是一件苦差事,因为这涉及到编写大量低层面的机器码。CUDA经过英伟达多年的研发和改进,成功地将Java或CTA这样的高级语言开放到GPU编程中,使GPU编程更加简单,研究者也能更快更便宜地开发深入的学习模式。

现场可编程门阵列芯片FPGA的优势在低功耗,低延迟性:CPU内核并不擅长浮点运算以及信号处理等工作,将由集成在同一块芯片上的其它可编程内核执行,而GPU与FPGA都以擅长浮点运算着称。FPGA和GPU内都有大量的计算单元,它们的计算能力都很强。在进行人工智能神经网络(CNN,RNN,DNN)运算的时候,两者的速度会比CPU快上数十倍以上。但是GPU由于架构固定,硬件原来支持的指令也就固定了,而FPGA则是可编程的,因为它让软件与应用公司能够提供与其竞争对手不同的解决方案,并且能够灵活地针对自己所用的算法修改电路。

目前,云中使用的人工智能解决方案是用XeonCPU与Nervana合作,用于云中间层和边缘运算设备的低功耗推测解决方案是用XeonCPU与FPGA合作编程加速卡。赛灵思(西安)于2018年底以低成本、低延迟、高能效的深度神经网络(DNN)算法为基础的Alveo加速卡,采用台积电16nm工艺的UltraScaleFPGA,预计将获得众多人工智能数据中心云推理芯片市场的份额。

谷歌张量处理器TPU 3强势突围,博通/台积电受惠,可惜不外卖:因为它能加速其人工智能系统TensorFlow 的运行,而且效率也大大超过GPU―Google的深层神经网络就是由TensorFlow引擎驱动的。谷歌第三代张量处理器(TPU,Tensor Processing Unit,大约超过100 Tera  FLOPS/hp-16bit)是专为机器学习由谷歌提供系统设计,博通提供ASIC芯片设计及智财权专利区块,台积电提供16/12纳米制程工艺量身定做的,执行每个操作所需的晶体管数量更少,自然效率更高。TPU每瓦能为机器 学习提供比所有商用GPU和FPGA更高的量级指令。

TPU是为机器学习应用特别开发,以使芯片在计算精度降低的情况下更耐用,这意味每一个操作只需要更少的晶体管,用更多精密且大功率的机器学习模型,并快速 应用这些模型,因此用户便能得到更正确的结果。以谷歌子公司深度思考的阿尔法狗及零(AlphaGo, AlphaZero/DeepMind)利用人工智能深度学习训练和推理来打败世界各国排名第一的围棋高手,世界排名第一的西洋棋AI程式Stockfish 8,世界排名第一的日本棋Shogi AI专家,但我们估计AlphaZero系统使用至少近5大排人工智能主机,5,000个张量处理器,1,280个中央处理单元而让云端的设备异常昂贵,且无提供任何的边缘运算端设备。

ASIC特定用途IC需求即将爆发:即使研发期长,初期开发成本高,通用性差,但国内芯片业者因缺乏先进x86 CPU,GPU,及FPGA的基础设计智慧财产权(IPs),可完全客制化,耗电量低,性能强的特定用途IC(ASIC  Application-specific integrated circuit)设计就立刻成为国内进入人工智能云端及边缘运算及设备端芯片半导体市场的唯一途径。但因为起步较晚,除了比特大陆的算丰(SOPHON)BM1680及BM1682云端安防及大数据人工智能推理系列产品已经上市之外,其他公司在云端人工智能训练及推理芯片设计都还停留在纸上谈兵阶段。

最后可惜的是国内搜寻引擎龙头百度的昆仑芯片(818-300采用Samsung 14纳米),阿里巴巴的Ali-NPU,及亚马逊的Inferentia目前都还没有提供更确实的芯片速度,耗电量,应用,价格,量产时点,及软件框架规格让我们做出更好的比较图表。

哪种人工智能芯片将成边缘运算及设备端的主流?

从算法,IP,边缘运算及设备端芯片转换到模块,平台或生态系的战争谷歌在Google Cloud NEXT 2018活动中,首次推出人工智能推断用边缘运算张量处理器(Edge Tensor Processing Unit,Edge TPU,

火炮兰 - 萌娘百科 万物皆可萌的百科全书勇敢者的世界_第一章 安一指在线阅读-起点中文网 - qidian.com成人浴盆折叠浴桶2021年10月18日-月销口碑最新推荐-天猫 ...【APH观影体】回首,展望(三十一)-白衣未央【全网首发】QQ相册暴力破解工具 - 『原创发布区』 - 吾爱 ...一如既往,劳斯莱斯的极致奢华_太平洋汽车网 - PCautoWake Up (豆瓣)一文看懂人工智能-面包板社区关于无线充电,或许看完本篇可以到此为止了!Anker三模式 ...我迷失了,今天很迷惘,心情也很糟。。。2007新骗术,大家出门在外一定小心,尤其女性朋友天将降大任于斯人也,必先苦其心志,劳其筋骨,饿其体肤,空乏其身,行拂乱其所为,所以动心忍性,增益其所...有3个女人愿意为他而死[厉害!]程序员因接外包坐牢 456 天!两万字揭露心酸经历我爱上一个坏男人 让我无法自拔个人或企业网上被人恶意诽谤诋毁的负面能删掉吗?c语言验证鼓角猜想,患者,男,43岁,交通警察。下肢酸胀、沉重6年,活动或休息后减轻。体格检:小腿外侧有蚓状团...无病呻吟也是一种情趣!!!小白欲哭无泪,求大神指教以失败告终:个人创业六大死穴[藏]题不解小白前途堪忧这个个人空间的功能真是烂透了,我点开好多次都不会用,也找不到自己要找的信息,建议改回原版“应试教育的死穴,恰在于堵住了孩子“犯错”空间”——有感“太上,不知有之;其次,亲而誉之;其次,畏之;其次,侮之。”有一种难过是痛到无法被安慰,有一种失望是深到无法被鼓舞火箭赢得太艰难了!!!血战长空全集(1-40)骗人死全家年轻人也太禁不起诱惑了吧?不再怨天忧人了【2036】改革春风吹满地天罪孽,犹可存;自作孽,不可活知我者,谓我心忧,不知我者,谓我何求。何必说?重大消息:谈判彻底崩裂,国人绝不屈服! 速看年底了,小心各种坑,亲身破除一个谣言。【一些忧虑】
你丫闭嘴电影普通话国语版你丫闭嘴东北观看斑秃究竟会不会遗传呢青光眼会不会遗传g12特别行动组达达兔顾霆深慕晚全文免费阅读市场风险是指什么呢?爱问知识人上海金丝猴集团有限公司码垛机器人编程猫不吃什么徐徐txt下载徐徐图之池予txt漫画迷2021最新版v128下载pypi镜像站使用帮助第900章她在睡觉不方便接电话跳蚤也称神破窮第一百五十六章回归大结局12欢迎来到耀中上海国际学校成都市青白江区南开为明学校言情小说作者推荐著名言情作家前五十名小说作家名奇分类实用整理灰烬成双则火燃起实用网站整理列表五仁的记录