英特尔2016人工智能论坛:7张图召唤英特尔 AI 未来布局

【新智元导读】英特尔11月30日上午在北京举行“2016英特尔人工智能论坛”。本次大会可以认为是英特尔在人工智能,特别是深度学习上的战略布局在国内的首次全面展示。新智元在此前的报道中曾提到,英特尔的深度学习技术现在很大程度上依赖于今年收购的芯片公司Nervana。本次大会除英特尔全球副总裁中国区总裁杨旭以外,Nervana首席执行官兼联合创始人 Naveen G.Rao 也发表演讲。此外,英特尔另外两位副总裁Jason P. Waxman和 William A. Savage,以及英特尔中国研究院院长宋继强也介绍了英特尔的深度学习产品和技术细节。

这次论坛上英特尔全面介绍了致力于推动人工智能性能瓶颈突破、技术大众化以及社会效益最大化的重大战略,并分享了最新发布面向人工智能的英特尔 Nervana 平台,以及创新的英特尔端到端产品组合和路线图等细节。新智元创始人杨静主持大会《 IA+AI,我们如何迎接未来?》论坛,来自国内外人工智能领域的知名专家学者、行业用户代表以及英特尔的合作伙伴们一同探讨了人工智能面临的技术挑战及其应对之道,以及中国在人工智能时代的巨大发展机遇。干货满满。

7张图召唤英特尔AI未来布局

英特尔全面且灵活的解决方案产品组合

英特尔充分利用自身技术和产品创新的整合优势,为人工智能提供全面的、极为灵活的端到端解决方案产品组合:构建于业界领先的基于英特尔架构的涵盖至强处理器、至强融核处理器、Nervana平台和FPGA、Omni-Path网络、3D XPoint存储等技术的硬件平台,结合英特尔针对深度学习/机器学习而优化的英特尔数学函数库(Intel® MKL)、英特尔数据分析加速库Intel® DAAL)等,和致力于为多节点架构提供卓越性能的开源软件框架如Spark、Caffe、Theano 以及 Neon 等,及可推动前后端协同人工智能发展布局的Saffron、TAP、Nervana 系统、Movidius等工具和平台。

以上这些产品组合将最终帮助广泛的行业和企业更方便地获取、开发和部署人工智能应用,将人工智能潜能在各个领域中充分释放,如智能工厂、无人驾驶汽车、体育、欺诈检测、生命科学等等。

AI:中国迈入下一个发展阶段的增长引擎

英特尔公司全球副总裁兼中国区总裁杨旭在主题为“AI在中国”的发言中提到,“中国庞大的人口带来迅速积累的数据资源,而持续的产业创新和迅速增长的计算力,将成为人工智能、深度学习实现创新和突破的基石。而人工智能的普及和应用,将为中国迈入下一个发展阶段提供强大的增长引擎。”

然而英特尔究竟要做些什么?往下看!

人工智能仍处于婴儿期,

英特尔将加速推动人工智能计算时代的到来

英特尔公司副总裁、数据中心事业部数据中心解决方案部门总经理Jason Waxman在论坛中谈到,人工智能将变革企业业务运营方式以及人类与世界的交互方式。人工智能从海量数据分析中创造业务洞察,并不断推动着行业的变革和转型。作为一家助力云计算,以及数十亿智能互联计算设备的公司,英特尔正继续转型以聚焦已经崛起的良性循环——云和数据中心、物联网、内存和FPGA等加速器,它们紧密联系在一起,加速人工智能创新。

利用自身技术和产品创新整合优势加速人工智能创新

英特尔数据中心事业部副总裁人工智能解决方案部门总经理Naveen Rao表示,英特尔将利用自身技术和产品创新的整合优势,提供人工智能领域最全面、极为灵活的端到端软硬件产品组合,携手产业合作伙伴,构建涉及人工智能技术提升、教育培训、应用优化等广泛的生态环境,加速人工智能领域的创新。

软件优化充分释放人工智能潜能,推动人工智能应用果敢上升

英特尔软件与服务事业部副总裁产品开发部门总经理William Savage表示, 英特尔构建于前后端协同人工智能发展布局上的软件优化,将人工智能潜能在各个领域中充分释放,帮助广泛的行业和企业更高效地开发和部署人工智能应用。

光有软件肯定不够,人工智能需要软硬协同,才能提升数据洞察的智慧

人工智能和机器学习需要面对复杂的应用场景,因此需要不同特性的硬件系统以及软硬件协同优化,才能提升数据洞察的智慧。英特尔中国研究院院长宋继强博士登台时聊到,英特尔通过提供从前端到数据中心的广泛产品、技术和软件应用的整合解决方案降维人工智能、深度学习,提供适用于不同工作负载的系统,正成为运行人工智能应用的首选平台。

构建涉及人工智能技术提升、教育培训、应用优化等广泛生态

为推动人工智能战略的实施,加速相关技术的大众化并最终实现应用的普及,英特尔还积极建立与包括谷歌等业界领先公司在内的广泛的联盟,成立英特尔Nervana人工智能委员会等推动技术探索和创新,与全球领先机构合作提供开发者培训课程,从而构建涉及人工智能技术提升、教育培训、应用优化等广泛的生态。

专题讨论会:IA+AI,我们如何迎接未来

新智元创始人杨静主持本次大会的互动讨论环节,与中科院计算所冯晓兵博士、英特尔数据中心事业部首席工程师兼人工智能解决方案架构师张彤、英特尔软件与服务事业部副总裁、机器学习与翻译部门总经理李炜,以及京东集团架构部人工智能研发方向研发总监陈宇、商汤科技异构并行计算部门工程总监刘文志一同探讨了人工智能面临的技术挑战及其应对之道,以及中国在人工智能时代的发展机遇。

专题讨论会:IA+AI,我们如何迎接未来

杨静:各位专家,大家好,今天英特尔 AI Day 给我们一个新的契机,让我们来讨论AI人工智能应用话题。现在AI虽然炒得很热,从AlphaGo开始就成为社会焦点议题,但是它的应用还局限在一些比较窄的专业领域,比如图象识别、语音识别,或者是无人驾驶、智能驾驶,神经语言学(NLP)等专业的领域。

各位专家对 AI 在跟大众实际生活相关的应用技术有什么见解?请各位专家给大家介绍一下,您在这个领域里面的新发现。我们是不是从张彤女士开始呢?

张彤:前面几位嘉宾至少有两位都提到深度学习,实际上现在深度学习的应用还处在婴儿期的阶段。我们预计未来几年,在各个领域会有更深入、更广泛的应用。

从英特尔来说,目前主要是在图像、语音、自然语言处理等领域展开,特别是跟我们的云提供商(Cloud Provider)它们之间的合作比较多。但是,实际上下一步我们会更多的深入到行业应用中去,比如说医疗领域,这个跟我们大家的生活是息息相关的。现在很多时候都可以用机器判断癌症,我就看到国内有的教授在这方面研究做得非常好,比一般的医生判断得都要更准确一些。从英特尔来说希望能够参与进来,用英特尔的技术来支持这方面的应用,让大家切实得到深度学习的好处。

杨静:张彤女士的一个展望让我们看到,以后我们都可以不用照X光片了。人工智能在这些领域可能的确可以给人类的生活带来方便,可以更专业的辅助。下面请英特尔美国总部软件部门的负责人李总分享一下你的看法。

李炜:对医疗我也很有兴趣。如果有一个单独的医生跟着你走,医疗效果就会很好,现在生病去医院也不太方便。我还有一个很感兴趣的是体育,不管是打什么球,学羽毛球还是网球,如果有一个人工智能的教练在边上帮你,就不需要请教练教,它能够自动告诉你怎么改进。

杨静:来自商汤科技的刘总,您怎么看?

刘文志:商汤科技主要做人工智能落地的产品。我们现在做的一些事情,比如说直播领域,商汤的人脸识别技术可以精准美化女直播的颜值。这是实际中已经在大范围使用的,当然也借了今年直播的风口。还有人脸闸机,在过关的时候如果要掏出身份证或者其他设备,相对来说是比较复杂的,如果靠着自己的一张脸就可以畅通无阻的话,会方便很多。还有一些和图像相关的,商汤科技也能提供很好的解决方案。

杨静:其实我是脸盲,希望有一个AI帮助我认识所有人的脸。京东这边也是AI应用的大户,有请陈总给我们讲讲你们有什么 AI 落地的经验?

陈宇:回到您刚才提的问题。作为一个技术研发者,我感觉这个事情要分两层看:首先从感知角度,感知本身就是人工智能领域一个非常重要的方向,比如说视觉、听觉,我们对事物的分析,也就是图象识别、语音识别这些东西,我们京东都有在落地。我们的图象识别不只是大家看到的一些人脸识别或者文字识别,或者图像的一些简单识别,我们甚至可以帮助仓储系统进行货品的审核和分拣,这些东西都是具体落地的。除了感知之外,我们京东也有很多其他的应用领域是可以应用在人工智能的。举一个例子,京东有JIMI机器人,它可以替代人工进行客服Q&A,节省非常大量的人工,这些不只是感知,同时也是做了智能信息的处理,这些都是人工智能在京东实际的落地场景,也是大家能够直接体会到的东西。

杨静:这个客服机器人有点像售后服务的小助手。

陈宇:对。目前主要集中在售后的服务上。

杨静:下面有请中科院计算所的冯教授给我们讲讲。

冯晓兵:因为我是做研究的,所以在具体的应用上,我只能说一些别人的例子,像我们现在用的智能手机中的手写体识别、语音的输入,这后面都是有人工智能的支持。包括京东,国内很多电商网站的商品推荐实际上背后多少都是有人工智能的帮忙的。我想,未来可能我们在新的制造业、工业的升级上面应该也会有人工智能的应用。

杨静:您是指工业方面AI也将会发挥巨大的作用。刚才各位专家从各个领域,包括医疗、客服助手、人脸的识别等等,畅想了人工智能未来很好的应用的前景。其实现在也有一个话题:有的时候我们觉得人工智能还不够“智能”,比如说苹果手机,前一段时间我把Siri卸载了,因为它不够智能,有时候会添乱,一按它就跳出来了,我觉得还不如不出现的好。

这就说明在人工智能技术的研发以及应用的方面遇到了一些技术上的挑战,我也知道各位专家都在自己深耕的领域对AI的技术在进行一些探索,特别是很多探索是很超前的,请各位专家谈一谈,我们怎么样跨越这样的艰难险阻,达到AI的一种新境界。下面请冯教授先开始。

冯晓兵:因为我觉得人工智能继续发展有两大方面要处理,第一是怎么有更多的应用,人工智能理论、方法能处理更多的应用,现在主要是基于学习的方法比较成功,除了学习的方法之外,我们还有没有别的可以让它往前走的?

但这个可能跟我们关系不大。我们跟英特尔比较类似,因为计算所都是做系统的,所以第二个大方面的问题是我们怎么做一个更合理的系统,使得已经有的人工智能的应用在一个可接受的代价的前提下得到更广泛的应用。

今天很多英特尔的同事都介绍到了,我们的芯片、系统软件,包括到上面编程框架的支持可能都面临很多挑战。不管是计算所在做的,还是英特尔提到的这些,都是在尝试做一个更好的系统,使得我们可以用更小的功耗、更低的程序开发的代价,获得更好的性能,可以做更大的数据规模的处理。

另一方面,我们有没有一些基础的技术,使得一些系统可以在不同的应用种类上面获得更好的适应性,而不需要太多的程序员或者系统工程师深度的介入,这将来都会面临很大的挑战。

杨静:自学习。刚才冯主任提到了,其实他最困扰的是把他的技术跟应用更结合,可能从应用的角度看,你会遇到AI的软件和硬件还不是特别支持你想达到的应用场景,或者效果的难题。我想请陈总分享一下,您在AI 技术的实验探索中,最想解决的AI的软件和硬件的问题是什么?

陈宇:首先从技术上说,可能从前一阶段或者前几年,我们主要是简单的把深度学习应用在各个领域、各个应用场景上。后面我们主要的目标是怎么样为深度学习本身,或者为人工智能本身做些事情,比如说我们现在也在做一些像Model Compression,像Deep Reinforcement Learning,包括Transfer Learning )这种工作,目的是真正能够更深入的解决您刚才所说的实际中简单的应用深度学习不能解决的问题,不只是简单的应用,而是要真正做一些相关的研发投入。

第二,人工智能本身我个人感觉它并不是一个科幻片,很多的人工智能场景是确实存在的,但是过度产品拔高,产品定位的拔高,有可能给人一种不切实际的预期,所以这块有一个切实的产品定位也是比较重要的。

杨静:从芯片的角度,现在深度学习的芯片热也是今年的一个现象,那么现在的芯片架构是不是满足您对AI项目的需求呢?

陈宇:从我们团队来说,我们认为我们有一个非常开放的态度向各种架构、各种体系敞开大门。我们最终目标是解决事情本身,没有任何的倾向。就芯片本身的话,我个人觉得特别是在国内互联网这种情况下、这种条件下,运维的难度可能是需要考虑的条件之一,毕竟长时间以来都是以基础的CPU架构进行运维,所以这块某些条件下,比如我们在“双十一”大促的这种流量激增的情况下,也许是可以使用CPU这种架构去做一些容灾和流量的分发,这样的话系统的可扩展性和经济性会比较好一些。

杨静:同样的问题给到商汤科技的刘总。

刘文志:我认为人工智能或者在大范围应用现在面临着几个主要的困难,第一是认知上的,在我们实际的项目中我们发现很多客户都会要求要百分之百的精准。有99.99%,还有万分之一,这万分之一如果发生了会怎么样?但是我们通常说,如果这个东西人去做,他准确率是多少,如果机器能够超越人,我们就应该可以允许这样的概率存在,因为人都做不好,我们是很难通过机器学习或者深度学习的办法把它做得更好。

另外,在实际应用的时候,深度学习技术后还有一个门槛,往往需要开发人或应用人员对机器学习算法有一些理解,其实这对于目前大多数开发APP的研发人员来说要求有点过高了。作为企业来说,我们如何把技术封装得足够好,工程师可以在没有额外知识的情况下使用它,对于我们来说是需要解决的问题。

最后,也是杨总提到的计算能力的问题,训练的时候对计算能力需求非常大,部署的时候也不小。在部署的时候,我们很多时候是在手机上,在云上,甚至在一些嵌入式的设备上,在云上后台可以用 XeonByte 这种大杀器,这个是没有问题的。但是在手机上很难用一个应用就要求潜在的客户换一个手机,这个不现实。所以最好的办法是怎么在他的手机上把性能做到极致,这是代码优化的办法去做,另外在新手机出厂的时候能不能带一个深度学习的加速器或者特定的芯片,这也是一条路。当然像英特尔 Marvell 也是很明显的例子。当然我相信iPhone7最近用了FPGA做了一些specific的事情,FPGA也可能是未来的路,但最终市场和大的趋势会选择哪一条路,要看市场的检验。我们部门这些路都在看、都在尝试。最重要的一条,我觉得要让人工智能真正做到无处不在,其限制的因素是大家对人工智能有潜在的恐惧,我跟很多同事、朋友聊过,他们都在跟我说,当城市里所有摄像头都知道我在什么时间做了什么事的时候,我就没有隐私了,这是一种非常大的恐惧。我的朋友跟我说这个的时候我也有点毛骨悚然,但仔细想我并不担心,今天的人工智能还在婴儿期,还远远做不到那么智能的水平。而且人工智能的技术本身只是技术,是由人使用的,就像克隆技术。今天就没有人担心克隆技术会把人类给(替代)。所以对于人工智能的这种恐惧我相信人类社会很快会解决,当然短期内大家很多时候还会面对怎么样回答这个问题,怎么样消除普通大众的戒心。

杨静:这个确实有挑战,你想想普通手机里面,iPhone、华为的手机也要用人工智能的芯片,要用FPGA,这个好像确实是很复杂的架构,能不能把它变得更易用呢?有请英特尔的李总给我们谈谈挑战到底是什么。

李炜:我同意他刚才讲的,现在人工智能还是一个婴儿期。虽然人工智能本身已经好多年了,但是这次真正是人工智能的再生,有很多可以做的东西。我感觉有三个方向可以做:一个是从系统角度来讲,包括硬件和软件,另一方面是从人工智能算法的改变,有很多研究在做的,刚才冯博士也讲了怎么把数据精确度提高,各种各样的做法。还有是数据的,是不是存在很多数据,因为现在人工深度学习能够有这个突破,是因为有很大的数据在那边,并不是说原来别人不知道怎么做。这三方面从系统角度讲,硬件还会往前走,比如说英特尔刚才讲Nervana,100倍的变化或者像我们的Knights Mill,4倍的变化,都是几十倍、几十倍的变化,这种信息变化相当大。从系统角度讲、从软件部分讲,我们有很多可以做的,现在讲的是架构的问题。你刚才说不是很易用,我们也开始做一些工具,使得用人工智能建模型的人不见得一定是真正的计算机专业训练出来的人,因为那些人可能应该是比较高层的,只是考虑算法的人,并不是为了编程的人,怎么使得他能够容易设计人工智能的模型。

还有一个是从数据角度讲,因为刚才Naveen也讲到这个事情,他说他家里很多都是医生,大家都很看好医疗方面会有很大的发展,但是医疗方面有很大的问题并不是技术的问题,有很大的问题是医疗本身,这个系统不是一个开放的系统,数据不是那么容易拿得到,所以很多不同的医院,数据也不是一下就可以拿到,不像图像在网上都可以用,所以不光是有技术的问题,还有很多是从现实需要改革的管理方面的问题。

张彤:我觉得说到人工智能和深度学习的挑战,因为我的工作跟这个联系的比较多,我自己其实能够看到。大家说深度学习有这么大的发展,给我们带来这么多新的体验。但是从我每天日常工作当中我是看到了很多挑战和问题需要我们去解决:第一个比如在软件的深度学习的框架上,我们知道大家现在用的比较多的是Caffe、Tensorflow等等,我们现在又有了Neon,但是没有任何一个框架是十全十美的。可以说每一个都有很多问题,特别是比如有的框架适合做某一种事情、某一种任务,但是可能就不适合其他的。但是 ,包括我相信像京东、商汤,你们可能又要做语音,又要做人脸,没有任何一种框架是完全满足你们的,然而同时又新的框架出来,比如百度有PaddlePaddle,日本有一种框架叫Chainer,日本有50%的工作量是在那上面的,但是在其他国家没有,所以说有很多的不同。这样会使得用户有困惑,我到底要用什么样的深度学习框架?还有从硬件方面也是有很多的,像英特尔就有至强(Xeon)、至强融核(Xeon Phi)、FPGA、Nervana硬件,还有在Edge端的Movidius,还有GPU。硬件和软件的结合应该怎么选择?对于用户,并不是所有的用户都对人工智能有这么深切的了解,怎么能够让它大众化?当然英特尔现在提出来要做Nervana Graph,在不同的框架和不同的硬件之间有新的层,这样能够起到一个统一的作用。所以下面无论是什么样的硬件,上面无论是什么样的开源的框架,我们都能帮你达到一个最优的效果,这是我们在这方面做出的自己的一份贡献和努力。

杨静:刚才张彤女士也提到了,我们现在面对深度学习形成了一个新的生态圈,大家对开源框架有的时候是无所适从的,像谷歌有TensorFlow,我们有Torchnet,Caffe。好像有的时候很难去选择。另外有些企业,比如谷歌,它包揽了从技术、应用一直到经营,TO C,它就是一个巨无霸或者独行侠,它在这个生态里面还要做TPU,它连芯片都要做。前一阵子我的好朋友,地平线的CEO 余凯在朋友圈吐槽:我们也不能让谷歌垄断了人工智能的生态,我们也应该建设更多的开源平台或者技术解决方案,让人工智能民主化。

有请大家讨论的下一个议题是,人工智能未来的生态系统到底应该独立去运作,一家家企业都形成自己的标准,还是我们共同来形成一个生态系统,可能要听听大家的见解,因为我们都是处于产业链上下游的参与者。那么就从张彤女士开始吧

张彤:人工智能肯定往更深更广的应用方向去发展的,在这个过程中会不断出现新的挑战,因为当你用到新领域的时候会发现新的问题,无论是硬件还是软件上会有新的需求,任何一个公司都不可能(一家独大)。说实话比谷歌大的公司我们也都见过,没有哪个公司能够包揽一个领域,特别是当这个领域深入到全世界,比如说中国的客户的应用,可能和美国客户的应用就不一样,所以我觉得要建立生态圈。其实人工智能,特别是深度学习这块之所以发展这么快,这是我所见到的,比如说从学术界到产业界,是所看到的最快的。可能刚刚发表的东西,过两个月就用到了。从学术界的研究到真正形成产品,过去是几年的时间,但是现在已经缩短到几个月的时间。从我们公司做产品来说,一定要和学术界,要和学生、教授,还要和我们的用户紧密配合,时时刻刻去了解用户的需求,我们还是要有很多伙伴,包括谷歌也是我们的伙伴,包括我们在中国很多用户和客户。我们知道在美国相对来说生态圈可能会发达一些,但是我们觉得在中国潜力特别大,因为中国有这么多的人才,有这么大的市场,有这么多优秀的企业。

其实从英特尔来说,包括我本人,我特别希望能够推动英特尔在中国整个人工智能生态系统的建立过程中能多发挥一些力量。

杨静:您刚才提到中国也应该形成一个健康的、特别积极的互相合作的AI生态圈,您能具体谈一谈未来英特尔在这方面将做一些什么样的努力吗?

张彤:我觉得我们英特尔可做的事情太多了,我们早就应该开始了,但是我们现在会努力的。英特尔在中国有英特尔研究院,他们做了很多非常好的科研工作,我们在北京和上海都有很大的开发团队。因为我们已经有这么多的人才,英特尔本身要联合我们的客户,联合大学科研机构的教授、学生等等,包括像您这样的新媒体。我觉得我们应该组成一个圈子,应该加强联系,共同推动一些事情,很多时候不一定是单纯的和我们的客户之间的关系,可能会加入一些三方的、四方的合作,这样能够推动整个产业的发展。

杨静:特别感谢张女士。前一段有一个新闻,说谷歌等企业成立了一个最强的AI联盟,好像有五家企业参加这个联盟,英特尔并没有参加这个联盟,我想问李总,英特尔在AI生态方面,从全球战略方面是怎么布局的?

李炜:从英特尔传统角度讲,我们很多年都是开放型的: 我们的商业模式就是开放型的,我们不是直的,是走横向的发展。对我们来说,我们所做的东西,很多东西都是在开源里面。比如从软件角度讲,我们做的软件、做的优化都是要开源的,或者已经开源,大家在上面拿得到,现在最新的Nervana Graph也是要变成开源的。所以从英特尔战略角度讲,开源、开放,我们一般都是很积极去参加那些标准化工作的。英特尔一直走的路都是这样。

杨静:今后也会秉持这样的理念?

李炜:对,我们一直都会这样走。

杨静:有请刘总,既然有这么多的开源框架,你们到底选择哪一种比较好?或者你们对这个生态的建设是怎么看的?

刘文志:对我来说,我们并不会特意去优先选择一个框架,或者不会对任何一个框架有偏见,对我们来说最重要的是生存或者是为社会提供价值。所以说如果这个框架适合我们,我们就会去用,甚至我们会把一些框架当中精髓的部分融入到我们自己的框架中。商汤其实也有自己的框架,并且有两个。原因是我们要满足不同的需求。图像识别有不同的需求,其他的也有一些不同的需求,有些是稀疏的,有些是稠密的等等。这些东西很难用一个非常普遍的框架把它做好,我们对框架方面是非常开放的,只要我们觉得它有好处就会把它融入到我们的体系里面去。甚至我们还有自己的一套框架去做Inference,甚至有的时候会考虑自己写底层的框架。比如在英特尔平台上,在英特尔提出MKL-DNN之前,我们花了大约半年时间做我们在英特尔平台上的CNN的库,因为我们发现对于客户来说,他的QPS是非常重要的,我把我的库性能提高了两倍,那么我们对外部署的时候需要的Siri数量能够减少一半,这样对于社会带来的价值甚至网络带宽等等都非常巨大。

总结来说,对于整个生态,商汤是非常开放的,只要能够促进社会的发展,促进商汤的发展,至少对于我们部门来说,都会毫不犹豫融入到我们系统里面去,为我们公司,为整个社会提供更多的价值。

在具体在AI的产业链上,英特尔是芯片和解决方案提供商,我们商汤更多的像一个云平台和解决方案提供商,每个公司可能在这里面的角色相对来说一是比较多,二是角色怎么很好地相互协作。这是整个生态圈都需要考虑的问题。我的建议是希望在这个环节中形成各种各样的实质性的标准,比如说数据要怎么样存放,比如中间的数据通信要采取什么样的协议等等,当然这只是我的看法。

杨静:谢谢,陈总呢?

陈宇:您刚才说所谓平台,我感觉这些平台没有谁是最好的,而是谁是最合适的,还有像京东这种比较大型的平台,各种各样的应用场景,从数据上,刚才刘总也提到,稀疏、非稀疏都有使用的场景,很难有一个单独的平台能够解决一切。所以这种情况下,我们也有在自己的平台上做一些优化和研发工作,这是不可避免的。其次说到生态,我个人一个直观的感觉,目前国内本土企业在这块比较缺少开源的精神,学术界和工业界在数据上也缺乏开源的精神,有很多数据都是欠缺的。我们做研发,大家发现很多数据和开源系统都是国外的,这也是从生态角度来说需要改进的一个问题。

杨静:您还是呼吁大家多开源是吧?

陈宇:对,大家在深度学习和人工智能方向会发现,越来越多的,数据的重要性大于算法本身,如果没有数据,你研究的方向和研究成果都很难落地。

冯晓兵:一方面我赞同李总讲的,首先我们要是一个开放的技术体系,不是简单开源,因为英特尔这么多年,很得益于你们这个开放的体系,使得你们发展得很快。人工智能将来也是,涉及到人工智能的应用、人、实体都很多,很难说一个实体把所有的问题都解决了。还有很多国家,每个国家都有不同的需求。所以我觉得首先体系应该是开放的,但在体系开放前提下,我们也应该在开源方面做更多的贡献。过去国外开源的比较多,国内开源的比较少。这些年慢慢有些公司,包括有些国内的开源团队,开始在开源社区越来越活跃,包括Linux,有很多国内的团队都很活跃了,成为主要的贡献者。将来在人工智能方面,我也希望国内的团队能够提供更多代码,做出更多贡献。还有像这种开源精神的培养。大家都为这个社区做贡献,同时也都受益于这个社区。

杨静:是的,我们更要成为开源社区的贡献者,以前中国人在开源社区里不是特别活跃。刚才整个讨论当中也有一个共识,人工智能还处于一个婴儿期,正是因为处于婴儿期,就预示着它有巨大的发展潜力和应用前景。再来,我们也讨论了AI技术其实面临着各种挑战,怎么样做手机里面的芯片等都是咱们需要探索的重大课题。我们还讨论了生态,希望像英特尔一样,我们中国的企业也更加开源、开放,能够为开源社区做出更多的贡献。另外,我们也需要有一个开放的心态去构建AI的新生态。

杨静:最后给大家抛出一个问题,眼看着2020年快来了,人工智能在哪个领域会出现更新的、更引人注目的突破呢?大家做一个小的预言,从冯主任先开始。

冯晓兵:我只能说我最希望的一点,不一定能实现。我最希望的一点还是在医疗方面,因为医疗确实有很多新闻事件,对于每一个家庭来说都是非常重要的事情,人工智能能够成为医疗的辅助和管理系统,可能没办法完全替代医生,但是我们可以通过人工智能的辅助,使得我们平均的医疗水准和每个人得到的医疗服务的水准得到一个相对比较好的改善,能够让大家更安心,花更少的钱得到更好的服务,这是我的期望。

陈宇:我同意刚才刘总的观点,我个人认为,像医疗和教育是未来人工智能可以切实落地的场景,因为它可能并不是那种泛生活的和人紧密的交流,可能更多的是要解决实际的问题,有明确的数据和明确的目标,到2020年还差四年,像这种的可以在短期内切实看到非常好的落地。

杨静:就是一个2B的或者是产业的应用、行业的应用?

陈宇:解决方案可能是2B的,但是使用方的话可以是2C的,比如说像教育的、医疗的。

刘文志:人工智能这两年主要是在云上,未来会在移动端嵌入式上大范围的应用,我认为2020年可以真正做到无处不在的。而具体的领域,我觉得智能家居或者智能家居机器人会是真正大范围应用爆发的点。我一直在幻想一个场景,如果我家里有一个机器人的仆人,他的人工智能水平相当于人的智能——我不太喜欢用相当于人的智能来比喻——比如相当于1岁的小孩,我回家知道来给我开门,我要洗澡他知道放洗澡水,我要去拿东西他知道,我饿了他知道去做饭。如果有一个机器人的女友会是什么样的,当然这些大家都可以去想象。所以我觉得当人工智能真正用到智能家居去改善每个人的生活,这个是2020年应该能够部分实现的。

杨静:那李总您的设想呢?

李炜:我同意刚才讲的,如果有一个智能的家庭医生,能够解决很大的问题。

杨静:请张彤女士给我们做一个小结。

张彤:我也说一个我最希望看到的,我自己本人对视频监控一直非常感兴趣,我自己也做了很长时间这方面的研究。因为我特别在意我们自己家的安全,特别是我小孩的安全,因为我是一个母亲,我经常出差,很忙,最害怕我不在家的时候我们家被人闯入了。因为在美国犯罪率挺高的,经常有家庭被坏人闯入了,我家里有两个女儿上中学,我就害怕家里会出什么事。我希望能够保证在我不在家的时候家里能安全。说实话现在还没有一款非常好的产品,无论是硬件还是软件。所以我希望在2020年之前,我们能够有比较成熟的、好用的产品出现,这样大家都能够做到比较后顾无忧。

杨静:非常感谢现场大家听完我们的讨论,也非常感谢各位专家的参与。谢谢!

本文分享自微信公众号 - 新智元(AI_era)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2016-12-01

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏人人都是极客

嵌入式机器学习处理器的技术挑战和机会

2016年12月,Vivienne Sze,Yu-Hsin Chen等(Eyeriss的作者)在arXiv上发表的文章“Hardware for Machine...

47580
来自专栏人人都是极客

1.训练模型之准备工作

经常关注我公众号的读者应该还记得之前写了5课关于嵌入式人工智能的文章,可以点击这里查看(文章末尾有前4节课时的推荐),前5节课时都在讲一个主题,即如何识别物体。...

39090
来自专栏AI研习社

不会做特征工程的 AI 研究员不是好数据科学家!上篇 - 连续数据的处理方法

眨眼间我们就从人工特征、专家系统来到了自动特征、深度学习的人工智能新时代,众多开源测试数据集也大大降低了理论研究的门槛,直接加载数据集就可以开始模型训练或者测试...

553100
来自专栏人人都是极客

Apollo的数据开放平台介绍

前段时间百度自动驾驶事业部杨凡对Apollo数据开放平台进行了介绍,介绍内容大纲如下: Apoll能力开放简介 Apoll的“云+端”研发迭代新模式 数据开放平...

1.6K60
来自专栏AI研习社

工程师在 AI 实践的路上,可能会踩到这些坑——前 Amazon 中国研发中心架构师蔡超演讲

蔡超,移动营销平台 Mobvista 汇量科技技术副总裁,前亚马逊中国研发中心架构师,拥有 15 年软件开发经验,其中 9 年任世界级 IT 公司软件架构师 /...

46880
来自专栏AI研习社

干货 | 普通程序员如何转向 AI 方向?

眼下,人工智能已经成为越来越火的一个方向。拥有编程基础、具备数学思维的普通程序员在这波AI浪潮中占据了得天独厚的转行优势,相比其他基础薄弱的转行人员,程序员只需...

31840
来自专栏AI研习社

神经机器翻译的编码 - 解码架构有了新进展, 具体要怎么配置?

用于循环神经网络的编码 - 解码架构,在标准机器翻译基准上取得了最新的成果,并被用于工业翻译服务的核心。 该模型很简单,但是考虑到训练所需的大量数据,以及调整模...

28440
来自专栏AI研习社

刷爆朋友圈的 deepfakes 视频人物换脸是怎样炼成的?

最近,一个名叫deepfakes的技术火了,这是一个可以给视频人物换脸的技术。 这张图片源自雷神三预告片索尔大战浩克的片段,将索尔的脸替换为了Trump的,这个...

80450
来自专栏人称T客

IBM云战略转移 放弃CIO专注开发者谋翻盘

IBM一直是CIO们在后端数据基础架构的首选。然而,在云计算时代时IBM却落后了,曾经的蓝色巨人面对亚马逊、微软、谷歌等云计算巨头,也会望洋兴叹。 但是IBM并...

29830
来自专栏人人都是极客

第一课:人工智能在嵌入式中的机会

嵌入式人工智能的机会 深度学习、机器学习、人工智能可以说是当下最火爆的字眼,随着 AlphaGo 的一炮走红,仿佛人人都谈论着人工智能,说话不带 DL、CNN ...

44660

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励