【原創(chuàng)】機(jī)器學(xué)習(xí)的演進(jìn)

作者：Andrew Grant，Imagination Technologies人工智能高級總監(jiān)

很高興看到中國在機(jī)器學(xué)習(xí)（Machine Learning，ML）領(lǐng)域所取得的進(jìn)展。隨著機(jī)器學(xué)習(xí)的推出和普及，它被嵌入到許多應(yīng)用中。它成功地以無形、內(nèi)嵌的方式存在于眾多應(yīng)用中，很多人都在日常生活中使用它，但是并沒有意識到它的存在。從在百度中輸入一個搜索詞到預(yù)約一次滴滴打車，這些操作都是基于多層機(jī)器學(xué)習(xí)應(yīng)用構(gòu)建的。

在我們的生活中，機(jī)器學(xué)習(xí)確實(shí)無處不在，它增加了價(jià)值，產(chǎn)生了積極的經(jīng)濟(jì)效應(yīng)，同時減少了低效和浪費(fèi)。這是由多方面的因素推動形成的，包括顯著改進(jìn)的神經(jīng)網(wǎng)絡(luò)（NN）框架，成熟的機(jī)器學(xué)習(xí)技術(shù)，改善的訓(xùn)練數(shù)據(jù)訪問方法，當(dāng)然還有一點(diǎn)很重要的就是，性能更佳的、嵌入在邊緣和終端用于訓(xùn)練的專用集成電路（ASIC）。再加上更好的機(jī)器學(xué)習(xí)訓(xùn)練算法——在一些情況下可以將訓(xùn)練時間從數(shù)周減少到數(shù)小時，機(jī)器學(xué)習(xí)正變得越來越可行。

我們現(xiàn)在看到的是，即使沒有連接到云端，也可以在邊緣以卓越的幀率（每秒的推理次數(shù)）執(zhí)行推理，而放在幾年前，這只有在數(shù)據(jù)中心才可以實(shí)現(xiàn)。由于推理可以在邊緣進(jìn)行，因此開啟了更多的機(jī)會。

中國市場已經(jīng)受益于對機(jī)器學(xué)習(xí)和人工智能（AI）的長期關(guān)注與持續(xù)投資，并造就了多種高效的機(jī)器學(xué)習(xí)框架，例如百度飛槳（PaddlePaddle，即PArallel Distributed Deep LEarning，并行分布式深度學(xué)習(xí)），華為的MindSpore和曠視科技的Brain++。此外，阿里巴巴也投資打造了阿里云城市大腦，旨在支持智慧城市的運(yùn)行，并通過其下屬的芯片設(shè)計(jì)企業(yè)平頭哥半導(dǎo)體投身于人工智能芯片的研發(fā)。

無論從大學(xué)、研究者，還是從蓬勃發(fā)展的企業(yè)部門來看，中國在機(jī)器學(xué)習(xí)著作和專利方面都處于領(lǐng)先地位，我們正在見證中國在所有領(lǐng)域展示其成熟的機(jī)器學(xué)習(xí)創(chuàng)新、開發(fā)和應(yīng)用能力。

機(jī)器學(xué)習(xí)的未來

人工智能逐漸走向“邊緣”，并且能夠在智能手機(jī)和自動駕駛汽車等邊緣設(shè)備上以高幀率進(jìn)行推理，是當(dāng)前的發(fā)展方向。神經(jīng)網(wǎng)絡(luò)加速器這種專用集成電路可以比典型嵌入式CPU快100倍的速度運(yùn)行神經(jīng)網(wǎng)絡(luò)工作負(fù)載，其強(qiáng)大的性能和功能正在打開一系列市場，包括先進(jìn)駕駛輔助系統(tǒng)（ADAS）和自動駕駛汽車、機(jī)器人和機(jī)器人流程自動化（RPA）、智慧城市管理，以及健康和許多其他市場。

人工智能和機(jī)器學(xué)習(xí)最令人興奮的地方在于每天都會有新的進(jìn)展公之于眾。一些領(lǐng)域的進(jìn)展將進(jìn)一步推動機(jī)器學(xué)習(xí)取得成功，包括強(qiáng)化學(xué)習(xí)（其中機(jī)器學(xué)習(xí)功能可以通過游戲化的方式執(zhí)行任務(wù)來進(jìn)行“學(xué)習(xí)”），以及生成式對抗網(wǎng)絡(luò)（GAN）。這些技術(shù)在超分辨率及創(chuàng)造前所未有的細(xì)節(jié)和清晰度方面非常成功。

再來看看新興的聯(lián)邦學(xué)習(xí)（Federal learning）技術(shù)，它將變得更加重要。在聯(lián)邦學(xué)習(xí)中，來源于現(xiàn)實(shí)事件的信息可以被轉(zhuǎn)發(fā)給其他實(shí)例，以便它們能夠了解最新的事件并從中學(xué)習(xí)。以一輛汽車為例，它可以接到其他車輛關(guān)于道路狀況變化的通知，而且相關(guān)的新知識也會傳送給它。這不僅僅是車輛對車輛（V2V）或車輛對基礎(chǔ)設(shè)施（V2X），它是一個有價(jià)值的應(yīng)用案例，車輛可以學(xué)習(xí)如何應(yīng)對新的道路狀況或道路上的異常物體。

此外，我們可以看到，隨著數(shù)據(jù)中心變得更加高效，訓(xùn)練一個精確的神經(jīng)網(wǎng)絡(luò)所需的時間大大縮短了。這將帶來很大的好處，因?yàn)榭梢蕴峁┤碌?、改進(jìn)的迭代模型，從而能夠充分利用移動邊緣計(jì)算（MEC）功能，并在邊緣和終端更新已部署的模型。我們將看到，從數(shù)據(jù)中心訓(xùn)練向邊緣部署的轉(zhuǎn)變會逐漸被另一種方式取代，即從數(shù)據(jù)中心到移動邊緣計(jì)算，再到邊緣，然后通過聯(lián)邦學(xué)習(xí)將新的發(fā)現(xiàn)反饋回來，令所有人受益。

5G在工業(yè)環(huán)境中將非常有價(jià)值，因?yàn)樗鼘⑻峁┮粋€重要的機(jī)會，以實(shí)現(xiàn)在機(jī)器之間傳遞大量數(shù)據(jù)。事實(shí)上，這也可以幫助人工智能機(jī)器人在未來的智能工廠中去修復(fù)現(xiàn)有的、基于人工智能技術(shù)的機(jī)器人——在不太適合人類進(jìn)行處理的3D（Dirty骯臟、Difficult困難、Dangerous危險(xiǎn)）環(huán)境中，這種方式特別有用。

在工業(yè)領(lǐng)域采用機(jī)器學(xué)習(xí)

當(dāng)前，我們看到智能工廠正在出現(xiàn)。這意味著將在工廠和工作環(huán)境中應(yīng)用“數(shù)字孿生”（DigitalTwins）技術(shù)，人類負(fù)責(zé)管理和控制工廠，而工廠可能在1,000英里之外并完全由機(jī)器人來操作和運(yùn)行。機(jī)械臂、傳感器、微機(jī)電系統(tǒng)（MEMS）和多個攝像頭將通過機(jī)器學(xué)習(xí)功能來協(xié)調(diào)和控制，而機(jī)器學(xué)習(xí)功能又由人來監(jiān)管，這樣可以有效地提高生產(chǎn)力。

以航空航天為例，如果一架飛機(jī)的發(fā)動機(jī)擁有自己的數(shù)字孿生，管理者就可以查看所有的應(yīng)力和應(yīng)變，并以數(shù)字版本的形式查看發(fā)動機(jī)在其整個生命周期中如何運(yùn)行。每次在飛行期間或飛行后都會進(jìn)行數(shù)據(jù)更新，并將更新的數(shù)據(jù)輸入到模型和一些案例中，然后運(yùn)行這些案例以檢查真正的引擎是否需要特定的維護(hù)。同樣的行為也會發(fā)生在機(jī)器人和機(jī)器人流程自動化中，從而實(shí)現(xiàn)巨大的躍進(jìn)。機(jī)器人將能夠進(jìn)行自我監(jiān)測和修復(fù)，而人類能夠控制和管理它們，并且可以看到機(jī)器人所能看到的一切，所有這些都由機(jī)器學(xué)習(xí)來實(shí)現(xiàn)。

從某種意義上講，我們將擁有真正的“熄燈”工廠，工廠里將沒有現(xiàn)場人員。我們已經(jīng)從機(jī)器學(xué)習(xí)的角度看到了這一趨勢，機(jī)器學(xué)習(xí)在預(yù)測性和預(yù)防性維護(hù)方面非常有用，可以預(yù)測什么時候可能會出現(xiàn)故障或問題，以及某個部件將磨損殆盡，然后檢查數(shù)據(jù)，發(fā)出警報(bào)并監(jiān)聽特定問題。這就像當(dāng)我們聽到自己的汽車發(fā)出奇怪的聲響時，就會意識到某些地方出問題了，但是有了機(jī)器學(xué)習(xí)，就可以訓(xùn)練它去監(jiān)聽奇特的噪音，這些噪音可能就是潛在問題的早期跡象。

我們還將看到機(jī)器學(xué)習(xí)為自動送貨機(jī)器人領(lǐng)域帶來的重要機(jī)遇。我們可以將送貨的卡車和廂式貨車編隊(duì)，讓它們以車隊(duì)的形式行駛，從而減少駕駛方面的工作量，車輛之間可以通過聯(lián)邦學(xué)習(xí)的方式傳遞信息。

還有一個案例是，機(jī)器人已經(jīng)能夠在醫(yī)院中運(yùn)送藥品等物資。從清潔和污染的角度看，這會使物資的移動和病人對物資的使用更加便捷和安全。

機(jī)器學(xué)習(xí)和大數(shù)據(jù)

就如今的機(jī)器學(xué)習(xí)而言，其與2010年時的主要區(qū)別在于，我們更清楚該怎樣去利用所收集的數(shù)據(jù)。在過去，很難存儲和管理海量數(shù)據(jù)并從中提取信息。而現(xiàn)在，預(yù)測推薦系統(tǒng)和神經(jīng)網(wǎng)絡(luò)已經(jīng)解決了這個問題。所有傳感器數(shù)據(jù)可以通過傳感器融合（Sensor Fusion）進(jìn)行匯聚和組合，從而針對正在發(fā)生的事情構(gòu)建出一幅綜合畫面，同時為數(shù)據(jù)驅(qū)動的決策提供支持。

機(jī)器學(xué)習(xí)非常擅長做人類不太擅長的事情，例如大量的復(fù)雜計(jì)算以及執(zhí)行神經(jīng)網(wǎng)絡(luò)運(yùn)行所需的乘累加運(yùn)算。這意味著我們可以從海量數(shù)據(jù)中提取特征，理解它們的重要性，然后優(yōu)化結(jié)果，也就是說機(jī)器學(xué)習(xí)可以解決大數(shù)據(jù)的問題。此外，我們也可以通過更人性化的方式分享信息，例如儀表盤和分析工具。神經(jīng)網(wǎng)絡(luò)也可以用于進(jìn)一步分析這些數(shù)據(jù)，因此，在不久的將來，一輛現(xiàn)代的自動駕駛汽車一天內(nèi)或許會傳輸多達(dá)4TB的數(shù)據(jù)。

工業(yè)人工智能生態(tài)系統(tǒng)

我們現(xiàn)在看到，人工智能工業(yè)生態(tài)系統(tǒng)各領(lǐng)域的先鋒企業(yè)都迎來了爆炸式增長。諸如科大訊飛和達(dá)闥科技等致力于交通和擁堵管理的機(jī)器人公司正在尋找新的市場以施展自己的專業(yè)能力。

各公司都正在努力使智能工廠變得高效。我們看到，憑借同步定位與地圖構(gòu)建（SLAM）技術(shù)，我們在了解機(jī)器人在其環(huán)境中所處的位置方面已經(jīng)取得了可觀的進(jìn)步，SLAM技術(shù)可以指示出機(jī)器人在空間中的位置。這有助于機(jī)器學(xué)習(xí)和人工智能正在進(jìn)行的另一項(xiàng)工作，即為機(jī)器人提供更多的信息，比如它應(yīng)該如何行動，以及如何很好地利用自己當(dāng)前的位置。

相關(guān)的開發(fā)工具

所有這一切中最重要的就是創(chuàng)建工具，即創(chuàng)建所需的“鎬和鍬”等工具，以便人們?nèi)ァ伴_采黃金”。這些工具是指大量的軟件工具。軟件工作流程變得極其重要，這就是為什么Imagination的神經(jīng)網(wǎng)絡(luò)加速器可以使網(wǎng)絡(luò)的離線編譯變得非常簡單和高效。這使得神經(jīng)網(wǎng)絡(luò)加速器可以更快地被部署，從而縮短開發(fā)時間和上市時間。

該軟件工作流程利用了離線工具、編譯器、分析器、適配器、調(diào)諧器及其他工具，進(jìn)而可以輕松地推出針對邊緣部署進(jìn)行了優(yōu)化的網(wǎng)絡(luò)，這意味著較小的模型具有很高的準(zhǔn)確性，從而降低了成本，提高了效率。這些都將通過無線方式進(jìn)行更新，因此5G也將是該生態(tài)系統(tǒng)的重要組成部分。

軟件和工具非常重要，理解應(yīng)用案例也是如此。在一種情況下行之有效的方法可能在其他地方并不是那么成功，而這正是大學(xué)、醫(yī)院和科研實(shí)驗(yàn)室致力于進(jìn)行研究的方面。

展望未來

機(jī)器學(xué)習(xí)擁有光明的未來，而在工業(yè)領(lǐng)域擁有非常大的機(jī)會去實(shí)施更廣泛的機(jī)器學(xué)習(xí)。憑借神經(jīng)網(wǎng)絡(luò)加速器（NNA）的領(lǐng)先性能以及適合任何工業(yè)應(yīng)用的機(jī)器學(xué)習(xí)算法，Imagination Technologies一直處于機(jī)器學(xué)習(xí)革命的前沿，我們已準(zhǔn)備好迎接未來。隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展和成熟，我們將看到利用機(jī)器學(xué)習(xí)來提高生產(chǎn)力的機(jī)會越來越多，而Imagination將通過領(lǐng)先的機(jī)器學(xué)習(xí)技術(shù)為此提供全力支持。