1.24小时内比特币暴跌10% 跌破9000美元;
刚刚过去的两天对于比特币矿工而言, 应该是非常难熬的两天, 在短短时间内, 比特币暴跌10%, 又一次跌破了9000美元大关.
不仅仅是比特币, 第二大电子货币以太币暴跌7%, 第三大电子货币瑞波币下跌10%.
这么糟糕的行情当然是有原因的, 据彭博社11日报道, 韩国突袭了全球最大的电子货币交易所之一Upbit, 原因是其涉嫌转移客户资金到公司账户.
而前全球最大比特币交易所 (已破产) , 则准备抛售旗下剩余十数万比特币, 比特币应声大跌.
不得不说电子货币确实是一门考验心理素质的理财工具, 不知道比特币以后能否重返20000美元的巅峰辉煌呢? 快科技
2.比特币遭受三记重击 更多机会在AI? ;
证券时报记者 吴家明
近日, 接连而来的三记重击, 让比特币的价格再度大幅下挫. 这时, 一些投资者似乎将目光投向了另一领域: 人工智能 (AI).
据海外媒体报道, 最近比特币市场可谓坏消息不断, 第一重打击来自曾是全球最大比特币交易所但目前已破产的Mt. Gox, 其看管人再度大规模出货, 据Mt.Gox的冷钱包监控网站显示, Mt.Gox钱包中还剩余大概13.8万枚比特币. 消息传出, 比特币价格应声下跌.
第二重打击来自英伟达. 英伟达最新发布2018财年第一季度财报显示, 与挖矿相关业务收入达到2.89亿美元, 但英伟达首席财务官Colette Kress表示, 公司预计二季度该业务相关收入将下降65%, 又在一定程度上引发了数字货币的抛售压力.
第三重打击来自韩国, 根据韩国首尔南区检察官办公室一位官员的说法, 韩国检察官在上周四和周五突击搜查全球最大数字交易所之一Upbit的办公室. 据悉, Upbit涉嫌转移顾客账号资金到公司账号. Upbit掌管着价值大约16亿美元的比特币, 是韩国第一大, 世界第四大的比特币交易所.
比特币价格依旧剧烈震荡, 也带来了不确定性. 这时, 一些投资者却开始看到了其他机会.
Apriem Advisors首席投资官Benjamin Lau表示, 英伟达还有一个比挖矿更大的机会. '对于人工智能和数据中心来说, 英伟达芯片的需求旺盛, 这一点应该在不久的将来会推动公司的业务发展. ' Benjamin Lau提议, 英伟达公司用于AI领域的商业芯片, 应用领域可以包括医疗保健, 运输业以及计算机数据中心, 这才是未来.
无独有偶, 在接受彭博社采访时, 比特大陆联合创始人吴忌寒透露, 公司在美国的比特币采矿业务有巨大的扩张计划. 他还对该公司在人工智能方面的立场发表了评论, 称比特大陆也计划涉足这一领域.
如今, AI已经渗透到各个领域. 日前, 道达尔正式宣布和谷歌云签署协议, 二者将联合发展人工智能技术, 为石油天然的勘探开发提供全新智能解决方案. 这一事件立即在全球石油界引发了关注. 既然阿尔法狗能超越围棋世界冠军, 那道达尔和谷歌是否会创造出超越普通石油人的 '超级智能石油人' , 石油工业会因此迎来一场颠覆吗?
其实, 人工智能近些年的加速崛起正对全球芯片行业产生重大影响, 英伟达已经从一家显卡供应商转变为人工智能服务器供应商. 包括谷歌, Facebook, 微软等科技巨头公司在内的人工智能领域研究领先者, 已经在使用英伟达所提供的专门应用于该领域研究的芯片产品. 市场分析人士预计, 未来10年全球人工智能市场总值约为5000亿美元.
3.区块链应用后势可期 挖矿机产业走得更长远;
由于比特币(Bitcoin), 以太币(Ethereum)等虚拟货币爆红, 区块链(Blockchain)技术跟着受到越来越多关注. 许多产业都开始思考该如何运用区块链技术来创造更多价值, 甚至开创新的事业. 其中, 供应链金融的发展, 或许是对台湾产业影响最深远的重要趋势.
在传统金融体系中, 所有交易跟金融往来纪录都存放在金融机构的中央数据库, 因此金融机构必须投入可观的人力物力来维护其数据库, 以确保其能稳定运作, 且数据安全无虞. 但对金融体系而言, 相关投资却也垫高了金融交易的成本.
有鉴于此, 分布式账本的概念遂应运而生. 在分布式账本架构下, 参与交易的各方都拥有整个账本的一部分, 因此不需要中央数据库来保管整个交易账本. 不过, 由于交易各方所拥有的账本都只是完整账本的一部分, 如何确保其他账本上记载的是正确无误, 未经窜改的数据, 遂成一大问题, 而区块链则是这个问题的有效解决方案.
区块链应用五花八门 结合工业4.0更见威力
进一步推演, 区块链技术不只能应用在金融业, 任何采用分布式架构的数据, 都可以用区块链技术来验证其真伪. 更重要的是, 区块链技术基本上是开源的, 光是在Github上, 便有2.6万个以区块链为基础的开发项目, 知名国际大厂如IBM, 思爱普(SAP)等, 也支持开源区块链框架Hyperledger Fabric, 可用来实现各种商业应用.
其实, 话题延烧多年的工业4.0, 最终也必然会利用到区块链技术. 工业4.0具有许多面向, 除了制程数字化, 数字双胞胎(Digital Twins), 工业物联网(IIoT)等比较常听到的概念名词外, 在工业4.0发展的后期阶段, 供应链上下游的信息系统(例如ERP, MES等)也必然要串接在一起 , 制造业者才能实现弹性化生产, 降低库存备料等目标.
据笔者了解, 有些大型会计师事务所已经开始为工业4.0带来的变革未雨绸缪, 并与相关工业设备/系统制造商展开合作. 因为, 在高度数字化的制造业, 原物料, 半成品, 产品库存的数据变动将会以秒为单位, 如何在会计流程跟财会报表中实时反应这些变动, 也是个不小的挑战.
另一方面, 制造业客户对上述数字必然十分敏感, 特别是大型电子制造业, 因为毛利空间普遍不高, 不管是原物料, 半成品还是成品库存, 样样都是成本项目, 且往往就是企业盈亏的关键所在. 虽然证券监管机构未必会要求上市公司必须缩短财报相关信息的揭露周期, 但对企业经营者而言, 实时的财务数据仍是企业决策时的重要参考信息.
对于规模大到如台湾电子五哥等级的超大型制造业来说, 要用集中式架构来处理动辄破万家上下游厂商的数据, IT相关软硬件的费用支出必然十分惊人, 且系统恐怕也会变得庞大又复杂, 为管理跟维护带来挑战. 导入区块链技术, 改采分布式数据架构, 对这些大型制造业者来说, 将是有吸引力的方案.
除了进销存管理相关应用外, 区块链还有一些其他的应用可能性. 例如在工业物联网环境中, 传感器网络会不停送出各种数据, 但万一这些数据在传输的过程中遭到窜改, 产线运作就可能因此大乱, 甚至危害厂区安全. 区块链技术可以用来防止数据遭到窜改, 让工业物联网的信息安全更添保障.
企业金融将因区块链翻转
除了用来验证分布式数据的真伪, 确保数据不被窜改外, 区块链还有一个很重要的应用, 就是发行代币(Token). 而这个应用也正是造成虚拟货币市场充斥大量泡沫的原因--几乎任何人都可以发行代币来融资, 用虚拟货币换取美元, 人民币, 新台币等有政府背书的法定货币.
且不论目前虚拟货币市场上存在的种种乱象与泡沫, 代币其实是一个深具企业金融应用潜力的应用. 以制造业来说, 产品不可能是凭空生出来的, 一家厂商要生产某项产品, 必然要向上游供货商采购原物料或零组件, 并且在某个约定时期支付货款.
在当前的状况下, 供货商虽然已经出货给客户, 但手上拿到的却是几个月后才能兑现的支票, 万一供货商突然需要资金周转, 只能找银行贴现, 并且还要支付给银行一笔利息. 而且, 支票贴现是受到许多限制的, 例如票期太长的支票, 通常银行不会接受, 而这也让地下金融产业有生存的空间. 事实上, 许多大型制造业就是利用应收与应付账款之间的时间差创造出庞大利润, 但资金风险却是由供货商承担.
另一方面, 要是客户突然下了大笔订单, 供货商必须紧急扩产, 除非客户愿意预付货款, 否则很多中小型供货商恐怕根本无力承接, 因为银行通常对中小企业融资有很严格的限制, 中小企业能拿到的信用贷款额度往往很低, 甚至无法取得信用贷款额度. 这时候, 中小企业老板往往只能赌身家, 拿自己名下的不动产来当贷款担保品. 很多依附在大型制造业者底下的中小企业, 虽然业务看似稳定, 却搞到资金周转不灵, 也无法跟正常的金融机构调头寸, 主要原因就在这里.
某种程度上, 这也是台湾房地产市场的主要需求之一, 因为中小企业老板若有闲钱, 投资不动产是进可攻, 退可守的选择. 既有机会赚取买卖差价, 也可以在公司需要营运资金时拿来当作贷款担保品. 不动产是银行最乐于接受的贷款担保品之一, 因为其价格波动通常比其他有价证券来得低, 而且不动产鉴价机制已经相当成熟.
如果大型制造业者利用区块链技术发行自己的代币, 并且在自己的供应链体系内流通, 整个供应链的资金运作调度就会呈现另一个光景. 事实上, 以区块链技术发行的代币, 不只是传统货币的代用品, 同时也可以附带智能型合约(Smart Contract)功能. 发行方跟收受方不仅可以自定义合约内容, 当合约条件满足后, 后续的交易动作还可以自动进行, 完全不需要人力介入. 这项特性可以明显降低买卖双方的交易成本.
换言之, 带有智能型合约的代币其实有点类似国际贸易所使用的信用状(Letter of Credit, LC), 只是没有银行中介担保. 而这些代币如果有限度地开放次级市场, 让某家制造商的供应链成员可以对同一供应链体系内的成员买卖交易(这会创造出一个类似债券的市场, 只是参与者仅限于某一群特定企业法人), 或是当作融资担保品, 那就会对现有的企业金融市场造成巨大颠覆.
而且, 按照现行的金融法令, 政府很难介入管制, 因为这整个系统是由民间企业之间的交易行为所产生, 买卖双方要用何种「货币」或「凭证」作为交易媒介, 完全是两造的契约自由. 企业之间互相借钱周转, 也是司空见惯的事情, 要用什么资产作为担保品, 甚至要做无担保借款, 如果双方都不是上市公司, 基本上也是老板说了算.
传统企金的一线生机
行笔至此, 读者或许已经不难理解, 为何传统金融业者面对以区块链技术为基础的金融科技(Fintech)创新会如此戒慎恐惧, 因为在这个新的游戏规则里, 金融机构不只被边缘化, 甚至有可能被排除在外.
不过, 对传统金融业来说, 情况未必会如此悲观. 前面提到, 由于征信成本, 风险等种种因素, 现在的银行基本上很难对中小企业做信用贷款, 一定要有抵押品. 但如果大型制造业针对自己的供应链厂商发行代币, 又对银行开放其算法, 银行就能很轻松地掌握该体系内中小企业跟大型制造业的交易往来纪录, 大幅降低征信成本. 如果金融监管机关愿意进一步法规松绑, 将这些代币视为某种有价证券的准用品, 这些代币当然也可以用来跟银行抵押融资.
不论是前者还是后者, 对现有的金融机构来说, 代币的出现, 都有助于把中小企业金融服务的饼做得更大.
事实上, 金融监管机关如果要介入大型制造业针对自己的供应链体系发行代币一事, 赋予这些代币某种法律地位, 是必然的结果. 代币的法律地位必须先厘清界定, 政府才能着手进行管制. 如果代币在法律上什么都不是, 政府管制也师出无名.
挖矿机产业的长远之计
从2017年比特币兑美元汇率飙涨, 正式引爆酝酿已久的挖矿机产业热潮后, 挖矿机商机就是台湾电子产业链内的热门话题. 中国有几家IC设计公司也因为推出挖矿专用ASIC而爆红. 不过, 如果了解比特币, 以太币背后的游戏规则, 就能断言目前挖矿换现金的商业模式, 不会是个可长可久的生意.
以比特币来说, 其发行总量2,100万个, 全数发行完毕后就不会有新的比特币了. 这就是比特币挖矿机产业的「大限」. 据估计, 截至2017年中, 比特币的发行量已经达到1,638万个, 且随着比特币剩下的发行额度越来越低, 挖矿机要挖到一个比特币的时间会越来越长, 导致挖矿行为的投资报酬率随时间递减. 一般认为, 剩下的400多万枚比特币, 会在2040年前发行完毕.
至于以太币, 虽然其发行总额不像比特币是订死的, 但以太币的共同创始人Vitalik Buterin日前才提议, 要将以太币的发行量上限调整为1.4亿个, 这显示以太币挖矿机最后还是有可能会遇到类似比特币的问题.
另一方面, 以太币社群对于用挖矿机来量产以太币, 始终抱持着反对的态度, 因为加密货币的所有者过度集中, 会对加密货币本身造成非常多弊端, 而专业矿工, 特别是使用ASIC挖矿机的专业矿工, 将会使加密货币所有权集中的情况加速. 目前以太币挖矿用的是以GPU为基础的挖矿机, 挖矿效率比ASIC差, 但好处是能因应挖矿算法的修改做出调整.
日前中国IC设计公司比特大陆宣称将推出以太币专用的挖矿ASIC, 隔没几天, 以太币基金会(ETH)的成员马上提议修改以太币的挖矿算法, 很显然就是针对比特大陆等ASIC开发者的行为而来. 而这场斗法的胜负是非常容易预见的--ASIC的开发周期至少三到六个月, 光罩等成本动辄数百万美元, 但如果社群内有共识, 修改算法可能只需要几个礼拜, 而且成本接近于零. 硬件跟软件「比弹性」总是吃亏的, 即便是电路架构最弹性的FPGA, 也是有一些限制存在.
总的来说, 目前挖矿机的商业模式是不可持续的. 但如果各行各业都开始以区块链技术发展自己的垂直应用, 情况就会大为不同. 挖矿行为本质上就是在解算, 处理区块链数据, 因此, 随着区块链技术的应用日广, 各行各业都会有相关需求, 这才是挖矿机产业可长可久的生意. 就以本文所提到的供应链金融为例, 全球数十万家电子相关业者如果都使用区块链技术来处理供应链金融问题, 加上银行等传统金融机构的需求, 挖矿机就会变成企业IT市场上一门不算小的生意, 只是这个市场可能会相对零散, 未必适合开ASIC. FPGA或GPU等具有可编程性的解决方案, 或许在商业上会比较可行. 新电子
4.AI智能无所不在 智能终端大举导入边缘运算;
在云端运算成熟之后, 大规模, 广泛的运算会留在云端, 小规模, 具在地化特性与要求精准的运算将移到边缘或雾端, 2019年全球雾运算市场规模约37亿美元, 2022年则将进一步成长到182亿美元左右. 分布式架构概念兴起, 边缘运算成为未来几年发展重点.
AI人工智能运算技术未来几年将逐渐从云端往边缘发展, 应用领域更是无所不包, 各式可携式设备与终端装置对智能化功能的需求高涨, 不过巨量物联网将导致数据壅塞, 无法全部都透过云端处理, 因而必须仰赖边缘运算, 赋予终端更多运算能力.
边缘运算可概分为行动边缘运算(Mobile Edge Computing)及雾运算(Fog Computing). AI专用硬件/加速器近期如雨后春笋出现, 专门用来进行神经网络算法运算之芯片应运而生, 包括AI-Optimized Processor, Deep Learning Processor, AI Accelerator, Neural Processing Unit(NPU)等, AI边缘运算需要将神经网络模型进行精简, 同时强化运算效率, 让一般企业所训练出来的模型压缩至可于行动装置上使用.
分布式架构概念 边缘运算兴起
边缘运算(Edge Computing)概念兴起于人工智能(Artificial Intelligence, AI)热潮之下, 在昔日云端运算成熟之后, 大规模, 广泛的运算会留在云端, 小规模, 具在地化特性与要求精准的运算将移到边缘或雾端. 根据开放雾联盟(Open Fog Consortium)研究显示, 2019年全球雾运算市场规模约37亿美元, 2022年则将进一步成长到182亿美元左右, 主要应用领域在基础设施(Utilities), 运输( Transportation), 健康照护(Healthcare), 工业(Industrial), 农业(Agriculture)等.
另外, 因为物联网的发展, 连网型的终端结点数量在未来几年将呈现爆炸性的成长, 巨量物联网即将成型, 资策会物联应用系统中心副主任王秉丰(图1)认为, 因为数据数据将大量产生, 既有传输架构无法因应, 而必须面对壅塞, 带宽不足问题 ; 为了处理大量的数据, 营运商必须建置更多云端设备, 使得企业营运成本持续垫高. 因此, 分布式架构概念兴起, 边缘运算成为未来几年发展重点.
图1 资策会物联应用系统中心副主任王秉丰认为, 数据数据将大量产生, 既有传输架构无法负担, 因此, 分布式架构概念兴起, 边缘运算成为未来几年发展重点.
而云端运算与边缘运算在技术架构与多项特性上都有显著差异, 如表1所示, 王秉丰解释, 边缘运算将使用分布式架构, 藉由众多的雾节点(Fog Node)进行运算, 边缘运算三大技术特征包括: 将运算的位置, 从中心下放到边缘 ; 也由于将运算的位置放在终端, 因此网络等待时间率较低, 可以支持10毫秒的应用; 对于网络带宽, 基础设施的要求小, 可在缺乏云端网络的链接时, 提供部分服务.
边缘运算在运作时会采取更弹性化的部署, 物联网边缘节点的成本, 体积相对较小, 可以进行大量多点的配置; 形成的边缘节点, 系统并不需要太复杂的部署规画, 架构相对有弹性可视情境进行调整. 在应用情境分, 王秉丰说明, 物联网的发展促进了大量应用程序的进阶查询和对大量传感器数据流的分析; 第二项为实时事件检测; 第三项为工业自动化的联网控制系统(Networked Control System, NCS) ; 第四项为实时行动群众感知(Mobile Crowdsensing, MCS).
边缘与云端运算 发展互补不冲突
AI与IoT结合将带动更多智能系统的发展, 目前既有的云端架构无法满足物联网的脱机处理, 数据隐私, 实时响应等需求, 导入边缘运算架构, 解决云端架构面临的问题增加使用弹性, 解决不同系统间资源共享与再利用的需求. 王秉丰解释, 边缘情境智能(Edge Intelligence via Ambient Computing), 定义上就是远离云端而靠近面对消费者的装置那一端, 须具备一定的运算与智能产生能力, 能就近处理感测所产生的数据.
边缘运算的发展面临挑战包括: 可扩展性(Scalability), 复杂的网络结构(Complex Inter-networking), 动态和适应性(Dynamics and Adaptation), 多样性和异构性( Diverisity and Heterogeneity)等. 未来物联网的规模将不断扩大, 终端节点将以不同条件, 多种型态进行实体连接; 而具有无线连接和移动性的装置, 需要实时分配边缘资源并重新嵌入物联网应用; 同时边缘装置也需要无缝的接口与互通操作性.
边缘运算的出现并不会取代云端运算, 而将朝向互补的方向发展, 藉由终端的立即反应, 可以减少云端运算的负担, 但就整体物联网的需求情境来看, 边缘运算出现的意义在于响应更杂异化的需求情境, 尤其是随着物联网装置类型的增加, 将衍生更多次系统, 而这些次系统能否有效进行协同作业, 将影响智能化服务的质量.
深度学习带动AI成长
人工智能AI这一波发展浪潮植基于过去的发展基础, 而且以深度学习(Deep Learning)最具代表性, DeepBelief.ai首席人工智能科学家尹相志(图2)表示, 深度学习的成功来自于更深入理解人类大脑的运作机制, 其核心为表征学习, 其中机器视觉就是希望建立起人类视觉与机器可读像素间的映像关系. 人类可以很轻易的了解事物表像的深层规则, 所以一般人都可以在数据高度缺失的状况下, 做出正确的判断, 辨认许多计算机需要长期训练的事物.
图2 DeepBelief.ai首席人工智能科学家尹相志表示, 深度学习的成功来自于更深入理解人类大脑的运作机制, 其核心为表征学习.
所以深度学习就是我们开始教机器用复杂的方法面对这个世界, 透过建立复杂的模型, 并且建立互相备援的规则, 因为世界是复杂的, 如果企图使用简化的方法与模型, 就注定会失败. 尹相志说明, 卷积神经网络(Convolutional Neural Network, CNN), 递归神经网络(Recursive Neural Network, RNN), 强化学习(Reinforcement Learning) 是近来最常被应用的三种深度学习技术.
卷积神经网络用来辨认图像, 著名的Imagenet计算机视觉大赛, 后期已经成为卷积神经网络模型设计大赛, 几乎所有的参赛团队都用卷积神经网络设计其引擎, 而在边缘运算的应用上, 人脸识别预计会是边缘运算的主流, 可以使用更多方式来理解客户, 大陆已经有越来越多应用导入人脸识别, 包括火车站刷脸进站, 行动支付也使用刷脸认证, 大学宿舍的门禁系统也是采用人脸识别, 「刷脸」将成为最普遍的影像识别应用之一.
中文的辨识也适合采用卷积神经网络, 事实上, 中文是一种图像, 与其他语言最大的不同是中文很难拆解成简单的符号. 在语言的识别上, 目前以递归神经网络最适合, 2016年Google翻译全面更换为RNN模型, 并有效提升翻译正确性, 微软语音识别技术正确率, 也正式超过人类专业速计员, 除了中文之外, 全世界其他语言计算机的辨识率都已经超过人类.
而强化学习中, 生成式对抗网络(Generative Adversarial Networks, GAN)是近期相当流行的技术, 如何确定计算机学会了事物所有的特征, GAN利用两组深度学习一个负责判断真图还是假图, 另一个则是负责生出更难判断真假的假图, 当识别模型分不出真假, 就表示已经完全掌握该事物的深层特征, 利用这个特性就可以制作出以假乱真的影像, 利用GAN引擎将任何影像代换成另外一个主角.
透过自然语言来整理知识图谱, 而知识图谱再透过自然语言进行推理, 预计将会是人工智能的下一波成长动力. 尹相志表示, 美国白宫年度经济展望预测报告, 时薪20美元以下的工作将有83%机率被AI取代, 初级数据分析人员, 也将很快成为被取代的行列, 不过, 这波AI的发展不在工作的消失, 而在脑力的解放, 我们不用再花时间精力去执行重复且低价值的工作, 而可以做更多高阶具创造力的工作.
优化架构强化边缘运算效能
从现在的科技应用与发展来观察, AI不全然应用在完全新兴的装置上, 而是先导入现有的设备, 包括: VR/MR, 机器人, 无人机, 自驾车, IoT节点, 智能家庭, 医疗, 行动终端, 服务器, 运输与物流等. Arm资深区域市场经理蔡武男(图3)说, 最普遍常见的AI与边缘运算终端就是智能型手机, 应用如语音识别(Speech), 文字预测(Predictive Text), 人脸辨识(Face Tracking Camera), 数字助理( Digital Assistant), 扩增实境(Augmented Reality), 指纹辨识(Fingerprint Identity)等.
图3 Arm资深区域市场经理蔡武男说, 在深度学习的应用上, 使用优化过的神经网络链接库运行类似的功能时, 可提升五倍的效能; 软件运作速度则可提升十五倍.
Arm身为嵌入式CPU架构的主导厂商, 几年前并未积极投入AI的发展, 不过在AI展现全面性的发展趋势后, 该公司也针对AI的应用进行软硬件的优化工作, 包括机器学习处理器(Machine Learning Processor), 目标检测处理器(Object Detection Processor), 神经网络软件链接库等.
基于网络带宽, 电力消耗, 成本, 实时反应, 可靠度, 安全与隐私性等需求, 边缘运算将进入高速发展阶段, 蔡武男指出, 在深度学习的应用上, 使用优化过的神经网络链接库运行类似的功能时, 可提升五倍的效能 ; 软件运作速度则可较之前提升十五倍.
云端与边缘软硬件架构整合
AI的技术架构大概可以分成三个部分: 训练(Training), 深度神经网络(Deep Neural Network)模型, 推论(Inferencing)三个阶段, NVIDIA技术营销经理苏家兴(图4)表示, 这几年AI的整体发展模型变得越来越复杂与庞大, 在影像识别部分, 2016年Google的Inception-v4比2012年的AlexNet复杂了350倍; 百度2017年发表的DeepSpeech 3语音识别引擎, 较其2014年的第一代复杂了30倍; 翻译引擎2017年的MoE也较2015年的OpenNMT复杂10倍.
图4 NVIDIA技术营销经理苏家兴表示, 这几年AI的神经网络模型变的越来越复杂与庞大, 要产生高准确率的AI代价越来越高.
面对复杂的深度学习网络, 要产生高准确率的AI代价越来越高, 包括耗电, 运算能力, 网络带宽等资源, 苏家兴说明, NVIDIA新的推论加速器也试图将架构简化, 透过合并重复的运算流程, 减低不必要的运算, 简化硬件负担, 优化过的硬件, 在影像辨识部分可从每秒140个图像提升到5,700个图像, 提升40倍; 翻译句子也从每秒4句提升到550句, 提升140倍.
另外, 智能城市也是一个云端与边缘结合应用的情境, 许多终端数据透过摄影机, 感测节点搜集之后, 很快在终端进行初步的处理, 再送到云端进行数据的整合, 对于城市的安全, 犯罪的防治, 灾难的救援都有很大的帮助; 苏家兴认为, 未来这种大规模的云端与边缘运算的整合应用, 尤其是在云端软硬件与边缘软硬件的整合与AI运算上, 需求会越来越高, 也是充满商机的新兴市场.
AI专用加速器发展再加速
大部分科技的发展追求的目标不外乎低功耗, 低成本, 高效能, AI的发展也不例外, 亦是边缘运算兴起的原因, 以越来越普遍的影像辨识技术为例, 逢甲大学电子工程系副教授陈冠宏(图5)说明, 卷积神经网络架构中, 大约有九成运算量都集中在卷积层(Convolution Layer), 所以降低卷积层的运算复杂度, 就可以有效降低推论硬件的运算负担, 除了前述脱机运算, 简化结构之外, 数据重复利用也是重要的原则之一.
图5 逢甲大学电子工程系副教授陈冠宏说明, 卷积神经网络大约有九成运算集中在卷积层, 降低卷积层的运算复杂度, 就可有效降低硬件运算负担.
另外, 神经网络中激励函数(Activation Functions)的作用是能够给神经网络加入一些非线性因素, 使得神经网络可以解决复杂的问题, 让结果更接近人类决策的习惯, 其具备非线性, 可微性, 单调性与输出值的范围等特点, 通常范围从-1到+1之间, 而结果则会接近中间, 神经网络运算中迭代次数越高则结果会越准确. 从网络加速与硬件效能的角度来看, 未来应该会有越来越多专用的AI加速器或AI芯片问世.
麻省理工学院(MIT)的研究团队发表了一款专门执行深度学习的芯片「Eyeriss」, 可直接在行动装置上执行如人脸辨识等算法, 且可以在网络脱机状态下处理数据. 陈冠宏解释, Eyeriss芯片内建168个核心, 专门用来部署神经网络, 效能为一般行动GPU的10倍, 也因其效能高, 不需透过网络处理数据, 就能在行动装置上直接执行人工智能算法. 具有辨识人脸, 语言的能力, 可应用在智能型手机, 穿戴式装置, 机器人, 自动驾驶车与其他物联网应用装置上. 新电子
5.云知声CEO黄伟: AI的浮躁时代已经过去 2018年将出现分水岭
编者按: 本期对话嘉宾为云知声创始人CEO黄伟, 他如何处打造云知声 '金字塔' 式的研发模式, 创业六年, 又如何看待行业的现状与未来?一起听听他怎么说!
六年的时间发生了很多事, 时间不停地洗刷着每个行业.
成立于二零一二年的云知声更像是一支向着目的地挺进的长征队伍, 任务明确, 投入兵力, 按照既定作战方案稳步推进.
这是创始人黄伟自信的来源, 资料显示, 云知声的合作伙伴数量超过2万家, 覆盖用户超过2亿, 云平台日调用量3.3亿次, 覆盖的城市超过647个.
黄伟毕业于中国科学技术大学并获得博士学位, 毕业后任职摩托罗拉中国研究中心资深研究员, 期间开发出了世界第一款手机声纹认证系统. 后出任盛大创新院核心高管, 并创建了语音分院;随后于2012年创立云知声.
他曾连续三年参与美国国家标准技术署(NIST)说话人识别评测(SRE)项目, 获主任务第一名, 是目前为止唯一一位在NIST评测中连续两年做Keynote Speaker的华人.
'金字塔' 式的研发规划 修炼好内功才能厚积薄发
在他看来, 云知声的 '金字塔' 式的研发规划, 保证了他们在过去六年始终保持在行业一线, 同时, 未来六年依旧如此, 因为他们的 '基础建设' 非常完善.
那么, 何为 '金字塔' 式的研发?金字塔的底层是DeepFlow集群, 这个异构化硬件服务器集群, 可以向上提供密集的计算和存储能力, 保证研发团队充足算力的支持, 黄伟称, 在2018年计划拓展到1000GPU以上的规模.
而中间层是Atlas超算平台, 这是分布式机器学习并行计算平台, 内部协同共享AI底层研发技术成果, 可以迁移复用到各个领域的应用.
'我们在2012年就把深度学习做出来了, 这个是我们确定的大数据方向, 全面深度学习化, 我可以负责任的说, 那时中国95%的高校教授, 都没有听说过深度学习' 黄伟告诉网易智能.
而 '金字塔' 的顶层, 则是应用层技术, 比如有ASR, TTS, NLU等应用层技术的输出, 黄伟称, 可以理解为云知声建立了一个核心能力, 这个核心能力是AI, 然后AI通过一种云端芯的产品架构体系, 把它生产出来, 然后应用到不同的应用场景.
谈到应用, 2018年被称为人工智能落地元年, 落地将变得至关重要, 黄伟的关注重点是IoT和医疗等领域, '我们要把积累的势能释放出来, 毫无疑问, 今年我们在智能家居, 机器人方面会大规模的出货' .
由应用场景来推导AI芯片研发, 是AI创业公司的最佳路径
目前, 人工智能芯片大行其道, 无论是传统的芯片巨头英伟达, 英特尔, 高通, 还是手机厂商发布的AI芯片苹果AI1, 海思麒麟970, 高通骁龙845, 三星Exynos 9810, 联发科曦力P60, 以及创业公司地平线的征程芯片等等.
我们逐渐嗅到红海的味道, 究其原因, 芯片是人工智能非常重要的计算载体, 以及感知载体, 它承载着人工智能非常重要的环节, 必不可少.
但黄伟认为, 大家都做芯片, 但芯片其实包括几大类, 大家有重叠但都有各自的市场和发力点, 比如英伟达的GPU是用来支撑特别高的计算量, 这方面毫无疑问是巨头们的战场;还有一种是云端芯片, 这类芯片主要用来做一些云端的认知决策, 比如Google的TPU等等;还有一种则是云知声, 地平线们做的事情, 这类芯片是终端芯片.
而做终端AI芯片最重要的是由应用场景来定义整个芯片的产品形态和逻辑.
黄伟指出, 在芯片产品形态方面, 云知声已经过很长时间的探索. 从市场着手, 云知声在智能家居, 智能音箱, 儿童教育机器人等市场方面已经基于IVM(通用芯片方案)的产品形态, 验证了市场, 产品, 用户场景的合理性. 而伴随合作客户在更多产品种类和形态上对成本, 稳定性, 集成度等方面的呼声愈高, 进而推出自研AI芯片就成为一件水到渠成的事情.
黄伟表示, 早在2015年云知声就组建了芯片团队, 2016年公司开始就市场, 产品, 看技术路线以及芯片下游合作方的评估. 2017年启动芯片产品定义, IP选型, 算法优化, 工具准备, 以及详细产品定义和技术模块评估工作. 目前, 云知声AI芯片UniOne已经流片, 即将对外发布.
'在芯片这件事儿上面, 我们至少领先三年的时间节点. 可能出来的时间点正好赶上了AI芯片大热的时间点, 不过这也算是对我们前期投入的一个奖励吧,' 黄伟告诉网易智能.
第一款面向IoT人机交互场景的AI芯片
至于云知声芯片的定位, 黄伟表示, 在IoT的人机交互的大背景下, AI算法对设备端芯片的并行计算能力和存储器带宽提出了更高的要求, 传统的芯片架构在这两个方面却捉襟见肘;另一方面, 尽管基于GPU能够在终端实现推理算法, 但其功耗大, 性价比低的弊端却不容忽视, 而IoT设备与手机不同, 形态千变万化, 需求碎片化比较严重, 因此很难跨设备形态的问题. 因此, 只有从IoT的应用场景出发, 设计定制化的芯片架构, 才能在大幅提升性能的同时, 降低功耗和成本, 同时满足AI算力以及跨设备形态的需求.
'同时, 无论是大的产品还是小的产品, 有屏幕还是无屏幕的, 人机交互相关的共性东西, 应该把它提取出来, 并且固化下来, 从这个意义上讲, 芯片是最恰当的方式. 我们这款芯片可以说是第一款面向IoT人机交互场景的AI芯片' . 黄伟说到, 从商业的角度看, 目前市面上所有的芯片, 并不是针对人工智能来设计的, 它很难把算法的威力发挥出来.
此外, 大家采用的模组组装的模式, 好处是能够快速出货, 但因为受限于成本, 很多时候只能选择市面上计算能力比较差的芯片, 而东拼西凑之后会出现良品率低等问题.
所以, 云知声的做法是, 从算法公司的角度出发做终端芯片, 它并不需要有特别高的计算能力, 打造出一个够用的芯片, 他们认为做得再多的话, 成本, 功耗等各方面都是浪费. 而且他们的芯片选择对计算进行加速, 对算法加速意味着你对它的能力做了限制的, 而对计算加速就是 '练内功 '.
黄伟强调, 最重要的是芯片的定位, 而不是跟风. 想清楚未来的生态是什么?客户在哪里?因为芯片是高投入, 高风险的行业.
AI的浮躁时代已经过去 2018年将出现 '分水岭'
黄伟在朋友圈谈到, '年纪大了, 最近经常半夜醒来' , 面对记者, 他坦言也有创业维艰的原因, 作为创业者需要面对来自投资人, 客户, 员工, 市场等等方面的责任, 时不我待, 他不能止步不前.
智能硬件行业经历了, 过去两年的浮躁期, 开始回归理性, 黄伟认为, 2018年将是行业的 '分水岭' , 大家开始关注落地, 有能力的公司开始释放势能, 而对于没有先发优势的公司来说, 如果你没有颠覆性的东西, 就很难再获得投资人和市场的关注了, 因为时间窗口已经过去, 而在人工智能行业的几个主流赛道里面, 都诞生了独角兽, 所以的资源都将向头部公司倾斜.
'通俗的讲, 过去几年你还可以靠吹牛拿投资, 但今年开始就没那么简单了, ' 黄伟说到.
对于人工智能行业以及人机交互如何发展的问题, 他谈到, 人类的交互主要依靠耳朵和嘴巴, 视觉可以让我们看到更多的展示内容, 语音可以让我们主动表达, 二者缺一不可, 互为补充, 所以, 语音和图像一定是未来的主要交互方式, 键盘输入或者鼠标输入, 本质上是违反人性的, 未来手机不见得是我们的必需品.
根据调研机构GfK的数据, 2015年中国智能音箱零售量只有1万台, 2016年增至6万台, 2017年1--8月共累计销售超10万台, 而随着2017第三季度众多新品的推出, 仅在2017年8月, 智能音箱市场就达到了同比178%的增长率.
交互革命已然来临.
当然, 公众对于人工智能还存在质疑的声音, 最近优步自动驾驶致行人死亡事件闹的纷纷扬扬, 引发大家的恐慌心理, AI威胁论再次被大家热议, 对此, 黄伟提醒, 技术应该安全第一, 在科技进步和人类生命安全之间, 毫无疑问后者更为重要. 财经新闻网