1.24小時內比特幣暴跌10% 跌破9000美元;
剛剛過去的兩天對於比特幣礦工而言, 應該是非常難熬的兩天, 在短短時間內, 比特幣暴跌10%, 又一次跌破了9000美元大關.
不僅僅是比特幣, 第二大電子貨幣以太幣暴跌7%, 第三大電子貨幣瑞波幣下跌10%.
這麼糟糕的行情當然是有原因的, 據彭博社11日報道, 韓國突襲了全球最大的電子貨幣交易所之一Upbit, 原因是其涉嫌轉移客戶資金到公司賬戶.
而前全球最大比特幣交易所 (已破產) , 則準備拋售旗下剩餘十數萬比特幣, 比特幣應聲大跌.
不得不說電子貨幣確實是一門考驗心理素質的理財工具, 不知道比特幣以後能否重返20000美元的巔峰輝煌呢? 快科技
2.比特幣遭受三記重擊 更多機會在AI? ;
證券時報記者 吳家明
近日, 接連而來的三記重擊, 讓比特幣的價格再度大幅下挫. 這時, 一些投資者似乎將目光投向了另一領域: 人工智慧 (AI).
據海外媒體報道, 最近比特幣市場可謂壞消息不斷, 第一重打擊來自曾是全球最大比特幣交易所但目前已破產的Mt. Gox, 其看管人再度大規模出貨, 據Mt.Gox的冷錢包監控網站顯示, Mt.Gox錢包中還剩餘大概13.8萬枚比特幣. 消息傳出, 比特幣價格應聲下跌.
第二重打擊來自英偉達. 英偉達最新發布2018財年第一季度財報顯示, 與挖礦相關業務收入達到2.89億美元, 但英偉達首席財務官Colette Kress表示, 公司預計二季度該業務相關收入將下降65%, 又在一定程度上引發了數字貨幣的拋售壓力.
第三重打擊來自韓國, 根據韓國首爾南區檢察官辦公室一位官員的說法, 韓國檢察官在上周四和周五突擊搜查全球最大數字交易所之一Upbit的辦公室. 據悉, Upbit涉嫌轉移顧客賬號資金到公司賬號. Upbit掌管著價值大約16億美元的比特幣, 是韓國第一大, 世界第四大的比特幣交易所.
比特幣價格依舊劇烈震蕩, 也帶來了不確定性. 這時, 一些投資者卻開始看到了其他機會.
Apriem Advisors首席投資官Benjamin Lau表示, 英偉達還有一個比挖礦更大的機會. '對於人工智慧和數據中心來說, 英偉達晶片的需求旺盛, 這一點應該在不久的將來會推動公司的業務發展. ' Benjamin Lau提議, 英偉達公司用於AI領域的商業晶片, 應用領域可以包括醫療保健, 運輸業以及計算機數據中心, 這才是未來.
無獨有偶, 在接受彭博社採訪時, 比特大陸聯合創始人吳忌寒透露, 公司在美國的比特幣採礦業務有巨大的擴張計劃. 他還對該公司在人工智慧方面的立場發表了評論, 稱比特大陸也計劃涉足這一領域.
如今, AI已經滲透到各個領域. 日前, 道達爾正式宣布和穀歌雲簽署協議, 二者將聯合發展人工智慧技術, 為石油天然的勘探開發提供全新智能解決方案. 這一事件立即在全球石油界引發了關注. 既然阿爾法狗能超越圍棋世界冠軍, 那道達爾和穀歌是否會創造出超越普通石油人的 '超級智能石油人' , 石油工業會因此迎來一場顛覆嗎?
其實, 人工智慧近些年的加速崛起正對全球晶片行業產生重大影響, 英偉達已經從一家顯卡供應商轉變為人工智慧伺服器供應商. 包括穀歌, Facebook, 微軟等科技巨頭公司在內的人工智慧領域研究領先者, 已經在使用英偉達所提供的專門應用於該領域研究的晶片產品. 市場分析人士預計, 未來10年全球人工智慧市場總值約為5000億美元.
3.區塊鏈應用後勢可期 挖礦機產業走得更長遠;
由於比特幣(Bitcoin), 以太幣(Ethereum)等虛擬貨幣爆紅, 區塊鏈(Blockchain)技術跟著受到越來越多關注. 許多產業都開始思考該如何運用區塊鏈技術來創造更多價值, 甚至開創新的事業. 其中, 供應鏈金融的發展, 或許是對台灣產業影響最深遠的重要趨勢.
在傳統金融體系中, 所有交易跟金融往來紀錄都存放在金融機構的中央資料庫, 因此金融機構必須投入可觀的人力物力來維護其資料庫, 以確保其能穩定運作, 且數據安全無虞. 但對金融體系而言, 相關投資卻也墊高了金融交易的成本.
有鑒於此, 分布式賬本的概念遂應運而生. 在分布式賬本架構下, 參與交易的各方都擁有整個賬本的一部分, 因此不需要中央資料庫來保管整個交易賬本. 不過, 由於交易各方所擁有的賬本都只是完整賬本的一部分, 如何確保其他賬本上記載的是正確無誤, 未經竄改的數據, 遂成一大問題, 而區塊鏈則是這個問題的有效解決方案.
區塊鏈應用五花八門 結合工業4.0更見威力
進一步推演, 區塊鏈技術不只能應用在金融業, 任何採用分布式架構的數據, 都可以用區塊鏈技術來驗證其真偽. 更重要的是, 區塊鏈技術基本上是開源的, 光是在Github上, 便有2.6萬個以區塊鏈為基礎的開發項目, 知名國際大廠如IBM, 思愛普(SAP)等, 也支援開源區塊鏈框架Hyperledger Fabric, 可用來實現各種商業應用.
其實, 話題延燒多年的工業4.0, 最終也必然會利用到區塊鏈技術. 工業4.0具有許多面向, 除了製程數字化, 數字雙胞胎(Digital Twins), 工業物聯網(IIoT)等比較常聽到的概念名詞外, 在工業4.0發展的後期階段, 供應鏈上下遊的資訊系統(例如ERP, MES等)也必然要串接在一起 , 製造業者才能實現彈性化生產, 降低庫存備料等目標.
據筆者了解, 有些大型會計師事務所已經開始為工業4.0帶來的變革未雨綢繆, 並與相關工業設備/系統製造商展開合作. 因為, 在高度數字化的製造業, 原物料, 半成品, 產品庫存的數據變動將會以秒為單位, 如何在會計流程跟財會報表中即時反應這些變動, 也是個不小的挑戰.
另一方面, 製造業客戶對上述數字必然十分敏感, 特別是大型電子製造業, 因為毛利空間普遍不高, 不管是原物料, 半成品還是成品庫存, 樣樣都是成本項目, 且往往就是企業盈虧的關鍵所在. 雖然證券監管機構未必會要求上市公司必須縮短財報相關資訊的揭露周期, 但對企業經營者而言, 即時的財務數據仍是企業決策時的重要參考資訊.
對於規模大到如台灣電子五哥等級的超大型製造業來說, 要用集中式架構來處理動輒破萬家上下遊廠商的數據, IT相關軟硬體的費用支出必然十分驚人, 且系統恐怕也會變得龐大又複雜, 為管理跟維護帶來挑戰. 導入區塊鏈技術, 改采分布式數據架構, 對這些大型製造業者來說, 將是有吸引力的方案.
除了進銷存管理相關應用外, 區塊鏈還有一些其他的應用可能性. 例如在工業物聯網環境中, 感測器網路會不停送出各種數據, 但萬一這些數據在傳輸的過程中遭到竄改, 產線運作就可能因此大亂, 甚至危害廠區安全. 區塊鏈技術可以用來防止數據遭到竄改, 讓工業物聯網的資訊安全更添保障.
企業金融將因區塊鏈翻轉
除了用來驗證分布式數據的真偽, 確保數據不被竄改外, 區塊鏈還有一個很重要的應用, 就是發行代幣(Token). 而這個應用也正是造成虛擬貨幣市場充斥大量泡沫的原因--幾乎任何人都可以發行代幣來融資, 用虛擬貨幣換取美元, 人民幣, 新台幣等有政府背書的法定貨幣.
且不論目前虛擬貨幣市場上存在的種種亂象與泡沫, 代幣其實是一個深具企業金融應用潛力的應用. 以製造業來說, 產品不可能是憑空生出來的, 一家廠商要生產某項產品, 必然要向上遊供貨商採購原物料或零組件, 並且在某個約定時期支付貨款.
在當前的狀況下, 供貨商雖然已經出貨給客戶, 但手上拿到的卻是幾個月後才能兌現的支票, 萬一供貨商突然需要資金周轉, 只能找銀行貼現, 並且還要支付給銀行一筆利息. 而且, 支票貼現是受到許多限制的, 例如票期太長的支票, 通常銀行不會接受, 而這也讓地下金融產業有生存的空間. 事實上, 許多大型製造業就是利用應收與應付賬款之間的時間差創造出龐大利潤, 但資金風險卻是由供貨商承擔.
另一方面, 要是客戶突然下了大筆訂單, 供貨商必須緊急擴產, 除非客戶願意預付貨款, 否則很多中小型供貨商恐怕根本無力承接, 因為銀行通常對中小企業融資有很嚴格的限制, 中小企業能拿到的信用貸款額度往往很低, 甚至無法取得信用貸款額度. 這時候, 中小企業老闆往往只能賭身家, 拿自己名下的不動產來當貸款擔保品. 很多依附在大型製造業者底下的中小企業, 雖然業務看似穩定, 卻搞到資金周轉不靈, 也無法跟正常的金融機構調頭寸, 主要原因就在這裡.
某種程度上, 這也是台灣房地產市場的主要需求之一, 因為中小企業老闆若有閑錢, 投資不動產是進可攻, 退可守的選擇. 既有機會賺取買賣差價, 也可以在公司需要營運資金時拿來當作貸款擔保品. 不動產是銀行最樂於接受的貸款擔保品之一, 因為其價格波動通常比其他有價證券來得低, 而且不動產鑒價機制已經相當成熟.
如果大型製造業者利用區塊鏈技術發行自己的代幣, 並且在自己的供應鏈體系內流通, 整個供應鏈的資金運作調度就會呈現另一個光景. 事實上, 以區塊鏈技術發行的代幣, 不只是傳統貨幣的代用品, 同時也可以附帶智能型合約(Smart Contract)功能. 發行方跟收受方不僅可以自定義合約內容, 當合約條件滿足後, 後續的交易動作還可以自動進行, 完全不需要人力介入. 這項特性可以明顯降低買賣雙方的交易成本.
換言之, 帶有智能型合約的代幣其實有點類似國際貿易所使用的信用狀(Letter of Credit, LC), 只是沒有銀行中介擔保. 而這些代幣如果有限度地開放次級市場, 讓某家製造商的供應鏈成員可以對同一供應鏈體系內的成員買賣交易(這會創造出一個類似債券的市場, 只是參與者僅限於某一群特定企業法人), 或是當作融資擔保品, 那就會對現有的企業金融市場造成巨大顛覆.
而且, 按照現行的金融法令, 政府很難介入管制, 因為這整個系統是由民間企業之間的交易行為所產生, 買賣雙方要用何種「貨幣」或「憑證」作為交易媒介, 完全是兩造的契約自由. 企業之間互相借錢周轉, 也是司空見慣的事情, 要用什麼資產作為擔保品, 甚至要做無擔保借款, 如果雙方都不是上市公司, 基本上也是老闆說了算.
傳統企金的一線生機
行筆至此, 讀者或許已經不難理解, 為何傳統金融業者面對以區塊鏈技術為基礎的金融科技(Fintech)創新會如此戒慎恐懼, 因為在這個新的遊戲規則裡, 金融機構不只被邊緣化, 甚至有可能被排除在外.
不過, 對傳統金融業來說, 情況未必會如此悲觀. 前面提到, 由於徵信成本, 風險等種種因素, 現在的銀行基本上很難對中小企業做信用貸款, 一定要有抵押品. 但如果大型製造業針對自己的供應鏈廠商發行代幣, 又對銀行開放其演算法, 銀行就能很輕鬆地掌握該體系內中小企業跟大型製造業的交易往來紀錄, 大幅降低徵信成本. 如果金融監管機關願意進一步法規鬆綁, 將這些代幣視為某種有價證券的准用品, 這些代幣當然也可以用來跟銀行抵押融資.
不論是前者還是後者, 對現有的金融機構來說, 代幣的出現, 都有助於把中小企業金融服務的餅做得更大.
事實上, 金融監管機關如果要介入大型製造業針對自己的供應鏈體系發行代幣一事, 賦予這些代幣某種法律地位, 是必然的結果. 代幣的法律地位必須先釐清界定, 政府才能著手進行管制. 如果代幣在法律上什麼都不是, 政府管制也師出無名.
挖礦機產業的長遠之計
從2017年比特幣兌美元匯率飆漲, 正式引爆醞釀已久的挖礦機產業熱潮後, 挖礦機商機就是台灣電子產業鏈內的熱門話題. 中國有幾家IC設計公司也因為推出挖礦專用ASIC而爆紅. 不過, 如果了解比特幣, 以太幣背後的遊戲規則, 就能斷言目前挖礦換現金的商業模式, 不會是個可長可久的生意.
以比特幣來說, 其發行總量2,100萬個, 全數發行完畢後就不會有新的比特幣了. 這就是比特幣挖礦機產業的「大限」. 據估計, 截至2017年中, 比特幣的發行量已經達到1,638萬個, 且隨著比特幣剩下的發行額度越來越低, 挖礦機要挖到一個比特幣的時間會越來越長, 導致挖礦行為的投資報酬率隨時間遞減. 一般認為, 剩下的400多萬枚比特幣, 會在2040年前發行完畢.
至於以太幣, 雖然其發行總額不像比特幣是訂死的, 但以太幣的共同創始人Vitalik Buterin日前才提議, 要將以太幣的發行量上限調整為1.4億個, 這顯示以太幣挖礦機最後還是有可能會遇到類似比特幣的問題.
另一方面, 以太幣社群對於用挖礦機來量產以太幣, 始終抱持著反對的態度, 因為加密貨幣的所有者過度集中, 會對加密貨幣本身造成非常多弊端, 而專業礦工, 特別是使用ASIC挖礦機的專業礦工, 將會使加密貨幣所有權集中的情況加速. 目前以太幣挖礦用的是以GPU為基礎的挖礦機, 挖礦效率比ASIC差, 但好處是能因應挖礦演算法的修改做出調整.
日前中國IC設計公司比特大陸宣稱將推出以太幣專用的挖礦ASIC, 隔沒幾天, 以太幣基金會(ETH)的成員馬上提議修改以太幣的挖礦演算法, 很顯然就是針對比特大陸等ASIC開發者的行為而來. 而這場鬥法的勝負是非常容易預見的--ASIC的開發周期至少三到六個月, 光罩等成本動輒數百萬美元, 但如果社群內有共識, 修改演算法可能只需要幾個禮拜, 而且成本接近於零. 硬體跟軟體「比彈性」總是吃虧的, 即便是電路架構最彈性的FPGA, 也是有一些限制存在.
總的來說, 目前挖礦機的商業模式是不可持續的. 但如果各行各業都開始以區塊鏈技術發展自己的垂直應用, 情況就會大為不同. 挖礦行為本質上就是在解算, 處理區塊鏈數據, 因此, 隨著區塊鏈技術的應用日廣, 各行各業都會有相關需求, 這才是挖礦機產業可長可久的生意. 就以本文所提到的供應鏈金融為例, 全球數十萬家電子相關業者如果都使用區塊鏈技術來處理供應鏈金融問題, 加上銀行等傳統金融機構的需求, 挖礦機就會變成企業IT市場上一門不算小的生意, 只是這個市場可能會相對零散, 未必適合開ASIC. FPGA或GPU等具有可編程性的解決方案, 或許在商業上會比較可行. 新電子
4.AI智能無所不在 智能終端大舉導入邊緣運算;
在雲端運算成熟之後, 大規模, 廣泛的運算會留在雲端, 小規模, 具在地化特性與要求精準的運算將移到邊緣或霧端, 2019年全球霧運算市場規模約37億美元, 2022年則將進一步成長到182億美元左右. 分布式架構概念興起, 邊緣運算成為未來幾年發展重點.
AI人工智慧運算技術未來幾年將逐漸從雲端往邊緣發展, 應用領域更是無所不包, 各式可攜式設備與終端裝置對智能化功能的需求高漲, 不過巨量物聯網將導致數據壅塞, 無法全部都透過雲端處理, 因而必須仰賴邊緣運算, 賦予終端更多運算能力.
邊緣運算可概分為行動邊緣運算(Mobile Edge Computing)及霧運算(Fog Computing). AI專用硬體/加速器近期如雨後春筍出現, 專門用來進行神經網路演算法運算之晶片應運而生, 包括AI-Optimized Processor, Deep Learning Processor, AI Accelerator, Neural Processing Unit(NPU)等, AI邊緣運算需要將神經網路模型進行精簡, 同時強化運算效率, 讓一般企業所訓練出來的模型壓縮至可於行動裝置上使用.
分布式架構概念 邊緣運算興起
邊緣運算(Edge Computing)概念興起於人工智慧(Artificial Intelligence, AI)熱潮之下, 在昔日雲端運算成熟之後, 大規模, 廣泛的運算會留在雲端, 小規模, 具在地化特性與要求精準的運算將移到邊緣或霧端. 根據開放霧聯盟(Open Fog Consortium)研究顯示, 2019年全球霧運算市場規模約37億美元, 2022年則將進一步成長到182億美元左右, 主要應用領域在基礎設施(Utilities), 運輸( Transportation), 健康照護(Healthcare), 工業(Industrial), 農業(Agriculture)等.
另外, 因為物聯網的發展, 連網型的終端結點數量在未來幾年將呈現爆炸性的成長, 巨量物聯網即將成型, 資策會物聯應用系統中心副主任王秉豐(圖1)認為, 因為數據數據將大量產生, 既有傳輸架構無法因應, 而必須面對壅塞, 頻寬不足問題 ; 為了處理大量的數據, 營運商必須建置更多雲端設備, 使得企業營運成本持續墊高. 因此, 分布式架構概念興起, 邊緣運算成為未來幾年發展重點.
圖1 資策會物聯應用系統中心副主任王秉豐認為, 數據數據將大量產生, 既有傳輸架構無法負擔, 因此, 分布式架構概念興起, 邊緣運算成為未來幾年發展重點.
而雲端運算與邊緣運算在技術架構與多項特性上都有顯著差異, 如表1所示, 王秉豐解釋, 邊緣運算將使用分布式架構, 藉由眾多的霧節點(Fog Node)進行運算, 邊緣運算三大技術特徵包括: 將運算的位置, 從中心下放到邊緣 ; 也由於將運算的位置放在終端, 因此網路等待時間率較低, 可以支援10毫秒的應用; 對於網路頻寬, 基礎設施的要求小, 可在缺乏雲端網路的連結時, 提供部分服務.
邊緣運算在運作時會採取更彈性化的部署, 物聯網邊緣節點的成本, 體積相對較小, 可以進行大量多點的配置; 形成的邊緣節點, 系統並不需要太複雜的部署規畫, 架構相對有彈性可視情境進行調整. 在應用情境分, 王秉豐說明, 物聯網的發展促進了大量應用程序的進階查詢和對大量感測器數據流的分析; 第二項為即時事件檢測; 第三項為工業自動化的聯網控制系統(Networked Control System, NCS) ; 第四項為即時行動群眾感知(Mobile Crowdsensing, MCS).
邊緣與雲端運算 發展互補不衝突
AI與IoT結合將帶動更多智能系統的發展, 目前既有的雲端架構無法滿足物聯網的離線處理, 數據隱私, 即時響應等需求, 導入邊緣運算架構, 解決雲端架構面臨的問題增加使用彈性, 解決不同系統間資源共用與再利用的需求. 王秉豐解釋, 邊緣情境智能(Edge Intelligence via Ambient Computing), 定義上就是遠離雲端而靠近面對消費者的裝置那一端, 須具備一定的運算與智能產生能力, 能就近處理感測所產生的數據.
邊緣運算的發展面臨挑戰包括: 可擴展性(Scalability), 複雜的網路結構(Complex Inter-networking), 動態和適應性(Dynamics and Adaptation), 多樣性和異構性( Diverisity and Heterogeneity)等. 未來物聯網的規模將不斷擴大, 終端節點將以不同條件, 多種型態進行實體連接; 而具有無線連接和移動性的裝置, 需要即時分配邊緣資源並重新嵌入物聯網應用; 同時邊緣裝置也需要無縫的介面與互通操作性.
邊緣運算的出現並不會取代雲端運算, 而將朝向互補的方向發展, 藉由終端的立即反應, 可以減少雲端運算的負擔, 但就整體物聯網的需求情境來看, 邊緣運算出現的意義在於響應更雜異化的需求情境, 尤其是隨著物聯網裝置類型的增加, 將衍生更多次系統, 而這些次系統能否有效進行協同作業, 將影響智能化服務的質量.
深度學習帶動AI成長
人工智慧AI這一波發展浪潮植基於過去的發展基礎, 而且以深度學習(Deep Learning)最具代表性, DeepBelief.ai首席人工智慧科學家尹相志(圖2)表示, 深度學習的成功來自於更深入理解人類大腦的運作機制, 其核心為表徵學習, 其中機器視覺就是希望建立起人類視覺與機器可讀像素間的映像關係. 人類可以很輕易的了解事物表像的深層規則, 所以一般人都可以在數據高度缺失的狀況下, 做出正確的判斷, 辨認許多計算機需要長期訓練的事物.
圖2 DeepBelief.ai首席人工智慧科學家尹相志表示, 深度學習的成功來自於更深入理解人類大腦的運作機制, 其核心為表徵學習.
所以深度學習就是我們開始教機器用複雜的方法面對這個世界, 透過建立複雜的模型, 並且建立互相備援的規則, 因為世界是複雜的, 如果企圖使用簡化的方法與模型, 就註定會失敗. 尹相志說明, 卷積神經網路(Convolutional Neural Network, CNN), 遞歸神經網路(Recursive Neural Network, RNN), 強化學習(Reinforcement Learning) 是近來最常被應用的三種深度學習技術.
卷積神經網路用來辨認映像, 著名的Imagenet計算機視覺大賽, 後期已經成為卷積神經網路模型設計大賽, 幾乎所有的參賽團隊都用卷積神經網路設計其引擎, 而在邊緣運算的應用上, 人臉識別預計會是邊緣運算的主流, 可以使用更多方式來理解客戶, 大陸已經有越來越多應用導入人臉識別, 包括火車站刷臉進站, 行動支付也使用刷臉認證, 大學宿舍的門禁系統也是採用人臉識別, 「刷臉」將成為最普遍的影像識別應用之一.
中文的辨識也適合採用卷積神經網路, 事實上, 中文是一種映像, 與其他語言最大的不同是中文很難拆解成簡單的符號. 在語言的識別上, 目前以遞歸神經網路最適合, 2016年Google翻譯全面更換為RNN模型, 並有效提升翻譯正確性, 微軟語音識別技術正確率, 也正式超過人類專業速計員, 除了中文之外, 全世界其他語言計算機的辨識率都已經超過人類.
而強化學習中, 生成式對抗網路(Generative Adversarial Networks, GAN)是近期相當流行的技術, 如何確定計算機學會了事物所有的特徵, GAN利用兩組深度學習一個負責判斷真圖還是假圖, 另一個則是負責生出更難判斷真假的假圖, 當識別模型分不出真假, 就表示已經完全掌握該事物的深層特徵, 利用這個特性就可以製作出以假亂真的影像, 利用GAN引擎將任何影像代換成另外一個主角.
透過自然語言來整理知識圖譜, 而知識圖譜再透過自然語言進行推理, 預計將會是人工智慧的下一波成長動力. 尹相志表示, 美國白宮年度經濟展望預測報告, 時薪20美元以下的工作將有83%機率被AI取代, 初級數據分析人員, 也將很快成為被取代的行列, 不過, 這波AI的發展不在工作的消失, 而在腦力的解放, 我們不用再花時間精力去執行重複且低價值的工作, 而可以做更多高階具創造力的工作.
優化架構強化邊緣運算效能
從現在的科技應用與發展來觀察, AI不全然應用在完全新興的裝置上, 而是先導入現有的設備, 包括: VR/MR, 機器人, 無人機, 自駕車, IoT節點, 智能家庭, 醫療, 行動終端, 伺服器, 運輸與物流等. Arm資深區域市場經理蔡武男(圖3)說, 最普遍常見的AI與邊緣運算終端就是智能型手機, 應用如語音識別(Speech), 文字預測(Predictive Text), 人臉辨識(Face Tracking Camera), 數字助理( Digital Assistant), 擴增實境(Augmented Reality), 指紋辨識(Fingerprint Identity)等.
圖3 Arm資深區域市場經理蔡武男說, 在深度學習的應用上, 使用優化過的神經網路連結庫運行類似的功能時, 可提升五倍的效能; 軟體運作速度則可提升十五倍.
Arm身為嵌入式CPU架構的主導廠商, 幾年前並未積極投入AI的發展, 不過在AI展現全面性的發展趨勢後, 該公司也針對AI的應用進行軟硬體的優化工作, 包括機器學習處理器(Machine Learning Processor), 目標檢測處理器(Object Detection Processor), 神經網路軟體連結庫等.
基於網路頻寬, 電力消耗, 成本, 即時反應, 可靠度, 安全與隱私性等需求, 邊緣運算將進入高速發展階段, 蔡武男指出, 在深度學習的應用上, 使用優化過的神經網路連結庫運行類似的功能時, 可提升五倍的效能 ; 軟體運作速度則可較之前提升十五倍.
雲端與邊緣軟硬體架構整合
AI的技術架構大概可以分成三個部分: 訓練(Training), 深度神經網路(Deep Neural Network)模型, 推論(Inferencing)三個階段, NVIDIA技術營銷經理蘇家興(圖4)表示, 這幾年AI的整體發展模型變得越來越複雜與龐大, 在影像識別部分, 2016年Google的Inception-v4比2012年的AlexNet複雜了350倍; 百度2017年發表的DeepSpeech 3語音識別引擎, 較其2014年的第一代複雜了30倍; 翻譯引擎2017年的MoE也較2015年的OpenNMT複雜10倍.
圖4 NVIDIA技術營銷經理蘇家興表示, 這幾年AI的神經網路模型變的越來越複雜與龐大, 要產生高準確率的AI代價越來越高.
面對複雜的深度學習網路, 要產生高準確率的AI代價越來越高, 包括耗電, 運算能力, 網路頻寬等資源, 蘇家興說明, NVIDIA新的推論加速器也試圖將架構簡化, 透過合并重複的運算流程, 減低不必要的運算, 簡化硬體負擔, 優化過的硬體, 在影像辨識部分可從每秒140個映像提升到5,700個映像, 提升40倍; 翻譯句子也從每秒4句提升到550句, 提升140倍.
另外, 智能城市也是一個雲端與邊緣結合應用的情境, 許多終端數據透過攝影機, 感測節點搜集之後, 很快在終端進行初步的處理, 再送到雲端進行數據的整合, 對於城市的安全, 犯罪的防治, 災難的救援都有很大的幫助; 蘇家興認為, 未來這種大規模的雲端與邊緣運算的整合應用, 尤其是在雲端軟硬體與邊緣軟硬體的整合與AI運算上, 需求會越來越高, 也是充滿商機的新興市場.
AI專用加速器發展再加速
大部分科技的發展追求的目標不外乎低功耗, 低成本, 高效能, AI的發展也不例外, 亦是邊緣運算興起的原因, 以越來越普遍的影像辨識技術為例, 逢甲大學電子工程系副教授陳冠宏(圖5)說明, 卷積神經網路架構中, 大約有九成運算量都集中在卷積層(Convolution Layer), 所以降低卷積層的運算複雜度, 就可以有效降低推論硬體的運算負擔, 除了前述離線運算, 簡化結構之外, 數據重複利用也是重要的原則之一.
圖5 逢甲大學電子工程系副教授陳冠宏說明, 卷積神經網路大約有九成運算集中在卷積層, 降低卷積層的運算複雜度, 就可有效降低硬體運算負擔.
另外, 神經網路中激勵函數(Activation Functions)的作用是能夠給神經網路加入一些非線性因素, 使得神經網路可以解決複雜的問題, 讓結果更接近人類決策的習慣, 其具備非線性, 可微性, 單調性與輸出值的範圍等特點, 通常範圍從-1到+1之間, 而結果則會接近中間, 神經網路運算中迭代次數越高則結果會越準確. 從網路加速與硬體效能的角度來看, 未來應該會有越來越多專用的AI加速器或AI晶片問世.
麻省理工學院(MIT)的研究團隊發表了一款專門執行深度學習的晶片「Eyeriss」, 可直接在行動裝置上執行如人臉辨識等演算法, 且可以在網路離線狀態下處理數據. 陳冠宏解釋, Eyeriss晶片內建168個核心, 專門用來部署神經網路, 效能為一般行動GPU的10倍, 也因其效能高, 不需透過網路處理數據, 就能在行動裝置上直接執行人工智慧演算法. 具有辨識人臉, 語言的能力, 可應用在智能型手機, 穿戴式裝置, 機器人, 自動駕駛車與其他物聯網應用裝置上. 新電子
5.雲知聲CEO黃偉: AI的浮躁時代已經過去 2018年將出現分水嶺
編者按: 本期對話嘉賓為雲知聲創始人CEO黃偉, 他如何處打造雲知聲 '金字塔' 式的研發模式, 創業六年, 又如何看待行業的現狀與未來?一起聽聽他怎麼說!
六年的時間發生了很多事, 時間不停地洗刷著每個行業.
成立於二零一二年的雲知聲更像是一支向著目的地挺進的長征隊伍, 任務明確, 投入兵力, 按照既定作戰方案穩步推進.
這是創始人黃偉自信的來源, 資料顯示, 雲知聲的合作夥伴數量超過2萬家, 覆蓋用戶超過2億, 雲平台日調用量3.3億次, 覆蓋的城市超過647個.
黃偉畢業於中國科學技術大學並獲得博士學位, 畢業後任職摩托羅拉中國研究中心資深研究員, 期間開發出了世界第一款手機聲紋認證系統. 後出任盛大創新院核心高管, 並建立了語音分院;隨後於2012年創立雲知聲.
他曾連續三年參與美國國家標準技術署(NIST)說話人識別評測(SRE)項目, 獲主任務第一名, 是目前為止唯一一位在NIST評測中連續兩年做Keynote Speaker的華人.
'金字塔' 式的研發規劃 修鍊好內功才能厚積薄發
在他看來, 雲知聲的 '金字塔' 式的研發規劃, 保證了他們在過去六年始終保持在行業一線, 同時, 未來六年依舊如此, 因為他們的 '基礎建設' 非常完善.
那麼, 何為 '金字塔' 式的研發?金字塔的底層是DeepFlow集群, 這個異構化硬體伺服器集群, 可以向上提供密集的計算和存儲能力, 保證研發團隊充足算力的支援, 黃偉稱, 在2018年計劃拓展到1000GPU以上的規模.
而中間層是Atlas超算平台, 這是分布式機器學習並行計算平台, 內部協同共用AI底層研發技術成果, 可以遷移複用到各個領域的應用.
'我們在2012年就把深度學習做出來了, 這個是我們確定的大數據方向, 全面深度學習化, 我可以負責任的說, 那時中國95%的高校教授, 都沒有聽說過深度學習' 黃偉告訴網易智能.
而 '金字塔' 的頂層, 則是應用層技術, 比如有ASR, TTS, NLU等應用層技術的輸出, 黃偉稱, 可以理解為雲知聲建立了一個核心能力, 這個核心能力是AI, 然後AI通過一種雲端芯的產品架構體系, 把它生產出來, 然後應用到不同的應用場景.
談到應用, 2018年被稱為人工智慧落地元年, 落地將變得至關重要, 黃偉的關注重點是IoT和醫療等領域, '我們要把積累的勢能釋放出來, 毫無疑問, 今年我們在智能家居, 機器人方面會大規模的出貨' .
由應用場景來推導AI晶片研發, 是AI創業公司的最佳路徑
目前, 人工智慧晶片大行其道, 無論是傳統的晶片巨頭英偉達, 英特爾, 高通, 還是手機廠商發布的AI晶片蘋果AI1, 海思麒麟970, 高通驍龍845, 三星Exynos 9810, 聯發科曦力P60, 以及創業公司地平線的征程晶片等等.
我們逐漸嗅到紅海的味道, 究其原因, 晶片是人工智慧非常重要的計算載體, 以及感知載體, 它承載著人工智慧非常重要的環節, 必不可少.
但黃偉認為, 大家都做晶片, 但晶片其實包括幾大類, 大家有重疊但都有各自的市場和發力點, 比如英偉達的GPU是用來支撐特別高的計算量, 這方面毫無疑問是巨頭們的戰場;還有一種是雲端晶片, 這類晶片主要用來做一些雲端的認知決策, 比如Google的TPU等等;還有一種則是雲知聲, 地平線們做的事情, 這類晶片是終端晶片.
而做終端AI晶片最重要的是由應用場景來定義整個晶片的產品形態和邏輯.
黃偉指出, 在晶片產品形態方面, 雲知聲已經過很長時間的探索. 從市場著手, 雲知聲在智能家居, 智能音箱, 兒童教育機器人等市場方面已經基於IVM(通用晶片方案)的產品形態, 驗證了市場, 產品, 用戶場景的合理性. 而伴隨合作客戶在更多產品種類和形態上對成本, 穩定性, 整合度等方面的呼聲愈高, 進而推出自研AI晶片就成為一件水到渠成的事情.
黃偉表示, 早在2015年雲知聲就組建了晶片團隊, 2016年公司開始就市場, 產品, 看技術路線以及晶片下遊合作方的評估. 2017年啟動晶片產品定義, IP選型, 演算法優化, 工具準備, 以及詳細產品定義和技術模組評估工作. 目前, 雲知聲AI晶片UniOne已經流片, 即將對外發布.
'在晶片這件事兒上面, 我們至少領先三年的時間節點. 可能出來的時間點正好趕上了AI晶片大熱的時間點, 不過這也算是對我們前期投入的一個獎勵吧,' 黃偉告訴網易智能.
第一款面向IoT人機交互場景的AI晶片
至於雲知聲晶片的定位, 黃偉表示, 在IoT的人機交互的大背景下, AI演算法對設備端晶片的並行計算能力和存儲器頻寬提出了更高的要求, 傳統的晶片架構在這兩個方面卻捉襟見肘;另一方面, 儘管基於GPU能夠在終端實現推理演算法, 但其功耗大, 性價比低的弊端卻不容忽視, 而IoT設備與手機不同, 形態千變萬化, 需求碎片化比較嚴重, 因此很難跨設備形態的問題. 因此, 只有從IoT的應用場景出發, 設計定製化的晶片架構, 才能在大幅提升性能的同時, 降低功耗和成本, 同時滿足AI算力以及跨設備形態的需求.
'同時, 無論是大的產品還是小的產品, 有屏幕還是無屏幕的, 人機交互相關的共性東西, 應該把它提取出來, 並且固化下來, 從這個意義上講, 晶片是最恰當的方式. 我們這款晶片可以說是第一款面向IoT人機交互場景的AI晶片' . 黃偉說到, 從商業的角度看, 目前市面上所有的晶片, 並不是針對人工智慧來設計的, 它很難把演算法的威力發揮出來.
此外, 大家採用的模組組裝的模式, 好處是能夠快速出貨, 但因為受限於成本, 很多時候只能選擇市面上計算能力比較差的晶片, 而東拼西湊之後會出現良品率低等問題.
所以, 雲知聲的做法是, 從演算法公司的角度出發做終端晶片, 它並不需要有特別高的計算能力, 打造出一個夠用的晶片, 他們認為做得再多的話, 成本, 功耗等各方面都是浪費. 而且他們的晶片選擇對計算進行加速, 對演算法加速意味著你對它的能力做了限制的, 而對計算加速就是 '練內功 '.
黃偉強調, 最重要的是晶片的定位, 而不是跟風. 想清楚未來的生態是什麼?客戶在哪裡?因為晶片是高投入, 高風險的行業.
AI的浮躁時代已經過去 2018年將出現 '分水嶺'
黃偉在朋友圈談到, '年紀大了, 最近經常半夜醒來' , 面對記者, 他坦言也有創業維艱的原因, 作為創業者需要面對來自投資人, 客戶, 員工, 市場等等方面的責任, 時不我待, 他不能止步不前.
智能硬體行業經曆了, 過去兩年的浮躁期, 開始回歸理性, 黃偉認為, 2018年將是行業的 '分水嶺' , 大家開始關注落地, 有能力的公司開始釋放勢能, 而對於沒有先發優勢的公司來說, 如果你沒有顛覆性的東西, 就很難再獲得投資人和市場的關注了, 因為時間窗口已經過去, 而在人工智慧行業的幾個主流賽道裡面, 都誕生了獨角獸, 所以的資源都將向頭部公司傾斜.
'通俗的講, 過去幾年你還可以靠吹牛拿投資, 但今年開始就沒那麼簡單了, ' 黃偉說到.
對於人工智慧行業以及人機交互如何發展的問題, 他談到, 人類的交互主要依靠耳朵和嘴巴, 視覺可以讓我們看到更多的展示內容, 語音可以讓我們主動表達, 二者缺一不可, 互為補充, 所以, 語音和映像一定是未來的主要交互方式, 鍵盤輸入或者滑鼠輸入, 本質上是違反人性的, 未來手機不見得是我們的必需品.
根據調研機構GfK的數據, 2015年中國智能音箱零售量只有1萬台, 2016年增至6萬台, 2017年1--8月共累計銷售超10萬台, 而隨著2017第三季度眾多新品的推出, 僅在2017年8月, 智能音箱市場就達到了同比178%的增長率.
交互革命已然來臨.
當然, 公眾對於人工智慧還存在質疑的聲音, 最近優步自動駕駛致行人死亡事件鬧的紛紛揚揚, 引發大家的恐慌心理, AI威脅論再次被大家熱議, 對此, 黃偉提醒, 技術應該安全第一, 在科技進步和人類生命安全之間, 毫無疑問後者更為重要. 財經新聞網