1.物事のインターネットがAIに会うとき。
SADAシステムは、大規模なIT業界の市場調査の最近の専門経営者によると2018年の人工知能（AI）と物事（IOT）のインターネットでは、新技術の事業投資の最も重要な分野になっていることがわかりました。
調査対象の500人のITスタッフのうち38％がAIが企業投資の主な焦点であり、Things of Internetは31％であり、ブロックチェーンは10％に基づいていると述べています。通常、機械学習（ML）モデルを訓練するために巨大なデータを生成します。
調査対象企業では、AIよりも物事のレイアウトとより、業界のためのものとエッジ・コンピューティングの（エッジ・コンピューティング）のステージより安定し、これは基本的に機械学習の精度を向上させるために利用可能に聞こえるされ、AIが不可欠になってきました前提条件。
画像認識能力/図：ケンブリッジ大学
AIの企業も、むしろ、ビジネスリーダーの重要なタスクのためのガイドに適切なビジネスに投資する方法をロード、AI言及したノンストップの研究。CIO外国メディアなどの学術機関より、究極の実現投資を作りたいです。
また、今日の時代の背景には、AIを実行するコストと難しさも大幅に「サービスとしてのプラットフォーム」だけでなく、削減にも普遍のデバイスを作る（のPaaS）企業のコンピュータートレーニングの企業に多くのデータを提供することができます（相互運用性）改善の程度さらに、多くの成熟した機械学習ライブラリおよびAPIによって、AIを入力するための閾値が減少しました。
AI技術と新しいもののサポートが来ると、組織は重要な発展に準拠している必要があり、無期限につながっているスコープクリープ時間の開発サイクルを防ぐ。時間のマイルストーンの期間を達成するために、才能を保持することがますます必要となってきています。
機械画像認識能力/チャート：ケンブリッジ大学
新技術のニュースの周りと呼ばれるSADAとは、企業が新しい技術に投資する方が喜んでつながりますが、セキュリティとプライバシーは技術開発に後れを取る傾向があり、新技術への投資は心配所有の洪水の安全でなければならない、SADAは、企業がようであると考えています新興テクノロジーのパイオニアになりたいのであれば、新興テクノロジーの安全性テストを無視することはできません。
2018年オックスフォード大学からの報告では、研究者がいる限り欠陥があるとして、道路、AI技術を述べた重要な安全性試験を無視した場合、それは、機械学習のワークフロー効率を損なうだけでなく、ビジネスの操作を危険にさらす可能性がありセックス、私はそれを得ることはないと思う。
昨年からすでにブロック鎖は、科学技術へのメディアの注目を集めたが、それは投資事業のものとAIの面で遅れている。より多くの企業が将来的にブロックチェーン技術や実用的な例成功を共有し始めるとこの分野への投資は、物物やAIのインターネットと競合することが予想されます。
AIの通訳の歴史
アジアのための2018年ボアオフォーラムでは、主要議題に加えて、最も顕著なホットスポットの導入は、リアルタイム人工知能会議の最初の話し言葉の翻訳である。しかし、以前のAIがなかったが気まぐれに「リアルタイム通訳業界をしてみましょう宣言この行はまた、長い時間のためにご飯を食べることができるようです、私たちは、逆に」、翻訳に重大な過ちの結果、失業の脅威に直面しようとしている、実際にリアルタイム通訳はほっと採用します。
第11章で説明した「聖書旧約聖書創世記」、大洪水が退いた後、この人間世界はノアの息子たちは、人間が協力し始めたときに、同じ言語を話し、バベルのバベルの塔と呼ばれるビルドタワー神は世界中の人間が別の言語を持つようになった、人類はもはや団結協力してみましょうしないようにします。動きは、神を警戒。バベルは、言語の違いも最大の人間のコミュニケーションになったときの計画は、失敗に終わった作られました障害物が。おそらく血はまだバベルの塔を再建の夢にしたいので、翻訳が進化する中で歴史の年の過去数千人の上に人の文化的なプロジェクトの焦点となっています。
言葉の壁は、同じ概念を理解するために特にクロス言語に、破ることは容易ではない。、196 BCで製造された人間の歴史の中でクロス言語対訳コーパス初めて、ロゼッタストーン（ロゼッタストーン）古代エジプト、古代ギリシャや地元の人気キャラクターの両方を使用して、上記、古代エジプトの王を記録するプトレマイオスVは王位の勅令を上昇。これは翻訳の主要なマイルストーンです。
ルールベースの機械翻訳
ソース機械翻訳については、戻って1949年にさかのぼることができ、情報理論の研究者ウォーレン・ウィーブは、正式に機械翻訳の概念を提案した。5年後、つまり、1954年に、IBMは、ジョージタウン大学と共同で、世界初の機械翻訳を発表しました。 IBM-701、それは実際には、法律規則の6つの規定のほか、250個の単語のみ構築されている偉大な体を持っているのに。英語にロシア語を翻訳することができます。しかし、そうであっても、これはまだ主要な画期的な技術であります人間が考え始めたとき、私たちはすぐに言語の壁を破ることができるはずです。
1964年、アメリカ科学アカデミー（American Academy of Sciences）は、自動言語処理諮問委員会（ALPAC）を設立し、2年後に委員会に出席した報告書では、機械翻訳は投資を続ける価値がないと考えられています。なぜならこの報告書は、米国が今後10年間に機械翻訳の研究をほぼ完全に停止させたためです。
IBMの最初の翻訳機の誕生から1980年代にかけて、当時の主流技術はルールベースの機械翻訳でしたが、後で辞書を使って単語を直接翻訳する方法もありました。しかし、正直言って、結果は非常にイライラしていることが判明しました。それは馬鹿に見えます。
なぜ言語はルールを適用できないのですか？言語は非常に複雑であいまいなシステムなので、すべてのルールを使い果たすことは不可能ですが、興味深いことに、自然言語の多くの革新会社は、まだ徹底的なルールで中国の意味論を解決しようとしていますが、この考え方は間違いなく失敗に終わります。
私は、規則が実現できない理由を説明する例を挙げます.2つの言語による翻訳の複雑さは言及しません。中国の観点からは、速達の概念は速いです。何種類の教えが考えられますか？ 10種類、100種類？これまでに行った自然言語の統計によると、合計で3,600種類の教えがあり、この数は時間とともに増加するはずです。複雑なルールのシステムでは、翻訳を使用すると、規則の量が驚くほどの天文学的数字になることが懸念されます。したがって、ルールベースの機械翻訳の考え方は昨日の黄色の花になります。
インスタンスベースの機械翻訳
全世界が機械翻訳の低段階に陥っている一方で、機械翻訳に強く執着する国があります。日本は英語能力が低く、機械翻訳に対する厳しい要求があります。
京都大学教授長尾真がベース機械翻訳を提案し、我々は、我々は正確に文と一致していなくても顔には、文章の十分な数を維持している限り、最初から機械を停止し、翻訳したいですまた、文章と比較することができ、翻訳は限り言葉の交換が可能と同じではありません。もちろん、これは、それが何の問題が発生することはありませんどのように多くの巧妙なルールベース機械翻訳よりもナイーブではありません。しかし、長い前に、人類はバベルの塔を再構築したいと考えています再び夜明けを見ているようだ。
統計機械翻訳
爆発し、統計的機械翻訳のブームやIBMは、1993年に発行した「機械翻訳の数学的理論」の論文に統計モデルが「IBMモデル1」と呼ばれる、言葉に5台で構成されて提案された「5 IBMモデル。」
アイデア統計モデルは確率の問題として翻訳されています。基本的には対訳コーパスを使用する必要があり、その後、文字通りの統計。マシンは、英語の「知識」とは何であるかを知らなかったが、コーパス統計のほとんどの後、あなたは見つけるでしょう。例えば、ものの知識を持つ文章があれば、対応する英語の例文に「知識」という単語が表示され、辞書や文法の規則が手動で維持されなくても、機械は単語の意味を理解することができます。
この概念は、最も初期のウォーレン織りは、同様の概念を提案したが、十分な時間と対訳コーパスがない弱すぎると、限られた容量の計算だったので、何の実装が存在しないので、新しいものではない。現代の統計的機械翻訳からここで、「現代のロゼッタストーン」を意味見つけるために、国連決議や発表は、個々の加盟国の言語バージョンがありますので、？実際には、最も重要なソースは、国連ですが、それ以外は、あなた自身の対訳コーパスへを作りたいです今、人間の翻訳のコストは、このコストが驚くほど高いことを知ることに変わります。
過去十年間で、我々はそれを聞くために、統計的機械翻訳に基づいており、Googleの翻訳に精通している、誰もが明確な統計翻訳モデルがないみんなの印象でバベルの大きな原因の成果は、機械翻訳がちょうどで停止されなければなりません「有用」ではなく「有用」の程度。
ニューラルネットワークの機械翻訳
ここでは「深い学習」 - 2014年に、機械翻訳は、最も革命的な変化の歴史の中で幕を開けました！
ニューラルネットワークは、実際にはニューラルネットワークの発明は、80年前にあったが、2006年にジェフリー・ヒントン（神の最初の3つの大深度調査）は、ニューラルネットワークの最適化致命的な欠陥を改善するのでは遅すぎる、深い学習が継続する、新しいものではありません奇跡的な成果の様々なを伴って頻繁に2016 ;.人間の画像認識を越えて初めて、2015年に私たちの生活の中でマシンを表示され、アルファGoがチェス世界チャンピオンを破った; 2017年、人間の音声認識速記者よりも、2018年、人間の理解を超えた初めての英語読みマシン。この分野ではもちろん、機械翻訳だけでなく、ために深さと、このスーパー肥料繁栄を学び始めます。
2014年の深い学習神のYoshua Bengioは、機械翻訳のための深い学習技術の基本構造を初めて確立しました。主にシーケンスベースのリカレントニューラルネットワーク（RNN）を使用して、この記事では、Googleが大量の火薬と大神の恵みを提供した直後に、2016年にGoogleが正式に発表したすべての統計的機械翻訳は棚卸しではなく、ニューラルネットワーク機械翻訳は現代機械翻訳の絶対的な主流となった。
Googleの機械翻訳ニューラルネットワーク最も顕著な特徴は、注意のメカニズム（注意）を含めることで、注意メカニズムは、実際に人間の翻訳をシミュレーションして、最初に再び上の目を使用し、その後、セマンティクスを確認するために、いくつかのキーワードをピックアップします「英国 - フランス語」に「 - 英国」、「英国 - 西」複数の言語など、前とエラーレートプロセス（図2）実際にGoogleは、と宣言した後、注意のメカニズムは電力サージを祝福があります。 60％の減少に比べて統計的機械翻訳システム。
既存の対訳コーパスによるニューラルネットワークが学習し、理解し、文の微妙な言語機能を、それは完璧ではないことができますが、最大の問題は、コーパスから来て、それを理解することは困難であるとブラックボックスのようなの多くを取る。それはあっても、あります間違ったを変更する方法がないため、我々は唯一の「深い学習」が正しい。したがって、同じ文を作るために、より正確なコーパスを供給することができますが、非常に異なる翻訳を持つことができます。
2018年2月、マイクロソフトは、人類を超えて機械語を理解するための新たな動きを見せました.3月14日、Microsoft Research AsiaとRedmond Research Instituteの研究者は、R＆Dマシン翻訳システムがNewstest2017設定されたテストの英訳に設定されたテストのニュース、人間翻訳と同等のレベルに達することができる。当然、このニューラルネットワークは偉大な勝利の機械翻訳である、もちろん、アーキテクチャの革新をたくさん持っている、の最も顕著なこれは、デュアルラーニングおよび審議ネットワークと連携しています。
限られた対訳コーパスの問題を解決するためのデュアル学習は、一般的には、学習の深さは、機械の答えに提供されなければならないので、マシンはその翻訳と修正の回答との差に基づいてのことができるようになります改善を持続。精査ネットワーク用としても、人間の翻訳の過程を模倣します通常、人間の翻訳者は最初におおまかな翻訳を行い、正確な翻訳結果に合わせてコンテンツを調整します。実際には、ニューラルネットワークがどのように賢明であっても、表面上最もスマートな生き物を参照する必要があります。人類のために。
文脈から言語を使用することはできません
機械翻訳の開発は、それは、Microsoftのプレゼンテーションは、「英語翻訳テストセット、」データセットの「ユニバーサルテストセットNewstest2017のニュースレポート」を強調したことに留意されたい。翻訳専門職の未来は食べるために食べ物もないことを意味するものではありません優れたパフォーマンスは普遍性と同じではないかもしれません。なぜならTencentの翻訳者Jun Mingmingは良い評判を持っていますが、なぜBoaoのリアルタイム解釈が不正確なのかを説明することができます。
翻訳通訳を言うことができるリアルタイムタスクの集大成である、我々は原文の公聴会の正しい理解するだけでなく、他の言語のための限られた時間のための変換を持っている必要があります。そして、翻訳、音声認識とその均等のを待つために任意の時間を与えることはありませんスピーカーを忘れないでください機械翻訳は、その場での雑音、話者の表現、モーダルワードの介入などと共に同期して処理されなければならず、そのすべてが機械によって誤判定を引き起こす可能性がある。
私の見解で、6月テンセントの翻訳では、ちょうど十分に懸命に働いていないことがポイントと非難することができ、我々は固有名詞「高速道路やベルト」が起こるだろう、キー入力、入れませんでした「古典的な間違いを。」
図3からも見ることができる興味深い違いで、なぜ西は紛れも間違った機械翻訳、機械翻訳、しかし、国が意図を習得することはほぼできているでしたか？人間の言語が使用シナリオが存在して離婚することはできませんので、それはある。我々は、多くの場合、言語を学ぶこと私たちの過去の文化から来ているコンテキスト（文脈）に重点を置いて、過去の思い出提起がある。唐は、Googleが自然にこの詩の本質を理解することはできません読んでいない。言葉の壁は、ヒト人工知能の最後の時代になり、なぜなら人間の使用のために言語は絶えず変化するでしょう。これはマシンの非常に難しい代替物です。
技術の進歩、1日としては、機械翻訳は「便利」に「劣化」から変更され、その後に進化し、「簡単な。」しかし、私の引数は常にあったように、機械は人間の仕事を奪われることはありません、許可実際には唯一の私たち自身、人間の失業者。どのように仕事の退屈な退屈から身を撤回する、独自のツールになるために人工知能を駆使する、これが将来に直面する正しい姿勢である。新しい電子
3.AI、大きなデータと個人のプライバシーの激しい戦いはちょうど始まったばかりです。
最も最近のホットな話題は、それは中国が積極的に組織化さエキスポ2018の数を含む非ビッグデータ、ほかなら、最も重要なことは、大規模データのデータを収集することである、としなければならないではありませんが、EUは、一般的なデータ保護規制（GDPR）、カンザス州を発表しましたこれまで最も厳格な個人情報保護法であると主張し、大規模なデータ開発や個人データに関する紛争も起こしました。
ビッグデータが効果的なデータになる理由は、データを収集して分析することであり、より多くのデータを分析し、有用なデータにすることができます。
しかし、データのソースが、すべての人の唇には、ナショナリズムでは、かなり迅速にデータへの政府を中国で最も明白である政策、中国の開発を行うために国をできるように彼らの個人的な利益を犠牲にすることを強制することがあるようです多くの計画の方針、さらにはいわゆる貧困削減、貧困など、ビッグデータと同じように、すべての問題が問題ではなく、ビッグデータの多くは、実際には、国の個人のプライバシーを重視し、個人データの権利を、犠牲にパーティーしている、それがあります不可能なもの。
台湾の企業の発展の方向はまだ最も急速に成長している鴻海、本番データの40年間でほとんどが大規模な工業データ、に集中している、鴻海が最大の利点ですが、また台湾の発展に大きなデータを配置する機会を持っています。
あなたがビッグデータとして、中国本土と台湾を開発したい、と人々のプライバシーの分野に関連している場合でも、基本的には、多くの再発性の問題、ちょうどレコードをETCであり、それはおそらくについてはもちろんのこと、プライバシーの侵害につながりますビッグデータが直接個人のプライバシーに関連して、エンド大活躍中のデータは、公共の利益と個人のプライバシーのバランスの上に引っ張るために継続する必要があります。クイヘンネットワーク
4.エッジノードへの推論ビデオ/音声アプリケーションは、それぞれ空の半分を占めます。
2018 AIoT（AI + IOT）市場は驚くべき成長している、さまざまなデバイスの開発を促進するだけでなく、深い学習機能を促進するために低遅延、低帯域幅、高プライバシーと人工知能の高効率化を達成するために、クラウドへの転換のエッジで動作アプリケーションの経験
人工知能（AI）では、近年のエッジ（エッジコンピューティング）技術を民生用電子機器や家電革命的な変化が徐々に行われる予定も含まれるスマートホームの概念の様々な急速な発展を動作させる。最後に、様々な家電製品からなる人工知能ネットワークは、おそらくあなたになり、私は他の家族を見ることができません。ローカルクラウドおよび関連機器の概念、必要不可欠な家のための人工知能ネットワークの要素となります。
スマートなスピーカー/モニタリングは、消費者のAIの2つの主要なスピンドルになる
トレンドと組み合わせて、消費者の技術の研究者ローナン・デ・レネッセの開発を追跡するための責任調査会社Ovumの民生用電子機器の分野でのAIのアプリケーションは、2年近くが頻繁にメディアの注目の焦点となっていること（図1）が、家電やAI、今だけただ今後3〜5年以内に開発を始め、多くの家電製品は、ネットワーク内のAI機能が装備され、相互にリンクされます、人工知能の家族。
図1卵子民生技術の研究者ローナン・デ・レネッセは、様々な電子機器における家族の未来は、目に見えない家族の新しいメンバーになるだろうと考えています。
ハードウェアチェーンの場合、この傾向は、多くの新たなビジネスチャンスをもたらすでしょうが、ビューのより高いレベルの観点から、これは静かに自宅で人工知能ネットワークを入力した場合、あなたは私は別の「家族を見ないだろうが、メンバー。 "
ハードウェア側では、おなじみのスマートスピーカーの売上高が大幅に伸びがあるだろうが、基本的には、比較的成熟した製品ですが、成長して強度が徐々に今後5年間で遅くなります。場合は、推定2022グローバルスマートスピーカーほぼ$ 9.5億の売上金額。実際には、レネッセは、製品自体は、このような利益率ではありませんので、Googleとアマゾン（アマゾン）は、おそらく、将来的にはスマートスピーカーの独自のブランドを立ち上げるないと考えている、これらの二つのホームネットワークの巨人の場合、ハードウェアベンダーがプラットフォームサービスを使用している限り、必要なユーザーデータを収集できます。
インテリジェントなスピーカーは、いわゆるスマートホームの監視製品を提示し、実際には、ない人工知能コンポーネントが、より同期間中は、自宅インテリジェントな監視システムの変化は、このような製品がより明白になり、カメラ、アラーム、ロック、センサーとその他のハードウェア製品がサポートイベントトリガのセキュリティシステム（イベントトリガー）機能を形成するために相互に接続されています。しかし、関連するハードウェアおよびソフトウェアの技術が高度化しているとして、人工知能を搭載した未来の家庭用監視カメラの割合がますます高くなるだけでなく、よりを達成するために音声アシスタントの使用などのアプリケーションは、マルチユーザー環境で複数のユーザーにさらに正確なサービスを提供します。
AIアプリの消費者プライバシー保護
しかし、ハードウェア業界にとって、最も注目すべき点は、自宅の機器が一般的にAIをサポートしているため、ローカルクラウドと関連アプリケーションのコンセプトが採用されるということです。大量のユーザデータを生成することが多く、その多くは個人のプライバシーに関連するデータなので、人工知能を備えた家電製品が外部クラウドに完全に依存して動作していると、明らかにプライバシーの問題が発生します。
一方、多くの機能が比較的単純なものの民生機器、電力により、消費電力を計算し、生産およびその他の条件のコストは、非常にハイエンドのAIアルゴリズムをサポートすることができないかもしれない。このとき、ローカルクラウドデバイスは、脳の役割を果たします、これらのデバイスを一律に注文する。
しかし、Renesseは、地元のクラウドセンターをどのデバイスが再生するかを主張するのは依然として難しいと認めており、高次のスマートスピーカー、スマートTVなどの製品かもしれない。
ArmのシニアマーケティングディレクターであるIan Smythe（図2）は、将来的に端末に移動するコンピューティングと推論エンジンがますます増加すると考えています。この転送の主な推進力は、ユーザーのプライバシーを保護することです。 。エンド処理や解析作業により、データを簡単に匿名ですることができ、機密データをネットワーク経由で開示されないことを確実にするために。家族のアプリケーションは、例えば、消費者が望んでいないネットワークからの誰かが彼の家族はなかったことを学びました人々の時間、そして簡単に家で盗むことができます。
図2 ArmのシニアマーケティングディレクターのIan Smythe氏は、消費者向けのAIアプリケーションでは、プライバシー保護メカニズムが信頼できるかどうかは、アプリケーションを普及させることができるかどうかの鍵となると述べています。
視覚的なアプリケーションのために、Smytheは、視覚認識をサポートするカメラは本質的に重要なプライバシー問題と考えています。これらのデバイスは、ローカルに保存したりクラウドに送信したときに保護できるように設計する必要があります。プライバシーと機密情報：通常は無線で接続されているため、無線伝送機能のセキュリティに特に注意を払う必要があります。デバイスを設計するエンジニアは、ネットワークに接続されたデバイスがハッキングされていないことを確認しなければなりません。
バッテリ寿命は依然として主要な技術課題です
しかし、AIノードの瀬戸際に、最大の技術的課題は依然としてシステムの消費電力である。消費者の監視カメラには、例えば、消費者はこれらの製品は、完全にワイヤレスです期待することがあり、それが最高ではないにしても電力線でありますつまり、これらの製品はバッテリ駆動で、ワイヤレスネットワークをサポートする必要があります。また、すべてのアイテムを識別できる必要があり、無制限のストレージスペースが必要です。
上記のシステム設計のための課題の多くを要求し、それが機械学習（ML）の連続充電バッテリ容量、およびクラウドストレージへのチップ設計とシステムコンポーネントのこれらの極端なケースをファイルをアップロードし続け能力を実行するために数ヶ月を必要とすることができます要件は非常に厳しいものですが、最も重要なことに、これらの機能のオーケストレーションを有効にしてバッテリ寿命を延ばすことができるようになったのは、
自宅の監視カメラの場合、カメラは部屋の中で24時間ビデオを送信する必要はありませんが、未確認の人がいる場合は画像の一部をアップロードするのが妥当で、同じ方法で空室のようなシーンが変わらない場合です。 MLアルゴリズムを有効にすることは意味がありません。これらの機能がどこで有効になっているかを慎重に調整して、コンシューマ機器が2本の単三電池だけで予期したモードで動作し、長期間使用できるようにします。
消費電力は、端末装置に駐留AIへの主な障害の一つであるので、しかしまた、チップを支援するために、市場に低電力ニューラルネットワーク（NN）加速器シリコン知的財産（IP）を起動する機会を発見してきた多くの家庭のスタートアップがあります消費電力を低減するだけでなく、パフォーマンスに必要な推論アルゴリズム抵抗インテリジェント（Kneron）を満たすようにしながら、開発者が正式にニューラルネットワークプロセッサ（NPU）シリーズをリリースしました、端末装置を設計した人工知能のための専用プロセッサであり、 IP。家族は3つの製品、KDP 300の、すなわち超低消費電力版で構成され、標準版KDP 500と同様に、KDP 700の高性能バージョンは、スマートフォン、スマートホーム、インテリジェントなセキュリティのアプリケーションだけでなく、物事のさまざまなデバイスを満たすためにKernon NPU IPは、消費電力が小さく、サイズが小さく、パワフルなコンピューティング機能を提供します。市場の人工知能向けプロセッサの消費電力とは異なり、100ミリワットを消費します。 （mW）クラスは、スマートフォン用の顔認識専用のKDP300では、5ミリワット未満を消費します。
アプリケーション耐性製品マーケティングマネージャ兼Shiya倫（図3左側）は、電力と性能の要求を満たすことは主要な考慮事項であるが、端末装置人工知能動作を行うことが、指摘することができるので、個々の用途のために最適化されたソリューションの導入は、重要です...人工知能の現在のアプリケーションが広く、映像、彼らは自然言語解析における異なる強調音声アプリケーションを使用するニューラルネットワークアーキテクチャと音声の二つの主要なカテゴリに分けることができ、主流のネットワークアーキテクチャは、リカレントニューラルネットワーク（RNN）です。画像解析に使用される主要なネットワーク構造は、畳み込みニューラルネットワーク（CNN）である。異なるネットワーク構造を最適化するために、その能力によって提供される解決策は異なる。
シェン明豊（右図3）クマは自然言語解析チップの演算性能のための需要減が、ソフトウェア設計マネージャを補完することができますが、理由は言語の音の、スピーチの習慣は大きな食い違いがあり、そのためモデルのトレーニングデータセットすることが必要一方、ビデオ認識よりも、消費者はすでにApple SiriやGoogle Assistantなどのクラウドベースの音声アシスタントを使用することに慣れているため、オフラインセマンティック分析アプリケーションは消費者に好まれています。前提条件は、限られたコンピューティングリソースの下で同様のコンシューマーエクスペリエンスを提供する必要があるということです。これはチップベンダーやシステム開発者にとっての課題です。
3匹のクマは、マーケティングやプロダクトマネージャーShiya倫を適用することができます（左）を満たすためにさまざまなソリューションに依存する必要があり、画像認識との声が自然の中で非常に異なっていると考えています。シェンミン風水は、右のソフトウェアは性設計管理することができます。
実際には、インテリジェントなスピーカーの大半は、エッジコンピューティング製品とはみなされない。Shiya倫は関係なく、エコー、AppleのHomePodにまたはスマートスピーカー百度、アリババのプラットフォームのアマゾン（アマゾン）の、ということを指摘し、またはしたいですバックセマンティック解析と処理のためのクラウドへのデータ、ユーザーに対応するためには。音声操作がルール採用のモード（ルールベース）の最も基本的には、最終製品上で直接実行、および機械学習の自然な意味理解に基づくものではないことができます。
2016のクマは、同社の第1の端末装置固有のAIプロセッサNPU IPを起動することができますので、そのデザインや仕様を改善し続け、そして異なる産業用アプリケーション向けに最適化されている。現在利用可能ではIP、KDPで始まる顧客にシステムを使用して500人の植物のお客様がされている第二四半期の製造業（マスクテープアウト）で大量生産になります。捜索犬の協力を得て音声認識はオフラインセマンティック解析を達成しているので、端末機器がネットワークに接続されていない場合でも、だけでなく、ユーザーの音声指示を理解できます。
Kneron NPU IPはオフライン環境における端末装置は、あなたがResNetを実行できるように設計された端末装置のための人工知能プロセッサを専用されている、YOLO他のディープラーニングネットワークが。Kneron NPUは、ハードウェアを含む、完全なエンド・AIのハードウェアソリューションでありますIP、コンパイラ（コンパイラ）、および圧縮モデル（モデル圧縮）三つの部分、例えばResnet-18、Resnet-34、Vgg16、GoogleNet、及びLenet、ならびに主流支持深い学習として主流のニューラルネットワークモデル、種々のを支援することができますCaffe、Keras、TensorFlowなどのフレーム。
Kneron NPU IPの消費電力は100mWでレベル、超低電力KDP 300のバージョンあるいは5mW未満、/ W以上、排他的な技術の数を使用することができるパフォーマンスワット当たり1.5 TOPSにおける製品のフルレンジでありますチップベンダー、低消費電力、高いコンピューティングパワーのシステムベンダーのニーズを満たす。
基本要素をロックするハードウェアアクセラレータは技術的な反復を恐れることはありません
硬化（有線）回路の消費電力を低減すること、特定のコンピューティングタスクの効率を向上させるために、年齢のためのチップ設計が、チップ機能のための低いアプリケーションの柔軟性、市場の需要のイベントにおける有意な変化のコストで、またはソフトウェアアルゴリズムが大幅に変更された場合、チップ設計者は新しいチップを再開発する必要があります。
市場のチップ機能に対する需要が主に決定されている状況では、この設計方法は問題ではないが、技術的反復が速い新興技術分野では、この設計手法を採用することは商業的リスクが比較的大きい。人工知能はほぼ毎年のモデルと新しいアルゴリズムが利用できる、非常に高速な熟練の繰り返しである。オープンAI調査会社は、過去6年間で、電力需要を計算するためのAIのトレーニングモデルは、月ごとに3.43を増加させることを指摘しましたタイムズ。
この点で、シェン明豊が指摘し、ハードウェアアクセラレータが何も弾性ではありません必ずしもではない。エネルギー製品への耐性、例えば、建築設計では、同社は大規模なコンボリューションカーネルのコンボリューションコンボリューションカーネル分割（フィルター分解）技術を使用しています別々に、次いで合わせた再構成可能なハードウェアアクセラレーション畳み込みが（再構成可能なコンボリューションが加速）畳み込み演算ブロックに分割した小ブロックの複数の技術、複数の小ブロック全体を加速するために融合される操作の畳み込み演算結果を算出します操作効率。
レゴは、オブジェクトを構築するために種々のパターンにまとめることができますが、オブジェクト自体は、まだいくつかの基本的なボックスからスタック全体であるように、理解し寓話が容易。抵抗エネルギープログラムはAIアルゴリズムのために不可欠です基本要素、アルゴリズムのことによりパフォーマンスの向上を促進し、さらに高速な更新AIアルゴリズム場合従って、溶液抵抗はまだ効果を促進するのに有用であり得ます。
アクセル自体に加えて、基本的な要素ではなく、全体的な外付け抵抗を促進する特定のアルゴリズムのために設計され、また、加速技術とAIのアプリケーションを提供するか、展開することができ、例えば、そのモデルの圧縮モデル（モデル圧縮）圧縮技術として最適化されていない置きます回数、階層的なメモリ記憶技術（マルチレベルのキャッシュ）は、CPUの負荷を軽減し、さらに加えて、全体的な運用効率を高めるために、データ伝送量を減らすことができ、Kneron NPU IPはKneron画像認識ソフトウェアを組み合わせることができ、リアルタイム同定分析、および高速を提供します。応答はより安定しているだけでなく、セキュリティとプライバシーの要件も満たしています。ハードウェアとソフトウェアを緊密に統合することができるため、ソリューション全体が小さくなり、消費電力も低くなります。
画像認識AIはエッジに向かってより緊急です
インテリジェントな話、この巨大な潜在的な市場のアプリケーションが、この賭けはあまり産業資源はあるものの全体的には、画像認識のための現在の市場の需要は、より緊急、オフラインの意味解析である。この現象の主な理由は、ということはイメージです伝送は大量の帯域幅を占有し、システム全体の所有コストが上昇します。音声にはこの問題はありません。
アンデス・テクノロジーゼネラルマネージャー林志明（図4）人工知能と結合物事の過程で説明したが、需要のコンピューティング技術導入エッジ・エッジ・コンピューティング技術を駆動するには、新しいアプリケーションのさまざまなに適用されますこの傾向の中で、柔軟性とスピードは台湾のメーカーにとって最大の利点です。台湾の企業やIC設計会社のほとんどは、人工知能市場を端から切り離す方が簡単です。
図4：Jingxin TechnologyのZhixin Linゼネラルマネージャーは、IPカムがエッジデバイスでAI推論を実行するための主なアプリケーションの1つになると予測しています。
同時に、原因インポートエッジコンピューティング技術だけでなく、メモリ、送信を強化するためにもたらすので、ハードウェア要件に、製造コストを著しく押し上げるだろう。による画像相関にシステムオンチップ（SoC）を、元々他のより複雑なアプリケーションに比べに、ためコスト・トレランスも大きいので、エッジ・コンピューティング・テクノロジは、IPカムなどの画像関連アプリケーションによって最初にインポートされる予定です。
人工知能のアプリケーションは、大規模な操作の深い学習の過程では、短い時間はまだクラウドコンピューティングによって処理されます。エッジオペレータが作業を担当しています。トレーニングと認識を議論する2つのセクションに分かれ、収集した情報を吸引することができる最初にやりますその後、予備フィルターうち、重要でない情報後の処理、および輸送コストを節約するために、クラウドにデータをアップロードする。一方、完全なクラウド深度学習成果、よりインテリジェント端末の機能を識別することが可能である。IP CAMに例えば、画像の深い学習の作業は、まずクラウドコンピューティングで完了することができます。スタンバイ学習者が歩行者を認識した後、エッジのIPカムは識別作業のみを実行できます。
一方、アプリケーションの広い範囲でのポリシング、コミュニティの安全性のIP CAMによりによるものですので、政府と企業はまた、IPカムの理由のより急速な発展になり、投資をサポートするために比較的喜んでいます。
林志明シェアは、多くのメーカーが独自のシステムの中に人工知能チップをインポートする方法を模索している。現在の状況は、物事がちょうど我々はまだ2020年頃のメーカーと推定カットを、適用する方法を模索している、繁栄し始めたときに似ていますより多くの実際の製品を立ち上げます。
リアルタイムアプリケーションはエッジコンピューティングアーキテクチャを使用する必要があります
人工知能は時間の短い期間にもかかわらず。サプライチェーンのメーカーには小さな衝撃をもたらすません、徐々にエッジ・コンピューティング・アーキテクチャにクラウド・コンピューティング・アーキテクチャから転送され、今日ではホットな話題である人工知能ベースのクラウドコンピューティングを開発していきます、しかし、ビジョンアプリケーションに関する多くの人工知能機能はエッジをインポートし始めるでしょう。
ザイリンクス開発ディレクター（ザイリンクス）視覚的なインテリジェンス戦略市場デールK. HITT（図5）は、予見可能な将来において、AI開発トレーニングコンポーネントは、まだクラウドコンピューティングによって支配ことを指摘した。しかし、/ Deployのコンポーネント推論が始まりましたアプリケーション低レイテンシとネットワーク効率を必要とする種々のをサポートするために、操作のエッジを使用します。
5ザイリンクス開発ディレクター、視覚的なインテリジェンス戦略市場デールK. HITTと思いますが、非常に低遅延を必要とするアプリケーションのために、操作のエッジが最善の解決策になります。
学習に関連したマシンビジョンアプリケーションのためのエッジオペランド要素については、重要かつ遠大なトレンドの一つとなります。また、産業用マシンビジョンでは、スマートシティ、視覚分析とセルフドライブ市場は強いがあります成長の可能性。産業ビジョンの観点から、消費者用途では、原因算術エッジ機械学習アルゴリズムを実行するために、性能要件は、以前の世代の多くのプログラムよりも高くなっているためようにします。加えて、アルゴリズム/機能を学習エッジ機械はまた、急速に進化してきた、そして生活のため、すべての歩みあなたは、将来の最適化のための機械学習、推論の枠組みに、自分のハードウェアに適応する能力を持っている必要があります。
HITT自己駆動は、例えば、各車は、センサ支持背後に高度なアルゴリズムを持って知覚センサデータの出力から、結果の解釈を担当しています。最新のトレンドはしかし、出力に結果のこれらの認識の解釈を深く学習アルゴリズムを使用することで、可能なすべてのセンサーデータを読み取る方法を学習するために、深い学習アルゴリズムを多数の潜在的な状況を通してトレーニングする必要があります。
訓練の後、深い学習アルゴリズムは、車両を安全に制御するために、超低レイテンシーと高い演算性能を必要としている。電気自動車のために、あなたが使用温度範囲にも対応し、バッテリーのパワー半導体事業を拡張するために、低消費電力を使用する必要があります。目標は、高効率、低消費電力、適応可能なソリューションを提供して、自己駆動エッジAIのさまざまなニーズを満たすことです。
プロセスでは、開発のエッジで動作する最大の課題はあまりにも速く、市場のニーズの変化である、それは技術の急速な適応のさまざまな変更することができ、企業が競争力を維持することを可能にするために非常に重要です。
HITTがさらに持続的な進歩の急速な速度で学習アルゴリズムの深さを示し、2017年の大手ソリューションの多くは、同様の崩壊に直面してきた。他の人の多くは今も需要・コンピューティング、ハードウェアと一緒に、より大きな容量を持っているにもかかわらず最適化されたハードウェアを更新する必要が直面している中でも、いくつかのハードウェアの生産では、排除されることを避けるために、より速い速度で更新する必要があります。多くの選択肢が、元のチップを更新思い出す必要があります。
HITTサプリメントは、コンピューティング、メモリアーキテクチャ、およびハードウェアの深さの他の側面へのリンクを含むFPGA独自の利点を最適化することができ、低消費電力でより高い性能を達成するために最適化するCPUとGPUは、比較前の二つ一方ハードウェアアーキテクチャを新しい派生要件に迅速に最適化することはできません。
エッジ操作が圧倒的
AIアプリケーションは、非常に高い計算能力のサポートがありますが、それは推論の単純化したモデルに従って識別装置の正しさのエッジよりも一般的に高いですが、考慮に入れた後、プライバシーの問題、オンラインリアルタイム応答とコストやその他の要因、クラウドデータセンターの運用に依存していますデバイスのエッジに直接推論、まだ非常に魅力的なオプションである。一方、端末装置よりも大規模なクラウドデータセンターの市場規模、強力な経済的インセンティブがあります。これはまた、昨年AIoT叫びスローガンショックです価格は、積極的なレイアウトに半導体業界の主な理由を鳴らしました。
未来を見据えて、クラウドが完全にサポートしているAIアプリケーションはまだ市場に存在しますが、その割合は年々減少していますが、クラウドとエッジコンピューティングを組み合わせた新しいアーキテクチャが置き換えられます。その価値は、推論ではなくモデルの訓練にあります。このため、ソリューションプロバイダがアプリケーション開発者にとって「クラウド」と「エンド」のシームレスな統合を実現できるかどうかは、アプリケーション開発者になります。サプライヤーを評価する際の最も重要な考慮事項。
5.MIT卒業生は今月ブロックチェーン卒業証書を受ける
シーナ・テクノロジー・ニュース6月3日の北京の午後のニュースでは、ブロックチェイン技術により、MITの卒業生は学術的な履歴書をデジタルで管理することができます。
ラーニング・マシンは、マサチューセッツ州ケンブリッジにあるソフトウェア会社で、MITメディアラボと登録オフィスで働いており、ブロックチェーンの財布をダウンロードし、安全に保管し、卒業証書を共有することができます。
MIT Technology Reviewによれば、パイロットプロジェクトの初期成功後、MITは今月の新卒者すべてにブロックチェーンウォレットサービスを提供することに決めました。
メディア研究室の学習革新担当ディレクター、フィリップ・シュミット（Philipp Schmidt）は、「中央当局がすべての学習記録をデジタル方式で管理できるとは考えていない」と語った。
ブロックチェインフォームディプロマを開始する目的は、潜在的な雇用者が卒業証書の真正性を確認するために学校に再度電話する必要がないように、学生がタイムリーかつ信頼できる方法で学歴を取得できるようにすることです。
デジタルディプロマを希望する新卒者は、1つのアプリをダウンロードするだけです。
「卒業の前に、MITは学生に招待状電子メールを送ってくる。電子メールは、「こんにちはBlockcerts Walletをダウンロードし、パスワードを受け取り、出版社としてMITを追加する」と書いていた」Chris Jagers、 MITが卒業証書を発行すると、学生はアプリケーションに直接インポートできる電子ファイルを電子メールで受け取ることができます。