1. Когда Интернет Вещей встречает ИИ;
Согласно недавнему обзору рынка SADA Systems крупномасштабных профессиональных менеджеров ИТ-индустрии, искусственный интеллект (AI) и Интернет вещей (IoT) в 2018 году становятся наиболее важными областями для инвестиций в новые технологии.
Из 500 опрошенных ИТ-специалистов 38% респондентов отметили, что ИИ является основным направлением корпоративных инвестиций, а Internet of Things - 31%, а блок-цепь - на 10%. IoT подключенные устройства Обычно он генерирует огромные данные для обучения машинным методам (ML).
Среди обследованных компаний Internet of Things имеет больше макетов, чем AI, потому что IoT и периферийные вычислительные отрасли относительно стабильны на нынешнем этапе, и такая прочная основа может повысить точность машинного обучения и стать необходимой для AI. предпосылки.
Способность распознавания изображений / рисунок: Кембриджский университет
Компании также хотят сделать инвестиции ИИ окончательно осуществимыми, а не постоянными исследованиями академической организации. Специалист по информационным технологиям иностранных СМИ также поставил вопрос о том, как сделать инвестиции AI ориентированными на правильную коммерциализацию и важную задачу для бизнес-лидеров.
Кроме того, в эпоху нынешней эпохи стоимость и сложность работы ИИ также значительно сократились. Мало того, что компания «платформа как услуга» (PaaS) предоставляет компаниям больше данных для обучения компьютерам, а также делает оборудование универсальным. (Взаимодействие). Степень улучшения. Кроме того, большое количество зрелых библиотек обучения машин и API уменьшили порог для ввода ИИ.
С появлением новых технологий, поддерживающих ИИ и Интернет Вещей, бизнес-организации должны придерживаться централизованного развития и препятствовать распространению шкал времени с неопределенных циклов развития. Для достижения вех все более необходимо сохранять талант.
Возможность распознавания изображений в машине: карта Кембриджского университета
SADA также призывает, чтобы новости, связанные с новыми технологиями, заставили компании более охотно инвестировать в новые технологии, но безопасность и неприкосновенность частной жизни, как правило, отстают от развития технологий, и инвестиции в новые технологии, безусловно, будут скрыты от проблем безопасности. SADA считает, что компании, подобные Если вы действительно хотите стать пионером в новых технологиях, то вы не можете игнорировать тестирование безопасности новых технологий.
В отчете Оксфордского университета в 2018 году исследователи отметили, что если есть лазейка в технологии ИИ, эффективность рабочего процесса машинного обучения может быть подорвана, и деятельность предприятия может оказаться под угрозой, если пренебрегать важностью тестирования безопасности. Пол, боюсь, я этого не сделаю.
Блокчаин долгое время привлекал большое внимание со стороны технических СМИ с прошлого года, но он отстает от Интернета Things и AI с точки зрения корпоративных инвестиций. Поскольку все больше и больше компаний начинают делиться успехами технологии blockchain и практических приложений, будущее Ожидается, что инвестиции в эту область будут конкурировать с Интернетом Вещей и ИИ.
2. История переводчиков ИИ;
На Форуме Боао для Азии в 2018 году, помимо основной повестки дня, самым ярким моментом стало введение искусственного интеллекта для разговорной речи в режиме реального времени на собрании в первый раз. Однако искусственный интеллект не появился в оригинальной «оперативной интерпретации в режиме реального времени». Перед лицом угрозы неминуемой безработицы, наоборот, результат перевода серьезных ошибок, наоборот, облегчил переводчиков в режиме реального времени. Кажется, что эту линию можно долгое время есть.
В главе 11 Библии Ветхий Завет, Бытие, после Великого Потопа, отступили, люди этого мира были потомками Ноя и говорили на одном языке. В то время человечество начало сотрудничать и строить башню под названием Вавилон. Башня Башни. Этот шаг предупредил Бога, поэтому Бог позволил людям в мире начать иметь разные языки. С тех пор люди не смогли работать вместе. План строительства Небесной башни закончился неудачей, а языковые различия стали крупнейшими Препятствия. Возможно, в крови еще есть мечта о восстановлении Вавилонской башни, поэтому перевод стал ключевым культурным проектом для непрерывной эволюции человечества за последние тысячи лет.
Лингвистический барьер не так легко сломать. В частности, необходимо понять одну и ту же концепцию на разных языках. Впервые в истории человечества параллельные параллельные корпуса были созданы Розеттой Стоун, сделанные в 196 году до нашей эры. Древнегипетский язык, древнегреческий и местные разговорные тексты были использованы для записи выгравированных писаний короля Птолемея из древнего египетского короля. Это также важный этап в переводе.
Механический перевод на основе правил
Что касается происхождения машинного перевода, который датируется 1949 годом, исследователь теории информации Уоррен Уив официально предложил концепцию машинного перевода. Пять лет спустя, в 1954 году, IBM и Джорджтаунский университет в Соединенных Штатах объявили о первой в мире машине для перевода. IBM-701. Он смог перевести русский язык на английский, не говоря уже о том, что у него было огромное тело. На самом деле у него было всего шесть правил грамматики и 250 слов. Но даже в этом случае это был серьезный технологический прорыв. В то время люди начали ощущать, что они могут быстро сломать стену языка.
Возможно, что Бог заметил что-то другое и вылил ведро с холодной водой по плану реконструкции человека Вавилонской башни. В 1964 году Американская академия наук учредила Консультативный комитет по автоматической обработке текстов (ALPAC). Два года спустя в Комитете В представленном отчете считается, что машинный перевод не стоит продолжать инвестировать, потому что этот отчет заставил Соединенные Штаты почти полностью прекратить изучение машинного перевода в течение следующих десяти лет.
С момента рождения первой переводной машины IBM до 1980-х годов технологическим мейнстримом в то время был машинный перевод на основе правил. Наиболее распространенным методом было прямое перевод слов в соответствии со словарем, хотя некоторые люди позже предложили добавить синтаксические правила для их исправления. Но, честно говоря, результаты оказались очень расстраивающими, потому что это выглядит глупо. Поэтому к 1980-м годам такая практика исчезла.
Почему языки не могут применять правила? Поскольку языки являются чрезвычайно сложными и неопределенными системами, от двусмысленности слова до риторики, невозможно исчерпать все правила. Но интересно, что многие последние нововведения на естественном языке Компания, все еще пытающаяся решить китайскую семантику с исчерпывающими правилами, но эта идея, безусловно, закончится неудачей.
Я приведу здесь пример, объясняющий, почему правила не осуществимы. Не говоря уже о сложности перевода на двух языках. С китайской точки зрения концепция экспресс-доставки быстро. Сколько видов учения вы можете придумать? 10 видов или 100 видов? Согласно статистике естественного языка, которую мы уже делали раньше, в общей сложности может насчитываться 3600 видов учений, и это число должно увеличиваться со временем. Предложение с такой простой концепцией может быть таким Для сложной системы правил, если вы используете переводы, я боюсь, что количество правил будет удивительным астрономическим числом. Поэтому основанный на правилах подход к машинным переводам ушел в прошлое.
Механический перевод на основе экземпляров
В то время как весь мир попал в низкую фазу машинного перевода, есть страна, которая имеет сильные навязчивые идеи для машинного перевода. Это Япония. Японцы плохо владеют английским языком и поэтому имеют сильный жесткий спрос на машинный перевод.
Профессор Нагао Шинрецу из Киотского университета в Японии предложил примерный машинный перевод, т. Е. Перестать думать о том, чтобы позволить машинам переводить с нуля. Нам нужно только хранить достаточное количество примеров. Даже если мы сталкиваемся с предложениями, которые не идеально подходят, мы Вы также можете сравнить примеры предложений, просто заменив перевод разных слов. Такое наивное мышление, конечно, не намного лучше, чем машинный перевод на основе правил, поэтому он не вызвал волны. Но скоро надежда на реконструкцию Вавилонской башни Кажется, снова увидеть рассвет.
Статистический машинный перевод
В статье «Математическая теория машинного перевода», опубликованной в 1993 году, были предложены пять статистических моделей на основе слов, а именно «IBM Model 1» на «IBM Model 5».
Идея статистической модели состоит в том, чтобы рассматривать перевод как проблему с вероятностью. В принципе, необходимо использовать параллельный корпус, а затем выполнять статистику поэтапно. Например, хотя машина не знает, что такое «знание» на английском языке, оно будет найдено после большинства статистических данных. До тех пор, пока есть предложение со знанием, слово «Знание» появляется в соответствующем предложении на английском языке. Таким образом, даже если правила словаря и грамматики не поддерживаются вручную, машина может понять смысл слова.
Эта концепция не нова, потому что Уоррен Уив впервые предложил аналогичную концепцию, но тогда не было достаточно параллельного корпуса, и способность ограничивать калькулятор в то время была слишком слабой и, следовательно, не претворялась в жизнь. Современный статистический машинный перевод из Где мы можем найти «современный Розеттский камень»? Основным источником является Организация Объединенных Наций. Поскольку резолюции и объявления Организации Объединенных Наций будут в языковых версиях различных стран-членов, но в дополнение к этому мы должны сами производить параллельный корпус. Теперь стоимость человеческого перевода переводится, зная, что эта стоимость поразительно высока.
За последние десять лет все знакомы с переводом Google на основе статистического машинного перевода. Услышав это, должно быть ясно, что модель статистического перевода неспособна выполнить великую причину башни. В ваших отпечатках машинный перевод остается в Степень «полезной», а не «полезной».
Нейронный сетевой машинный перевод
К 2014 году машинный перевод привел к самым революционным изменениям в истории - «глубокому обучению»!
Нейронные сети не новы. На самом деле изобретения нейронной сети существуют уже более 80 лет. Однако глубокое обучение продолжилось с тех пор, как Джеффри Хинтон (глубокое изучение трех великих богов) улучшил фатальные недостатки оптимизации нейронной сети в 2006 году. В нашей жизни часто появлялись различные чудесные результаты. В 2015 году машина впервые реализовала распознавание образов за пределами человечества, а в 2016 году Альфа-Гуй победил короля шахмат мира, а в 2017 году распознавание речи превзошло людей-стенографистов, а в 2018 году - Механизм понимания английского языка впервые выходит за рамки людей. Конечно, эта область машинного перевода также начала процветать из-за глубокого изучения этого супер удобрения.
Йошуа Бенджио из глубокого изучения Бога в газете 2014 года впервые заложил основную структуру технологии глубокого обучения для машинного перевода. Он в основном использует рекуррентную нейронную сеть с последовательностью (RNN), так что машина может автоматически захватывать предложения Функция слова, которая, в свою очередь, может быть автоматически переведена на результат перевода другого языка. В этой статье показано, что Google заветен. Вскоре после того, как Google предоставил достаточное количество пороха и великому богу, Google официально объявил в 2016 году, что Все переводы статистических машин были на полке, переводы нейронных сетевых машин стали абсолютным мейнстримом современного машинного перевода.
Самой большой особенностью машинного перевода нейронной сети Google является добавление внимания. На самом деле механизм внимания состоит в том, чтобы сначала прорисовывать глаза при имитации человеческого перевода, а затем выделить несколько ключевых слов, чтобы подтвердить семантику. Процесс (рисунок 2). Конечно же, с благословением механизма поддержки, сила значительно увеличилась. Google утверждает, что на англо-французском, английском-китайском и английском-западном языках частота ошибок изменилась. Система статистического машинного перевода сокращена на 60%.
Хотя нейронная сеть может учиться у существующего параллельного корпуса и понимать тонкие лингвистические особенности предложения, она не идеальна. Самая большая проблема возникает из-за большого объема данных и его непостижимости как черного ящика, т. Е. Невозможно совершить ошибки, но только для того, чтобы обеспечить более правильный корпус для исправления «глубокого обучения». Поэтому одна и та же модель предложения может иметь очень разные результаты перевода.
В феврале 2018 года Microsoft предприняла новые шаги, чтобы сделать понимание машинного языка выше человечности. 14 марта исследователи из Microsoft Research Asia и Исследовательского института Редмонда заявили, что их система машинного перевода R & D была Набор тестовых тестов для новостного теста Newstest2017 с китайско-английским переводом достиг уровня, сопоставимого с уровнем перевода человека. Это, естественно, большая победа машинного перевода нейронных сетей. Конечно, в архитектуре также много инноваций, из которых наиболее примечательны. Он объединяется с системами Dual Learning и Deliberation.
Двойное обучение должно решить проблему ограниченного параллельного корпуса. В общем, глубокое обучение должно быть обеспечено машине одновременно. Таким образом, машина может непрерывно модифицироваться и улучшаться в зависимости от разницы между результатом ее перевода и ответом. Что касается стимулирующей сети, это также процесс имитации человеческого перевода. Обычно переводчики-переводчики сначала выполняют грубый перевод, а затем корректируют контент на точный результат второго перевода. На самом деле вы можете обнаружить, что независимо от того, насколько умна нейронная сеть, вам все равно придется ссылаться на самое умное существо на поверхности. Для человечества мы.
Язык не может использоваться из контекста
Развитие машинного перевода не означает, что люди в индустрии переводов не будут иметь никакой еды в будущем. Можно отметить, что публикация Microsoft подчеркнула «набор тестов для перевода на китайский язык на английском языке» в «Универсальном новостном тестовом наборе новостей Newstest 2017». Хорошая производительность может не соответствовать универсальности, что также может объяснить, почему переводчик Tencent Jun Mingming имеет хорошую репутацию, но почему интерпретация в режиме реального времени в Боао была неточной.
Говорить, что интерпретация в режиме реального времени является кульминацией задачи перевода. Помимо правильного восприятия оригинального предложения, он должен быть преобразован на другие языки в течение ограниченного времени. И помните, что говорящий не даст времени для перевода, поэтому он эквивалентен распознаванию речи. Машинный перевод должен обрабатываться синхронно, вместе с шумом на месте, выражением говорящего, междометиями модальных слов и т. Д., Все из которых могут вызывать недоразумение машиной.
С моей точки зрения, перевод короля Tencent может быть обвинен в том, что может быть недостаточно работы, а ключевые собственные существительные не вводятся, что приведет к «классической ошибке» «шоссе и пояса».
Интересное различие также можно увидеть на рисунке 3. Почему западный машинный перевод неуместен, но машинный перевод в родной стране почти всегда находится под контролем? Это потому, что язык не может существовать без отхода от сценариев использования человеком. То есть мы часто изучаем китайский язык. Контекст, который исходит из нашей прошлой культуры, состоит из воспоминаний, которые были распространены в прошлом. Google, который не читал стихи Тан, естественно, не может понять суть этого стихотворения. Язык может быть последним человеческим барьером в эпоху искусственного интеллекта, потому что Языки будут постоянно меняться из-за использования людей. Это очень трудная замена для машин.
С развитием технологии, в один прекрасный день, машинный перевод будет меняться от «полезного» к «полезному», а затем развивается до «полезного». Но, как я всегда утверждал, машины не будут лишать людей своей работы. Тот факт, что люди являются безработными, является только нашим. Как эффективно использовать искусственный интеллект, чтобы стать вашим собственным инструментом, и избавиться от скуки и утомительной работы, это правильная осанка на будущее.
3.AI, огненное сражение с большими данными и личной неприкосновенностью только началось;
Самые горячие темы в ближайшей перспективе - это не что иное, как большие данные, в том числе ярмарка 2018 года, проводимая в Китае. Нельзя отрицать, что наиболее важной задачей для больших данных является сбор данных, но Европейский союз также объявил об Общем регулировании защиты данных (ВВП). Заявляя, что он является самым строгим законом о защите персональных данных, он также вызвал споры о большой разработке данных и личных данных.
Причина, по которой большие данные могут стать эффективными данными, заключается в сборе и анализе данных, и чем больше данных, тем более важные данные могут быть проанализированы и станут полезными данными.
Однако источник данных и данных стал предметом всеобщего обсуждения. В условиях национализма люди, похоже, вынуждены жертвовать своими собственными правами, чтобы позволить стране проводить политику. Это наиболее очевидно в Китае. Развитие Китая в больших данных довольно быстрое. Планирование многих политик и даже так называемая борьба с нищетой, борьба с нищетой и т. Д. Как и большие данные, все проблемы не являются проблемой, но многие большие данные - это право всех сторон жертвовать персональными данными. Это касается стран, которые подчеркивают личную конфиденциальность. Невозможные вещи.
Направление развития бизнеса в Тайване сосредоточено на больших промышленных данных. Наиболее быстрое развитие - это Hon Hai, который имеет 40-летние данные о производстве. Это самое большое преимущество Hon Hai, а также там, где у Тайваня есть возможности для разработки больших данных.
Однако, если Тайвань хочет разрабатывать большие данные, такие как материковый Китай, он имеет много общего с личной неприкосновенностью людей. В принципе, существует множество препятствий, и это всего лишь запись ETC, которая может приводить к нарушениям конфиденциальности, не говоря уже о связанных Что касается больших данных, непосредственно связанных с личной неприкосновенностью частной жизни, то ли Big Data будет успешным или нет, я боюсь, что мы должны продолжать перетягивать общественные интересы и баланс личной неприкосновенности частной жизни.
4.AI выводы к граничным узлам. Видео / голосовые приложения для каждой учетной записи составляют половину неба;
В 2018 году рынок AIoT (AI + IoT) значительно вырос, стимулируя развитие различных устройств. В то же время он также заставил глубокое обучение постепенно переходить от облачных вычислений к граничным вычислениям для достижения низкой латентности, низкой пропускной способности сети, высокой конфиденциальности и высокой эффективности в искусственном интеллекте. Опыт применения.
С быстрым развитием технологий, таких как искусственный интеллект (AI) и краевые вычисления (Edge Computing) в последние годы, различные бытовая электроника и бытовая техника, включенные в концепцию умного дома, претерпят революционные изменения. Сеть искусственного интеллекта, состоящая из домашних устройств, может стать еще одним членом семьи, которого вы не видите. Концепция локального облака и связанного с ним оборудования станет незаменимым элементом в реализации домашней сети искусственного интеллекта.
Умный динамик / мониторинг станет двумя основными шпинделями потребительского ИИ
Ronan de Renesse, исследователь исследовательского института Ovum, отвечающий за отслеживание развития потребительских технологий (рис. 1), заявил, что применение ИИ в бытовой электронике в последние два года часто становится центром внимания средств массовой информации, но тенденция интеграции бытовой электроники и ИИ, В течение следующих трех-пяти лет многие продукты бытовой электроники будут иметь функциональность AI и свяжутся друг с другом, чтобы создать сеть искусственного интеллекта в домашних условиях.
Рисунок 1 Ronan de Renesse, исследователь потребительской техники в Ovum, считает, что различные электронные устройства в будущей семье станут невидимым членом семьи.
Для цепочки аппаратной промышленности эта тенденция, безусловно, принесет много новых возможностей для бизнеса. Однако на более высоком уровне сеть искусственного интеллекта, которая тихонько постукивает по дому, станет другой «семьей», которую вы не видите. члены ".
На аппаратной стороне интеллектуальные динамики, знакомые всем, в основном относительно зрелые продукты. Несмотря на значительный рост продаж в ближайшие пять лет, рост будет постепенно замедляться. По оценкам, к 2022 году глобальные интеллектуальные динамики Сумма продаж будет близка к 9,5 миллиардам долларов США. Фактически, Renesse полагает, что Amazon и Google могут не создавать собственный бренд смарт-динамиков в будущем, потому что у этого типа продукта мало места для прибыли. Для гигантов домашней сети, пока поставщики аппаратного обеспечения используют свои сервисы платформы, они могут собирать данные пользователя, в которых они нуждаются.
В тот же период изменения в таких продуктах, как домашние интеллектуальные системы мониторинга, будут более выраженными, чем умные динамики. В настоящее время так называемые домашние интеллектуальные контрольные продукты фактически не содержат компонентов искусственного интеллекта, а камеры, сигналы тревоги, дверные замки, датчики и другое оборудование. Продукты связаны друг с другом, чтобы сформировать систему безопасности, которая поддерживает Event Trigger. Однако по мере того, как сопутствующие программные и аппаратные технологии станут более зрелыми, доля домашних камер наблюдения с искусственным интеллектом будет увеличиваться, и в то же время она сможет достичь большего. Приложения, такие как использование голосовых помощников, предоставляют нескольким пользователям более точные услуги в многопользовательской среде.
Защита конфиденциальности пользователей для приложений AI
Тем не менее, для аппаратной промышленности наиболее примечательно то, что концепция локального облака и связанных с ним прикладных продуктов будет подобрана, поскольку устройства в домашних условиях, как правило, поддерживают ИИ. Ренессе отметил, что электронные продукты, оснащенные функцией ИИ, будут Произведите большое количество пользовательских данных, и многие из них - данные, относящиеся к личной конфиденциальности. Поэтому, если эти домашние электронные продукты, оснащенные искусственным интеллектом, полностью полагаются на внешнее облако для работы, это, очевидно, вызовет проблемы конфиденциальности.
С другой стороны, многие потребительские устройства IoT с относительно простыми функциями ограничены мощностью, вычислительной мощностью и издержками производства. Возможно, они не смогут поддерживать очень высокоуровневые алгоритмы AI. В это время локальные облачные устройства могут играть роль мозга. Равномерно заказывайте эти устройства.
Тем не менее Ренессе также признал, что еще сложно утверждать, какое устройство будет играть в локальном облачном центре. Это может быть интеллектуальный динамик более высокого порядка, это может быть смарт-телевизор или другие продукты.
Ян Смит, старший директор по маркетингу компании Arm (рис. 2), также считает, что в будущем все больше вычислительных и логических движков переместится на терминал. Основной движущей силой этого сдвига является защита конфиденциальности пользователей. При обработке и анализе данных в терминале вы можете легко анонимизировать данные и гарантировать, что конфиденциальные данные не будут протекать через сеть. Например, использование домашних приложений в качестве примера, потребители не хотят, чтобы кто-то узнал из Интернета, что у них нет дома. Народное время, а затем легко украсть дома.
Рисунок 2 Ян Смит (Ian Smythe), старший директор по маркетингу в Arm, сказал, что для приложений потребительского ИИ, будь то надежный механизм защиты конфиденциальности, станет ключом к принятию приложения.
Для визуальных приложений Smythe считает, что камеры, которые поддерживают визуальное распознавание, по своей сути являются важными соображениями для вопросов конфиденциальности. Очевидно, что эти устройства должны быть сконструированы таким образом, чтобы их можно было защищать при локальном хранении или передаче в облаке. Конфиденциальность и конфиденциальная информация. Поскольку передача обычно подключается по беспроводной сети, особое внимание должно быть уделено безопасности беспроводной передачи. Инженеры, проектирующие устройство, должны обеспечить, чтобы устройства, подключенные к сети, не были взломаны и не были взломаны.
Срок службы батареи остается основной технической задачей
Однако, чтобы подтолкнуть AI к краевому узлу, самой большой технической проблемой в настоящее время по-прежнему является энергопотребление системы. В качестве примера, например, для использования камер видеонаблюдения, потребители могут ожидать, что такие продукты будут полностью беспроводными, и лучше не подключать кабели питания. Это означает, что этот тип продукта должен питаться от батареи, а также поддерживать беспроводные сети. Кроме того, он должен иметь возможность идентифицировать все элементы и использовать неограниченное пространство для хранения.
Вышеупомянутые требования создают большие проблемы для проектирования системы, требуя возможности запуска нескольких месяцев бесперебойных батарей для обеспечения возможностей машинного обучения (ML) и возможности постоянной загрузки файлов в облако для хранения данных. Эти экстремальные сценарии предназначены для создания чипов и компонентов системы. Требования довольно требовательны, и, самое главное, они освоили, когда позволяют организовать эти функции для продления срока службы батареи.
В случае домашних камер наблюдения камера не должна передавать видео в комнате в течение 24 часов. Разумно загрузить часть изображения, когда есть неподтвержденный человек. Точно так же, если сцена, подобная вакансии, остается неизменной. Не имеет смысла включать алгоритм ML. Осторожно организуйте, где и когда эти функции включены, чтобы потребительское устройство могло работать в ожидаемом режиме только с 2 батареями АА и его можно использовать в течение длительного периода времени.
Поскольку энергопотребление является одним из основных препятствий для ввода ИИ в терминальные устройства, многие стартапы на рынке теперь видят эту возможность для запуска микросхемы нейронной сети с низкой мощностью (NN) - кремниевой интеллектуальной собственности (IP) для поддержки микросхемы. Несмотря на снижение энергопотребления, разработчики могут удовлетворять требованиям, предъявляемым алгоритмом вывода. Kneron официально выпустила свою серию NPU - специализированный процессор искусственного интеллекта, предназначенный для терминальных устройств. IP. В эту серию входят три продукта: сверхнизкая мощность KDP 300, стандартная версия KDP 500 и высокопроизводительная версия KDP 700, которая может удовлетворить потребности смартфонов, смарт-домов, интеллектуальной безопасности и различных устройств ввода-вывода. Полный спектр продуктов имеет низкое энергопотребление, небольшие размеры и обеспечивает мощные вычислительные возможности. В отличие от энергопотребления процессора для искусственного интеллекта на рынке, IP-адрес Кнерона IPU потребляет 100 милливатт. (мВт), для KDP 300, предназначенного для распознавания лиц для смартфонов, потребляет менее 5 милливатт.
Ши Ялун (Shi Yalun), менеджер по маркетингу и управлению продуктами Endurance (слева на рис. 3) отметил, что необходимость выполнения операций искусственного интеллекта на терминальном устройстве при удовлетворении требований к потреблению энергии и производительности является одним из главных приоритетов, поэтому крайне важно предоставлять оптимизированные решения для отдельных приложений. В настоящее время применение искусственного интеллекта можно разделить на две основные категории: голос и видео, а используемая структура нейронной сети различна. Фокус речевых приложений - естественный анализ языка. Основной сетевой архитектурой является рекуррентная нейронная сеть (RNN). Основной сетевой структурой, используемой для анализа изображений, является сверточная нейронная сеть (CNN). Для оптимизации для различных сетевых структур решение, предоставляемое возможностями, отличается.
Шен Мингфэн (Shen Mingfeng), менеджер по разработке программного обеспечения для энергоинтенсивности (рис. 3, справа), добавил, что, хотя анализ естественного языка имеет более низкий спрос на производительность чип-процессоров, из-за тональности языка существуют большие различия в привычках разговоров, поэтому набор данных, необходимый для обучения модели С другой стороны, гораздо больше, чем распознавание видео, поскольку потребители уже привыкли использовать облачные помощники голоса, такие как Apple Siri и Google Assistant, приложениям для веб-анализа в автономном режиме пользуются предпочтения потребителей. Предварительным условием является то, что мы должны предоставлять подобный опыт работы с клиентами в ограниченных вычислительных ресурсах. Это проблема для поставщиков чипов и разработчиков систем.
Рисунок 3 Аарон Алан (слева), менеджер по маркетингу и приложениям продуктов Endurance, считает, что распознавание речи и изображений очень различно по своей природе и должно быть удовлетворено различными решениями. Правильно, Шен Мингфэн (Shen Mingfeng), менеджер по разработке программного обеспечения для разработки программного обеспечения.
Фактически, подавляющее большинство интеллектуальных динамиков по-прежнему не являются краевыми вычислительными продуктами. Аллен Аарон отметил, что для Ambaon's Echo, Apple Homepod или Baidu, смартфонов платформы Alibaba, все еще приходится Данные отправляются обратно в облако для обработки и семантического анализа, чтобы отвечать на запросы пользователей. Голосовые операции, которые могут выполняться непосредственно на конечном продукте, в основном основаны на правилах, а не на естественном семантическом понимании на основе машин.
С 2016 года медведи могут начать конкретного устройства процессора AI первый терминал NPU IP компании, продолжали совершенствовать свою конструкцию и технические характеристики, а также оптимизированы для различных промышленных применений. В настоящее время доступны для клиентов, начиная с ИС, ДПК 500 клиентов завода с использованием системы были и будут в массовом производстве в производстве второй четверти (Mask Tape-аут). распознавание речи с поисковыми собаками сотрудничествами достигло форума семантического разбора, так что даже если оконечное устройство не подключено к сети, но и Можете понять голосовые инструкции пользователя.
Kneron НПУ IP посвящен искусственный интеллект процессор для терминального устройства разработан таким образом, что оконечное устройство в автономной среде, вы можете запустить RESNET, YOLO другие сверхсекретных сетями обучения. Kneron НПУ является полными аппаратными решениями для конечных AI, в том числе оборудования IP, Compiler и Model Compression могут поддерживать различные модели нейронной сети, такие как Resnet-18, Resnet-34, Vgg16, GoogleNet и Lenet, а также поддерживать глубокое углубленное изучение. Рамки, включая Caffe, Keras и TensorFlow.
Потребляемая мощность Kneron НПУ IP-100 уровня мВт, ультра-низкое энергопотребление версия ДОК 300 или даже менее 5 мВт, полный спектр продуктов в производительности на ватт 1,5 TOPS / W или более, использование ряда эксклюзивной технологии, она может Познакомьтесь с потребностями производителей микросхем, поставщиков систем для низкого энергопотребления, высокой вычислительной мощности.
Блокировка основных элементов Аппаратные ускорители не боятся технической итерации
Отверждение (проводной) схем для повышения эффективности определенных вычислительных задач, уменьшая энергопотребление, дизайн чипа для возрастов, но за счет меньшей гибкости приложений, существенных изменений в случае рыночного спроса на чип-функций , Или алгоритм программного обеспечения радикально меняется, разработчики чипов должны перерабатывать новые чипы.
В ситуации, когда спрос на функции чипа во многом определяется, этот метод проектирования не является проблемой. Однако в новых технологиях, где технологические итерации бывают быстрыми, принятие такого подхода к проектированию будет иметь относительно большой коммерческий риск. Искусственный интеллект - очень быстрое итерационное поле технологий. Почти каждый год появляются новые алгоритмы и модели. Исследовательский институт Open AI также отметил, что за последние 6 лет потребность в обучении модели AI для вычислительной производительности возрастет каждые 3,43 месяца. раз.
В этой связи Шен Мингфэн отметил, что аппаратные ускорители не обязательно негибкие. В качестве примера возьмем продукты выносливости. В плане дизайна архитектуры компания использует метод разложения ядра свертки (фильтр) для свертки больших ядер свертки. Рабочий блок разделен на множество небольших рабочих блоков свертки, которые должны быть соответственно задействованы, а затем объединены с технологией ускорения переконфигурируемой свертки (Reconfigurable Convolutional Acceleration), результаты работы множества небольших операционных блоков свертки объединяются для ускорения всей операции. Эксплуатационная эффективность.
С относительно легкой для понимания метафорой, как будто кирпичи LEGO могут быть собраны в различные типы объектов, но весь объект сам по себе представляет собой стек из нескольких базовых блоков. Программа выносливости является обязательной для алгоритмов AI. Базовые элементы ускоряются для повышения эффективности выполнения всего алгоритма, поэтому, даже если алгоритм AI обновляется с очень высокой скоростью, решение на основе производительности может по-прежнему оказывать эффект ускорения.
В дополнение к собственному дизайну акселерометра, который фокусируется на основных элементах, а не ускоряет конкретный алгоритм в целом, Terrain также предоставляет другие методы для ускорения или развертывания приложений AI. Например, его технология сжатия моделей сжимает неоптимизированные модели. Многоуровневое кэширование позволяет снизить нагрузку на ЦП и передачу данных, что еще более повышает общую эффективность работы. Кроме того, KNON IP может сочетаться с программным обеспечением распознавания изображений Kneron для обеспечения анализа идентификации в режиме реального времени. Ответ не только более стабилен, но также отвечает требованиям безопасности и конфиденциальности. Поскольку аппаратное и программное обеспечение может быть тесно интегрировано, общее решение меньше, а энергопотребление ниже, что способствует быстрой разработке продуктов.
Идентификация изображения AI более актуальна по отношению к краю
В целом, текущий рыночный спрос на распознавание изображений является более актуальным. Несмотря на то, что в автономном семантическом анализе существует потенциально огромный рынок для смарт-динамиков, ресурсов для торговли париками меньше. Основная причина этого явления заключается в том, что Передача будет занимать большую полосу пропускания, что, в свою очередь, повышает общую стоимость владения системой. У этого голоса нет этой проблемы.
Лин Чжимин (Lin Zhiming), генеральный менеджер Jingxin Technology (рис. 4), пояснил, что интеграция искусственного интеллекта и Интернета Things также будет способствовать внедрению технологии граничных вычислений. Технология граничных вычислений будет применяться к множеству новых приложений. Среди этих тенденций гибкость и скорость - самые большие преимущества для тайваньских производителей. Для большинства тайваньских компаний и компаний, занимающихся разработкой ИС, легче перерезать рынок искусственного интеллекта с самого края.
Рисунок 4: Чжисин Лин, генеральный директор Jingxin Technology, считает, что IP Cam станет одним из основных приложений для выполнения вывода AI на периферийных устройствах.
В то же время, благодаря внедрению технологии граничных вычислений, также будут возрастать требования к оборудованию, такие как память и передача, что значительно увеличит производственные затраты. Поскольку система на кристалле (SoC), основанная на изображении, изначально более сложна, чем другие приложения, Допуск по стоимости также большой, поэтому ожидается, что технология краевых вычислений будет первой импортироваться приложениями, связанными с изображениями, такими как IP Cam.
Приложения для искусственного интеллекта могут быть разделены на обучение и идентификацию. В массовом вычислительном процессе глубокого обучения облачные вычисления все еще выполняются за короткий промежуток времени. Задача, на которую ответственны краевые вычисления, состоит в том, чтобы сначала собрать информацию. Первоначальная обработка, после фильтрации несущественной информации, загружает данные в облако, чтобы сохранить стоимость передачи. С другой стороны, глубокое обучение, выполненное облаком, также может сделать функцию идентификации терминала более интеллектуальной. Например, работа по глубокому изучению изображений может быть завершена облачными вычислениями. После того, как ученик в режиме ожидания распознает пешехода, IP-камера на краю может выполнять только работу по идентификации.
С другой стороны, поскольку IP Cam широко используется в сфере обеспечения безопасности и обеспечения безопасности в сообществе, правительство и предприятия относительно готовы поддерживать инвестиции, что также станет причиной быстрого развития IP Cam.
Лин Чжимин поделился тем, что многие производители сейчас изучают, как импортировать искусственный интеллект в свои собственные чипы и системы. Текущая ситуация похожа на начало Интернета вещей. Все еще пытаются понять, как использовать эту технологию. Предполагается, что производители будут около 2020 года. Запустит более актуальные продукты.
Приложения реального времени должны использовать архитектуру краевых вычислений
В настоящее время искусственный интеллект является горячей темой: постепенный переход от архитектуры облачных вычислений к архитектуре граничных вычислений окажет значительное влияние на поставщиков цепочки поставок. Хотя развитие искусственного интеллекта в краткосрочной перспективе будет по-прежнему доминировать в облачных вычислениях, Однако многие функции искусственного интеллекта в отношении приложений видения начнут импортировать края.
Дейл К. Хитт, директор по развитию рынка стратегии визуального интеллекта Xilinx (рис. 5), отмечает, что в обозримом будущем компоненты обучения в разработке ИИ могут по-прежнему доминировать в облачных вычислениях. Однако компоненты вывода / развертывания начались. Используйте граничные операции для поддержки приложений, требующих низкой латентности и эффективности сети.
Рисунок 5 Дейл К. Хитт, директор по разработке рынка для стратегии визуального интеллекта Xilinx, считает, что для приложений, требующих очень низкой латентности, крайние операции будут лучшим решением.
Для краевых операторов машинное обучение для приложений, связанных со зрением, будет одним из ключевых и далеко идущих мегатенд. И он прочен в промышленном машинном зрении, в умных городах, на визуальном анализе и рынках с самостоятельным движением. Потенциал роста. Что касается промышленного зрения и потребительских приложений, потому что краевая арифметика должна реализовывать алгоритмы машинного обучения, требования к производительности также намного выше, чем решения предыдущего поколения. Кроме того, быстро развивающиеся алгоритмы / функции машинного обучения. Требуется самоадаптивное аппаратное обеспечение для оптимизации будущих архитектур обработки вывода машин.
Например, Хитт использует самозахватные автомобили. За каждым датчиком в автомобиле существует точная поддержка алгоритма, которая отвечает за получение результатов сенсорной интерпретации данных датчиков. Последняя тенденция заключается в использовании алгоритмов глубокого обучения для генерации этих результатов интерпретации восприятия. Однако, Алгоритмы глубокого обучения должны быть обучены с помощью большого количества потенциальных ситуаций, чтобы узнать, как читать все возможные данные датчиков.
После обучения алгоритмы глубокого обучения требуют чрезвычайно высокой вычислительной эффективности и сверхнизкой задержки для безопасного управления транспортным средством. Для электромобилей необходимо использовать низкое энергопотребление для ограничения рабочей температуры и увеличения мощности аккумулятора. Цель состоит в том, чтобы обеспечить высокоэффективные маломощные адаптируемые решения для удовлетворения различных потребностей самодвижущегося AI.
В развитии краевых вычислений самая большая проблема заключается в том, что рыночный спрос слишком быстро меняется, поэтому технологии, которые могут быстро адаптироваться к различным изменениям, чрезвычайно важны, чтобы компании могли сохранять свою конкурентоспособность.
Хитт далее объяснил, что алгоритмы глубокого обучения постоянно продвигаются быстрыми темпами, и многие из ведущих решений 2017 года столкнулись с судьбой ликвидации. Даже имея сегодня возможность превосходить многие другие, поскольку потребности в вычислительной технике продолжают расти, аппаратные средства все еще нуждаются в Оптимизация. Аппаратное обеспечение должно быть обновлено с большей скоростью, чтобы избежать его устранения. Некоторое аппаратное обеспечение, возможно, даже потребуется обновить во время производства. Также необходимо вызвать много альтернативных технологий для обновления чипа.
Хитт добавил, что уникальные преимущества FPGA включают в себя глубокую аппаратную оптимизацию, включая операции, архитектуру памяти и ссылки. По сравнению с процессорами и графическими процессорами они могут достичь более высокой производительности с меньшим энергопотреблением после оптимизации. Аппаратная архитектура не может быть быстро оптимизирована для новых производных требований.
Работа с краем подавляющая
Опираясь на приложения AI, работающие в облачных центрах обработки данных, хотя он обладает чрезвычайно высокой поддержкой вычислительных возможностей, его точность идентификации, как правило, выше, чем у периферийных устройств на основе упрощенного вывода модели, но после рассмотрения вопросов конфиденциальности, реакции в реальном времени и онлайн-стоимости и других факторов С другой стороны, размер рынка терминальных устройств намного больше, чем у облачных центров обработки данных, и есть сильные экономические стимулы. Это также лозунг криков AIoT в прошлом году. Цена высока, и крупные полупроводниковые компании активно внедряются.
Глядя в будущее, приложения AI, полностью поддерживаемые облаком, все еще будут существовать на рынке, но доля будет уменьшаться из года в год. Вместо этого будет заменена новая архитектура, объединяющая облачные и пограничные вычисления. Для разработчиков приложений AI облако не может быть заменено. Значение заключается в обучении модели, а не в выводе. Также по этой причине, независимо от того, сможет ли поставщик решений достичь бесшовной интеграции между «облаком» и «концом» для разработчиков приложений, будет разработчик приложения. Самое важное соображение при оценке поставщиков. Новая электроника
Выпускники 5.MIT получат диплом блокчаина в этом месяце
Sina Technology News Beijing time on June 3rd news news, blockchain technology позволяет выпускникам Массачусетского технологического института управлять цифровым управлением своим академическим резюме.
Learning Machines, компания программного обеспечения на базе Кембриджа, штат Массачусетс, работает с MIT Media Lab и регистрационным офисом. Студенты могут выбрать загрузку кошельков Blockchain, надежно хранить и делиться своими дипломами.
Согласно анализу MIT Technology Review, после первоначального успеха пилотного проекта MIT решила начать предоставлять услуги блок-кошелька для всех новых выпускников в этом месяце.
«Я не верю, что центральные власти могут контролировать все записи обучения цифровым путем», - сказал Филипп Шмидт, директор по изучению инноваций в медиа-лаборатории.
Цель создания дипломной формы блокады - дать студентам возможность своевременно и надежно получить свои академические полномочия, чтобы потенциальные работодатели не могли снова позвонить в школу, чтобы подтвердить подлинность своих дипломов.
Новые выпускники, которым нужен цифровой диплом, должны только загрузить одно приложение.
«Перед тем, как закончиться, MIT отправит студенту приглашение на электронную почту. В письме написано:« Эй, загрузите «Буклет с бумажными картами», примите пароль и добавьте MIT в качестве издателя ». Крис Джейгерс, генеральный директор, обучающая машина Говорит: «Когда MIT выдает диплом, студенты получают электронное письмо с цифровым файлом, который можно импортировать непосредственно в приложение».