随着Google旗下DeepMind所研发的人工智能（AI）系统AlphaGo所带起的一波人工智能热潮，台湾没有错过。 台湾科技部长陈良基将2017年订为台湾的「人工智慧元年」（小编注：台湾称人工智能作人工智能，），从建立「人工智能高速运算服务」、在台大、清大、交大、成大设立「AI创新研究中心」、打造中科与南科的「智能机器人自造者基地」，到AI计画的最后一块拼图「半导体射月计画」，都是希望强化台湾半导体产业于人工边缘智能（AI Edge Intelligence）的核心技术竞争力和在前瞻半导体制程与人工智能晶片系统研发。 曾经走红的万物联网让科技产业认为，这就是未来的智能样貌，直到AlphaGo击败世界棋王，科技圈才发现人工智能所带来的「智能服务」，才是真正赋予了万物联网的背后价值。 边缘智能，AI应用的最后一里路事实上，许多具有传感器的装置早就存在我们的生活里，如摄影机、相机、喇叭与麦克风等也在过去10年左右，数位化连上网路。但连结网路摄影机与网路连接储存装置（NAS）所组成的数位监视系统相较于过去闭路式、类比讯号的监视装置，除了储存资料数位化之外，在本质上并没有太大的不同，一样需要人监看、回放，并判断实际现场状况。但当人工智能应用普及，影像辨识、语音辨识转成文字不再遥不可及，网路摄影机或现场麦克风所传回的资料都可即时透过自动辨识，判断画面中的物体，加上搜集人脸资讯及现场收音，AI都足以自动综合解读更多现场状况，让安防业者不再需要配置人力长时间全神贯注监看，仅须排除异常状态。 监视系统配上人工智能应用，仿佛在机器中加上了灵魂，如果可透过人工智能学习不同辨识内容组合的场景意义，并对应相应的处理机制，就赋予数位监视系统协助安防控制，真正达成智能化。 然而，要能够让摄影机进行影像辨识，除了可以将影像透过即时传输回主机上再进行计算判读外，也可以想办法透过摄影机上的处理器，直接计算进行辨识。前者需要占用大量网路传输资源，也有延迟时间的限制，但如果可以在摄影机里加上适当设计、可节省电力的处理器与作业系统，直接现场计算辨识，不但可以省却传输成本，也能减少辨识结果的延迟时间，加快即时反应。「边缘智能」就是指「在最终端装置上的处理器与全套作业系统」，也可说是人工智能落实到真实生活未来应用的最后一哩路。 从训练到推论，晶片是最后一块拼图然而对企业来说，深度神经网络1（Deep Neural Networks，DNNs）所带起的人工智能浪潮，就如同遥远的国度发生了大海啸，要把如今相对成熟的图像辨识、语音辨识或文本翻译，放进真实环境做商业应用仍还有一段距离。 由于深度学习2的演算法与相关应用仍在快速演进中，无论是智能城市、智能零售、智能音箱或无人车等实际的应用场景，仍在大量搜集数据，让深度学习演算法学习辨别这些资料特征与模式的阶段，这个系统过程称为训练（Training），让电脑尝试从我们所搜集的资料来学习。 训练的过程需要极大的运算量，以图像辨识为例，要训练电脑模型认识一种特定物体，例如花朵或猫咪，可能需要至少千张、多则超过百万张各种不同角度、不同场景、不同光线下所拍摄的照片，因此这样的运算往往在云端或资料中心进行。 如果要求同样一个模型要能够辨识各种不同品种的猫，除了需要更大数量的照片，更需要人工对这些照片中的猫咪品种先进行分类标注，再交给深度学习相关的演算法进行训练，才能得到最终可应用的模型。 训练是整个人工智能应用里，最耗计算资源的工作步骤，所以通常都会透过绘图处理器（GPU）所特别擅长的平行运算来进行加速。尤其是现在最热门、常超过百层、复杂度极高的深度神经网络，都会希望使用特殊可针对大型矩阵运算做平行处理的特殊计算晶片，来加速训练过程。然而，人工智能的真实应用往往发生在终端，无论是图像、影像、语音辨识或文本翻译，透过深度学习所训练出来的模型如果放在云端，意味着每次应用发生时，终端首先要传输图片、影像、语音或文本，等云端判读后再将结果回传。就算网路频宽再大、速度再快，这段传输与回传过程都须占用资源、并造成反应时间延迟。 所以，能够在终端接收实体资料，并快速预测回应的过程称为推论（Inference）。对推论来说，在终端应用上减除那些对预测不必要的模型，或是合并对结果无足轻重的运算，来缩小计算规模非常重要。就算推论相对不消耗运算资源，但多数推论应用仍须特殊计算晶片加速来缩短反应时间，也就是说，若终端要能进行推论，每一台装置上都将以晶片来加强能力。  中西巨头投入AI晶片开发，郭台铭也要做今年1月，新创数据平台CrunchBase所推出的2018年AI市场报告指出，亚马逊、Google与微软等网路公司已经主宰了企业AI这个市场，三巨头分别推出的人工智能即服务（AI as a Service ），已经让机器学习的新创难以独立生存。企业AI需要资料中心级的大规模投资，提升每单位电力所能换来的计算量，用更小的空间就能带来更多的计算，这是云端服务商所追求的市场，也给了Google等科技巨头除了GPU与CPU之外，开发专为资料中心进行深度学习加速晶片的好理由。 在Google以TPU这类特殊应用逻辑晶片（ASIC）提高人工智能应用训练能力的同时，云服务业者也期望将推论应用门槛降低，让推论能力渗透到更多终端应用，如此也可以回过头来进一步拉高训练需求。这也是为什么除了云端服务巨头们如Facebook、苹果，甚至中国的百度、阿里巴巴都纷纷宣布要发展自己的AI晶片，连鸿海董事长郭台铭都喊出：「半导体我们自己一定会做。」 无论是训练或推论，深度学习所推起的人工智能应用需求，无疑推动了许多公司评估各种晶片解决方案的可能性。「这将是百家争鸣的盛会，是计算机架构与封装技术的复兴，我们将在接下来1年看到比过去10年更多、更有趣的计算机。」计算架构权威、加州大学柏克莱校区的荣誉教授大卫·帕特森（David Patterson）非常乐观看待近来兴起的运算晶片热潮。陈良基也非常期待，台湾若能开发应用在各类智能终端装置上的关键技术与元件晶片，将可以使具有半导体制造、设计，并能够整合终端装置制造供应链的我们，再次居于世界领先地位。
|
|
|
来自： budaozheli > 《人工智能技术》
