宋继强：20年后来看今天 人工智能还是早期阶段

网易科技讯12月17日消息，由中国人工智能学会主办，网易科技承办的2016中国人工智能产业大会暨第六届吴文俊人工智能科学技术奖颁奖盛典今日在深圳登喜路国际大酒店举行。

本次大会以“AI新时代·产业新动能”为主题，会上英特尔中国研究院院长宋继强发表名为“英特尔人工智能赋予明日精彩体验”的主题报告，从英特尔布局人工智能产业的大背景，详解人工智能时代面临的新挑战和发展机遇。

宋继强表示，人工智能能发展到当前的高度，与数据是密切相关的。预计到2020年将有500亿台智能设备接入互联网，大量的智能设备产生的数据使得我们能够去训练人工智能的算法，产生更大的增值价值。而如何处理这些数据，英特尔认为关键是做好端到端的集成，即如何更好地利用云端和终端的协同计算能力，提供端到端的解决方案。

宋继强认为人工智能虽然已经发展了60年，但仍处于早期阶段，从以下三点可以看出：第一，人工智能的应用是否已经普及到各行各业，而不仅仅是在一小块产业里去提供价值，这是技术应用的广泛度。第二，人工智能是否已经有标准，不管是国家标准还是行业标准，是否已经有标准开始在制定和落地。第三，人工智能是否已经有专用的硬件开始在市面上使用，这也是比较重要的。

宋继强同时还表示，虽然人工智能还处于婴儿期，但是人工智能市场的参与者还是有很大机会，英特尔将在英特尔会在智能制造、智慧零售、无人驾驶、精准医疗、智慧城市、互联网金融、体育等方面为用户提供各种支持。

最后，宋继强提到英特尔在收购Nervana后成立的人工智能学院，将联合人工智能的行业领袖和学术精英，不仅为用户提供计算、存储等底层硬件的支持，还将提供平台应用层的解决方案，更广泛地支持行业里各种开源的深度学习框架，为开发人员和科研人员提供平台支持，通过主流应用平台来共同提高人工智能推动行业应用的普及率和速度。（Sherwood）

以下是演讲实录：

非常感谢杨校长的介绍，给我们铺了一个很好的路。咱们知道人工智能最近是一个非常非常火的词，从通过人工智能去玩游戏，到通过人工智能下象棋，从无人驾驶到智能机器人，这些都是人工智能非常火的。我们知道人工智能突然变到一个非常高的高度，实际上跟数据是有很大的关系。我们知道目前来讲，我们处在一个数据的洪流中，到2020年会有500亿的智能设备连入互联网，这其中包括我们个人使用，也包括我们日常生活的周遭，环境中车里面，我们去的医院里，我们的交通工具，我们所需要的产品工厂里面，他们都在大量使用智能设备，这些智能设备会产生各种各样的数据，这些数据促使了我们有更好的数据去训练人工智能的算法，同时这些数据也可以让我们通过训练好的人工智能算法，产生更大的增值价值，这也是为什么人工智能吸引了这么多的科研人员和企业，大家一起把资源贡献出来。如何把握好人工智能的应用，跟怎么能够驾驭这个数据的洪流非常有关系。我们认为，这里面的关键是怎么搞好端到端的集成，因为我们知道，那么多不同种类的设备，他们个头有的很小，有的很大，他们采集来的数据种类很多，通常不是传统的结构化数据，是非结构化的数据，你怎么样能够很好的利用云端和终端协同计算能力和他们之间无缝并且高速的传输能力、存储能力，构建端到端的解决方案，构成一个良性循环。也就是我采购了数据，做了处理，我送到了云端以后，在云端继续分析它，去提取出中间有用的价值，并且能够有一些是可以增值，让终端更智能的再下发到终端，这样一个反复的循环，是一个最优的途径，这是我们深刻相信的未来的场景。

同时，英特尔也在为这件大事在进行布局，我们从终端到云端，包括中间的通讯链路、存储都有解决方案，我们收购了前端的视觉芯片深度学习公司，也有在云端，这种专门根据人工智能做定制芯片加速的公司，后面我会逐步介绍一下。

目前我们知道人工智能已经发展了60年，现在很火，但是20年后再来看，历史的发展长河里面，仍然处在一个早期阶段。我们怎么看一个技术是否已经达到了成熟阶段？至少有三个点可以看。第一，看它的应用是否已经普及到各行各业，还是你只在一小块产业里去提供价值，所以一个是应用的广泛度。第二，是否已经有标准，不管是国家标准还是行业标准，是否已经有标准开始在制定和落地。第三，是否已经有专用的硬件开始在市面上使用，而且第三点也是比较重要的，大家知道做硬件，第一个花钱，第二个周期长，产业没起来之前，硬件厂商是不会铺进去的。ROBERT是我们的创始人之一，也是硅谷之父，他很早就研究脑科学，那时候的计算机技术都用来建模脑，看看人脑是怎么工作的，反过来，怎么利用我们在脑科学上得到的一些认知和新奇的想法，去促进计算机科学或者计算架构的发展，为这个领域提供更好的计算能力，这也是我们新的考虑。

通常我们在做硬件的时候，必须要走这样的过程，拿深度学习做一个例子，比较复杂，我们训练出一个深度学习模型，是一个很广很深的模型，这样的一个模型，直接变成一个硬件，是不太可能的，而且也是低效的，高效的办法是什么？我去分析这个模型，我必须找到懂这个模型的人，懂我为什么产生这种模型，然后把这个模型通过硬件的描述给描述出来，然后我产生硬件的抽象，抽象出里面的数据流，数据是怎么流的，中间的流水线上有哪些重要处理模块，他们各自的时间、带宽要求是怎么样，有哪些计算的语言，就是里面的计算内核是非常重要的，而且是否大规模运行和反复运用的机会。在这样的基础上，在怎么做硬件芯片有很好的认识，同时我们看哪些放在硬件里面固化，哪些让他去灵活使用，有这样的认知以后，我们才到了第三步，可以产生出一个针对这种工作，这种工作负载优化的硬件，这个硬件也不是很快达到要求，一个很有用的例子，大家都很熟悉的就是，我们做视频加速芯片，你会看到从早期的标准以后，一代一代过来，每一代都有专用芯片，都是有专用的认知，但这个过程是一样的，如果这个产业真的发展到了一个普及，到各行各业都要去使用，那这个行业就需要专业模型，而不是在通用的芯片上做模拟，这还属于学科界的研究范畴。

（编辑：温州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!