電子發燒友App
有三種技術都致力于帶來更快，更簡單，更便宜，更智能的人工智能。高性能計算今天已經可用，量子計算機和神經擬態計算網絡也即將進入商業化，后兩種技術將革新AI和深度學習。
人工智能和深度學習存在三個問題
時間：訓練CNN、RNN這類深度網絡需要數周時間，這還不包括定義問題和深度網絡編程達到可用性能之前所需要的時間。
成本：用幾百個GPU連續進行計算是非常昂貴的。從亞馬遜的云計算服務租用800個GPU一個星期就會花費大約12萬美元。這還不包括人力成本。一個人工智能項目可能需要幾個月或一年以上的高級人才成本。
數據：在很多情況下，沒有足夠數量標記數據項目很難成功。有很多好的點子存在，但訓練數據的價格太高。
在商業上取得了很大的進步的領域，主要涉及圖像處理、文字或語音識別，這些創業公司很多都利用了Google，IBM，微軟等公司優秀的圖像和語音模型API。
人工智能的三條賽道
如果你關注這個領域，你會發現我們已經開始使用CNN、RNN。而超越這些應用的發展才剛剛出現，下一波進展將來自生成敵對網絡（GANs）和強化學習（Reinforcement Learning），以及Watson這樣的問答機器（QAMs）。
這是我們如何推動人工智能最常見的看法。使用越來越復雜的深層神經網絡，與現在常見的CNN和RNN不同的體系結構，運行速度更快。
實際上未來可能完全不同。我們看到的是基于完全不同技術的人工智能未來的三方競賽。分別是：
1、高性能計算（HPC）
2、神經擬態計算（NC）
3、量子計算（QC）
其中，高性能計算是當今主要的關注焦點。芯片制造商和谷歌等廠商之間正在展開競爭，都在加速開發深度學習的芯片。神經擬態計算（脈沖神經網絡）和量子計算似乎還需要幾年時間的發展。而事實上，已經有神經擬態芯片和量子計算機投入到機器學習的商用中。
無論冷熱，這兩種新技術都將直接顛覆人工智能的路徑，這是一件好事。
高性能計算
目前最受關注的是高性能計算。高性能計算讓現有的深度神經網絡結構更快，更容易訪問。
基本上這意味著兩件事情：更好的通用環境，如TensorFlow，在更大的數據中心中更好地使用GPU和FPGA，以及更多專用芯片的出現。
AI的新商業模式是“開源”。在2016年上半年，基本上所有AI的主要玩家都將他們的AI平臺開源。他們在數據中心，云服務和人工智能知識產權方面投入巨資相互競爭。開源背后的策略很簡單，平臺用戶最多者獲勝。
盡管英特爾，英偉達和其他傳統芯片制造商紛紛滿足GPU的新需求，谷歌和微軟這樣的巨頭正在通過開發專有芯片，使自己的深度學習平臺更快，更具吸引力。
TensorFlow作為谷歌功能強大的通用解決方案，最新發布的專有芯片TPU，TensorFlow與相結合，以取得更好的成績。
微軟一直在兜售使用非專有的FPGA，并發布了認知工具包（CNTK）的2.0版本。CNTK提供了一個Java API，可直接與Spark進行集成。它支持Keras的代碼，使用戶可以輕松地從谷歌遷移。據報道CNTK比TensorFlow更快，更準確，并提供Python API。
整合Spark將繼續保持重要的驅動因素。雅虎已經把TensorFlow帶到了Spark。Spark的主要商業供應商Databricks已經推出了開源軟件包，可以將深度學習與Spark結合起來。
這里的關鍵驅動因素至少解決了三個障礙中的兩個。這些改進使編程更快，更容易，以獲得更可靠的良好結果，尤其是更快的芯片使機器的計算時間更短。
神經擬態計算（NC）或脈沖神經網絡（SNN）
神經擬態計算或脈沖神經網絡是通向強人工智能的路徑，基于大腦運作的原理，與目前深度神經網絡的方式大不相同。
研究人員觀察到，大腦中并不是所有的神經元每次都會激活。神經元在鏈路上發送選擇性信號，數據實際上是以某種脈沖方式在信號中編碼的。實際上，這些信號由一系列脈沖組成，所以研究者根據信號的幅度，頻率，延遲時間進行編碼。
在現有的深度神經網絡中，每個神經元都根據相對簡單的激活函數，每一次都會全部激活。
神經擬態計算已經比目前的深度學習神經網絡有幾個顯著的改進。
1、由于并非所有的“神經元”每次都會激活，所以單個SNN神經元可以替代傳統深度神經網絡中的數百個神經元，從而在功率和體積方面產生更高的效率。
2、早期的例子表明，神經擬態計算可以使用無監督的技術（沒有標記的例子）從環境中學習，只需很少的樣本就可以快速學習。
3、神經擬態計算可以通過從一種環境中學習并應用到另一個環境。可以記憶和概括，這是真正突破的能力。
4、神經擬態計算更節能，開辟了小型化的道路。
這種基本架構的改變，可以解決當今深度學習面臨的三個基本問題。
最重要的是，現在你就可以購買和使用神經擬態脈沖神經網絡系統。這并不是一個遙遠的技術。
BrainChip Holdings已經在拉斯維加斯最大的賭場之一推出了商業安防監控系統，并宣布了其他將要交付的應用。在拉斯維加斯，其功能是通過監控攝像機的視頻自動檢測發牌人錯誤。完全通過觀察來學習賭博的規則。BrainChip是澳大利亞證券交易所上的一家上市公司，推出了一系列賭場監測產品。
量子計算
關于量子計算你可能不知道的事實：
量子計算已經可用，2010年以來，洛克希德·馬丁公司一直在投入商業運營另外幾家公司正在推出基于D-Wave量子計算機的商業應用程序，這是第一個面向商用市場推出的量子計算機，D-Wave公司希望每年都在將量子計算機的規模擴大一倍
今年5月，IBM宣布推出量子計算機商用產品IBM Q的。這是一項基于云計算的訂閱服務，無疑極大地簡化了對這些昂貴且復雜的機器的訪問。IBM表示，到目前為止，用戶已經運行了30萬次實驗。
谷歌和微軟在未來兩三年內將有望發布自己的商用量子計算機，就像許多獨立機構和學術機構一樣。
D-Wave和一些獨立的研究人員已經推出了開源的編程語言，使得量子設備的編程更加容易。
量子計算機擅長各種類型的優化問題。
根據Google2015年的研究報告，D-Wave量子計算機與傳統計算機相比，性能是傳統計算機的108倍，速度提高了1億倍。谷歌工程總監Hartmut Nevan表示：“D-Wave 1秒能做的，傳統計算機需要1萬年。
量子計算代表著強人工智能的第三條道路，并克服了速度和成本問題。
未來將如何發展？
神經擬態計算和量子計算都很有潛力。從時間軸上看。高性能計算未來幾年將繼續發展，然而，許多實驗室和數據中心都會使用更先進的量子計算機和神經擬態計算。
深度學習平臺正在發展，如谷歌TensorFlow和微軟CNTK，其他平臺也在努力獲得用戶。隨著量子計算和神經擬態計算的發展，平臺將逐步采用。
量子計算機將徹底消除時間障礙，成本障礙也將降低，將來會出全新類型的機器學習。
我的個人觀點是量子計算和神經擬態計算和2007年的情況很像，那一年谷歌的分布式數據存儲系統Big Table變成了開源的Hadoop。一開始我們不知道如何使用，但三年后Hadoop幾乎主導了整個數據科學。
人工智能——2017年最火熱的標簽。對于眾多AI試水者，你知道如何平衡技術與需求嗎？你知道如何利用政策事半功倍嗎？你知道如何尋找公司的投資伯樂嗎？12月14日，「2017億歐創新者年會·AI產業應用峰會」，我們將邀請眾多投資人、創業者、AI領域精英共同探討，不僅是AI+產業+應用，這里是需求方和技術提供方的溝通平臺，是政策專家與企業方的交流平臺，是投資人與企業方交流的互獵平臺，是應屆畢業生和企業方的對接平臺。多維度，更深度，來這里實現屬于你的AI！
工商網監
評論