人民日报社中国经济周刊官方网站  中央新闻网站  互联网新闻信息稿源单位

经济网 中国经济论坛

首页 > 经济 > IT > 正文

西井科技实现全球首次“片上学习” 携最新科技成果亮相上海科博会

文章导读: 9月17日,中国类脑强人工智能初创公司西井科技在上海国际科普产品博览会上正式宣布,该团队在全球范围内首次实现“片上学习”(On-Chip Learning)。

中国经济周刊-经济网讯 (记者 宋杰) 9月17日,中国类脑强人工智能初创公司西井科技在上海国际科普产品博览会上正式宣布,该团队在全球范围内首次实现“片上学习”(On-Chip Learning)。

西井科技首席执行官谭黎敏现场发布“片上学习”

西井科技首席执行官谭黎敏现场发布“片上学习”

在机器学习领域,“片上学习”较目前流行的“在线学习”(On-Line Learning)又往前跨了突破性的一大步,这意味着机器学习能在硬件端直接完成,通过硬件层面的不断“自我学习”和“自我提高”,实现高效率、低功耗。 未来,无论是在移动智能终端、家用智能终端或是大数据专用服务器等多领域,“片上学习”都将展现其独有且强大的优势。

“片上”自主学习画风分类

抽象画、巴洛克、花卉、室内、肖像、极简主义、波普艺术、超现实主义……多种画派和画风,让人眼花缭乱。

对于普通人来说,即便浸润艺术多年,想要做到看一眼便能直接分出画作流派,并不是件容易的事。机器是否能做到这一切?

自2014年起,加州理工大学Sergey Karayev 等人收集了Wiki-paintings画作以来,全球不少团队已加入机器快速识别、分类的研究中,以此来检验机器学习的成果。

最近,西井科技的神经形态实验室(WNR)首次在全球范围内实现了“片上学习”,并将此技术直接在Wiki-paintings画作集上进行测试。结果显示,机器能在短短 1 秒内自动完成1000多张图片的分类,正确率接近100%。

9月17日下午,西井科技正式对外在WIKI系统中演示了“片上学习”过程。随意点击几种画风、画派在硬件端的“片上学习”后,测试员希望能从1万幅油画中正确而快速地找到选中的画风、画派。

期间,芯片可随时中断学习,以测试学习效果。结果测试员发现,随着芯片学习进度的推进,油画识别与分类的正确率将逐步上升,直至经过8至10秒的一段完整学习后,识别的正确率接近100%。

现场图

现场图

“片上学习”此前研究进展缓慢

机器学习的目的就是让机器具有类似于人类的学习、认识、理解事物的能力。从全球范围内来看,目前机器学习常用“在线学习”(online learning),即按照顺序、循序的学习,不断的去修正模型,进行优化。已有多家公司尝到“在线学习”的甜头,在视觉、声音、大数据等领域人工智能均有突破。

与此同时,研究人员也未停止对“片上学习”研究,因为只要实现这一技术,就能直接在硬件上完成学习与测试,进而让基础算法的研发迭代,产品的升级有着更短的周期和更高的效率,并且消耗更少的能源。

事实上,从1990年代起,大量的研究便集中在如何将算法嵌入硬件的理论研究中,但那时针对的仅是诸如非常简单的波形、信号处理。

到了2010年后,由于维持摩尔定律硬件的研发成本不断提高,刺激了学术界域工业界对于专用芯片的研究,开始有了配置硬件的高级语言接口。

不过“片上学习”在严苛的硬件环境中依旧研究进展缓慢,并没有一个成型的应用于实际问题的演示,一直停留在理论研究阶段。

现阶段,在硬件中部署机器算法更多还是“在线学习”,即用大规模高性能计算平台进行模型训练,然后将训练好的模型再直接部署在硬件中。

“片上学习”四大独特优势

据介绍,西井科技此次实现的“片上学习”,打个比方来说,就好像学生身边时刻跟随着一位“私教”,直接在芯片上边学习边测试训练成果,最大的优势是真正实现“无网络”情况下的“自我学习、自我实时提高”。

而“在线学习”则好比学生定期去“学校”上课,回家后做作业来测试学习效果,再将优化过的模型灌输在硬件中,每一次新的学习都需通过网络、云端等手段重新进行传输、迁移。

其次,因为“片上学习”可以实现本地化学习,从而帮助机器大幅度提升效率,提高运算速度。在网络环境相对严苛或有限的情况下,“片上学习”的芯片消耗的带宽和流量更少,大幅降低云端服务器的通讯成本,且耗时更少。毕竟“在线学习”需要更高质量的网络环境,在数据传输时会造成延迟。

谷歌的AlphaGo就是“在线学习”的典型,在今年与李世石比赛时,AlphaGo的服务器在美国中西部,通过谷歌云服务连接到韩国首尔的对局室,谷歌总部团队必须确保AlphaGo与谷歌的服务器连接顺利。

另外,“在线学习”算法存储在后台服务器或云端,在算法更新或使用时会产生高功耗,若实现算法本地化后可大大节约功耗。

据悉,2015年中国数据中心的电耗为1000亿度,年耗电量超过全社会用电量的1.5%。一些大企业的数据中心能源费用甚至能达到数十亿元。

若“片上学习”被运用在数据中心,可本地化处理数据,服务器运行带来的功耗成本也随之而大大下降,将大幅度降低企业的电费支出,更重要的是提升大数据挖掘、视频流处理的质量与效率。

尤其值得一提的是,“片上学习”使得终端手持设备更“智能”成为可能,手机、眼镜和无人机等的智能水平都能达到一个新的境界,实现“无网络”状态下的深度学习,同时也使超级计算机小型化成为可能。

以基因测序为例,因涉及大量的运算,目前来说依靠超级计算机处理。对于我们来说,依靠片上学习能大幅节省排序时间,医院就可以作为小型化的计算终端,提前在医院进行基因排序。

又比如,很多人看过的波士顿动力的人形机器人的行走视频,机器人行走的稳定性令人震撼,很大程度上得益于其强大的算法,为了满足这一算法的能耗,机器人在学习时不但得背着笨重的电池,身上还得插满数据线与大型处理器相连。而“片上学习”直接在硬件端完成学习,则能帮助机器人外形更为灵巧,依靠“自身智力”去不断学习提高能力。

在家用智能终端方面,因为实现了“片上学习”而非过去的“在线学习”,智能路由、智能办公室服务器都能实现算法的本地化,更加保障了数据的安全和私密性;正因为有了“片上学习”的加入,未来无论是大数据的深度挖掘,还是智慧城市视频流监控分析等人工智能所涉及的各领域,都将变得便捷和智能化,而这无疑将加速人工智能的应用进程。

中国经济周刊-经济网版权作品,转载时须获得授权并注明来源,违者将被追究法律责任。

(网络编辑:崔晓萌)
  • 微笑
  • 流汗
  • 难过
  • 羡慕
  • 愤怒
  • 流泪
0