近幾年來(lái)關(guān)于AI的應(yīng)用非常廣泛，遍布在各個(gè)領(lǐng)域，從早期的鍵盤(pán)、鼠標(biāo)到觸屏，到如今可以通過(guò)語(yǔ)音識(shí)別等技術(shù)實(shí)現(xiàn)跟機(jī)器人自然交互，或者說(shuō)我們正處在一個(gè)AI的時(shí)代。

人工智能的研究由來(lái)已久，早期時(shí)候更多是依靠專家，根據(jù)他們自己的經(jīng)驗(yàn)來(lái)告訴機(jī)器，機(jī)器在定義好的規(guī)則里做一些搜索。這個(gè)是依賴專家的經(jīng)驗(yàn)。2006年以后，隨著數(shù)據(jù)量和硬件計(jì)算能力的大幅度提升，人們開(kāi)始嘗試直接將數(shù)據(jù)交給計(jì)算機(jī)，讓計(jì)算機(jī)自己在里面做搜索。算法是核心，硬件和數(shù)據(jù)是基礎(chǔ)。

深度學(xué)習(xí)作為人工智能的核心技術(shù)，通過(guò)模仿人類大腦的神經(jīng)機(jī)制來(lái)分析和解釋數(shù)據(jù)，例如圖像、聲音、文本。但是人的大腦本身并沒(méi)有成熟的規(guī)則，這一切是通過(guò)神經(jīng)元觸發(fā)實(shí)現(xiàn)的。DNN、CNN、RNN是目前常用的幾種神經(jīng)網(wǎng)絡(luò)算法分類，TensorFlow、Caffe是幾種常用的深度學(xué)習(xí)框架。

神經(jīng)網(wǎng)絡(luò)包含輸入層、輸出層和隱藏層，每層都包含若干個(gè)神經(jīng)元，神經(jīng)元之間通過(guò)權(quán)重參數(shù)進(jìn)行計(jì)算，如同形成了一個(gè)巨大的神經(jīng)網(wǎng)絡(luò)。用一個(gè)簡(jiǎn)單的例子說(shuō)明一下深度學(xué)習(xí)訓(xùn)練和預(yù)測(cè)過(guò)程，這是一個(gè)圖像識(shí)別，我們的目標(biāo)是構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)的模型，來(lái)實(shí)現(xiàn)對(duì)圖片信息的準(zhǔn)確識(shí)別。預(yù)測(cè)是我們最終目的，為了實(shí)現(xiàn)最終目的，我們需要數(shù)據(jù)，將數(shù)據(jù)做上標(biāo)簽，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的前向計(jì)算，產(chǎn)生類別，將這個(gè)類別與標(biāo)簽的類別做比較，將結(jié)構(gòu)反推給神經(jīng)網(wǎng)絡(luò)，如此反復(fù)。

下面聊一下AI芯片。大家知道非常著名的摩爾定律，每隔18個(gè)月相同成本下，芯片的晶體管數(shù)量會(huì)翻一番，相應(yīng)的計(jì)算性能也將提升1倍。隨著晶體管的體積逐漸接近物理極限，或許在將來(lái)摩爾定律會(huì)面臨失效。在AI領(lǐng)域隨著數(shù)據(jù)量和計(jì)算量暴增，我們對(duì)計(jì)算性能有了更高的追求，于是大家開(kāi)始尋找計(jì)算之外的，比如GPU、FPGA、AISC。GPU沒(méi)有那么多的控制器件，取而代之的是大量的計(jì)算核心，GPU有了遠(yuǎn)超CPU的大規(guī)模數(shù)據(jù)運(yùn)算能力。FPGA和CPU、GPU不同，功耗也比GPU要低，ASIC性能提升是以犧牲通用性為代價(jià)。有關(guān)異構(gòu)平臺(tái)廣泛存在，大到數(shù)據(jù)中心，小到手機(jī)、平板、可穿戴設(shè)備。用CPU+來(lái)描述異構(gòu)平臺(tái)，CPU+GPU、CPU+FPGA、CPU+TPU等。

最后說(shuō)一下計(jì)算平臺(tái)的選擇，從現(xiàn)階段看，受益于各個(gè)框架對(duì)GPU的良好支持，我們對(duì)GPU的需求也從最初的單機(jī)單卡發(fā)展到單機(jī)多卡到現(xiàn)在的多機(jī)多卡。Inference端會(huì)選擇CPU+GPU或者CPU+FPGA/ASIC，F(xiàn)PGA同時(shí)擁有流水線并行和數(shù)據(jù)并行，ASIC兼具高吞吐量、低延遲、低功耗的特性。

就分享這么多，謝謝大家。