|
根据Khosrowshahi的说法，人工智能使用的障碍比过去要低得多。他认为，改变的是“每一个行业”的初创企业和开发人员，不仅仅是学术界和大公司，现在除了在生产中实现机器学习所需的工具和培训之外，还可以访问大量数据。 这一看法与Gartner今年1月的一份报告相吻合。该报告发现，人工智能的实现在过去四年里增长了270%，仅去年一年就增长了37%。这一比例高于2015年的10%，考虑到一些人估计，到2022年，企业人工智能市场的价值将达到61.4亿美元，这并不奇怪。 Khosrowshahi说，对一些项目来说，确定正确的工具依旧是一个障碍。“如果你在做一些基于云的事情，你就可以运用大量的计算资源。以及所有这些你可以用来执行特定任务的东西。但我们发现，几乎一半的部署和全球一半的数据都位于数据中心之外，因此客户希望能够在数据创建之初就访问这些数据。” 人们对“边缘人工智能”日益增长的兴趣在一定程度上已经超过了硬件，而硬件中的大部分实际上无法完成更适合数据中心的任务。如果没有谷歌的张量处理单元和英特尔即将推出的用于训练的Nervana神经网络处理器（也称为NNP-T 1000）等尖端云芯片的帮助，训练最先进的人工智能模型将会耗费无限的时间。 Khosrowshahi说：“处理器冷却基础设施、软件框架等等已经真正启用了（这些人工智能模型），这是一种巨大的计算量。”“（一切都是关于）扩大处理计算的规模，并在专用硬件基础设施上运行所有东西。”碎片化也没有帮助。尽管谷歌的TensorFlow和Open Neural Network Exchange（一种用于在不一样框架之间交换神经网络模型的开放容器格式）等工具的大量涌现，但开发人员的体验并没有得到特别的简化。 Ballon说：“当你看到与实际部署人工智能模型相关的工作流时，从数据科学家（和）使用程序开发人员（那里）抽象出硬件体系结构的程度需要走很长的路。”“我们还没有做到这一点，在达到这一点之前，我认为软件开发人员有责任了解各种硬件选择的优缺点。”虽然没有什么灵丹妙药，但Ballon和Khosrowshahi都相信，硬件创新有潜力让强大的人工智能进一步平民化。 Khosrowshahi看好新型晶体管，这种晶体管依靠多铁材料和拓扑材料来运行机器学习算法。所谓的MESO设备有望比现在主要基于互补金属氧化物半导体（CMOS）的微处理器节能10到100倍。更不用说光芯片只需要有限的能量（因为光产生的热量比电少），而且不太容易受到环境温度、电磁场和其他噪声的影响。在功耗“数量级”较低的情况下，光子规划的延迟比硅规划的延迟提升了1万倍，在初步测验中，某些矩阵向量乘法的速度比最先进的电子芯片快100倍。 Khosrowshahi说：“我们可以为数据中心计算的未来开发一些新的材料，我认为这就是未来。”“这并非不可能实现，围绕人工智能的所有期望将真正加速这一非常困难的领域，将这些新材料纳入产品。” |
发表评论
