作者：Andrew Grant

Imagination Technologies人工智能高級總監(jiān) 很高興看到中國在機器學習（Machine Learning，ML）領(lǐng)域所取得的進展。隨著機器學習的推出和普及，它被嵌入到許多應用中。它成功地以無形、內(nèi)嵌的方式存在于眾多應用中，很多人都在日常生活中使用它，但是并沒有意識到它的存在。從在百度中輸入一個搜索詞到預約一次滴滴打車，這些操作都是基于多層機器學習應用構(gòu)建的。 在我們的生活中，機器學習確實無處不在，它增加了價值，產(chǎn)生了積極的經(jīng)濟效應，同時減少了低效和浪費。這是由多方面的因素推動形成的，包括顯著改進的神經(jīng)網(wǎng)絡（NN）框架，成熟的機器學習技術(shù)，改善的訓練數(shù)據(jù)訪問方法，當然還有一點很重要的就是，性能更佳的、嵌入在邊緣和終端用于訓練的專用集成電路（ASIC）。再加上更好的機器學習訓練算法——在一些情況下可以將訓練時間從數(shù)周減少到數(shù)小時，機器學習正變得越來越可行。 我們現(xiàn)在看到的是，即使沒有連接到云端，也可以在邊緣以卓越的幀率（每秒的推理次數(shù)）執(zhí)行推理，而放在幾年前，這只有在數(shù)據(jù)中心才可以實現(xiàn)。由于推理可以在邊緣進行，因此開啟了更多的機會。 中國市場已經(jīng)受益于對機器學習和人工智能（AI）的長期關(guān)注與持續(xù)投資，并造就了多種高效的機器學習框架，例如百度飛槳（PaddlePaddle，即PArallel Distributed Deep LEarning，并行分布式深度學習），華為的MindSpore和曠視科技的Brain++。此外，阿里巴巴也投資打造了阿里云城市大腦，旨在支持智慧城市的運行，并通過其下屬的芯片設(shè)計企業(yè)平頭哥半導體投身于人工智能芯片的研發(fā)。

無論從大學、研究者，還是從蓬勃發(fā)展的企業(yè)部門來看，中國在機器學習著作和專利方面都處于領(lǐng)先地位，我們正在見證中國在所有領(lǐng)域展示其成熟的機器學習創(chuàng)新、開發(fā)和應用能力。

機器學習的未來

人工智能逐漸走向“邊緣”，并且能夠在智能手機和自動駕駛汽車等邊緣設(shè)備上以高幀率進行推理，是當前的發(fā)展方向。神經(jīng)網(wǎng)絡加速器這種專用集成電路可以比典型嵌入式CPU快100倍的速度運行神經(jīng)網(wǎng)絡工作負載，其強大的性能和功能正在打開一系列市場，包括先進駕駛輔助系統(tǒng)（ADAS）和自動駕駛汽車、機器人和機器人流程自動化（RPA）、智慧城市管理，以及健康和許多其他市場。

人工智能和機器學習最令人興奮的地方在于每天都會有新的進展公之于眾。一些領(lǐng)域的進展將進一步推動機器學習取得成功，包括強化學習（其中機器學習功能可以通過游戲化的方式執(zhí)行任務來進行“學習”），以及生成式對抗網(wǎng)絡（GAN）。這些技術(shù)在超分辨率及創(chuàng)造前所未有的細節(jié)和清晰度方面非常成功。 再來看看新興的聯(lián)邦學習（Federal learning）技術(shù)，它將變得更加重要。在聯(lián)邦學習中，來源于現(xiàn)實事件的信息可以被轉(zhuǎn)發(fā)給其他實例，以便它們能夠了解最新的事件并從中學習。以一輛汽車為例，它可以接到其他車輛關(guān)于道路狀況變化的通知，而且相關(guān)的新知識也會傳送給它。這不僅僅是車輛對車輛（V2V）或車輛對基礎(chǔ)設(shè)施（V2X），它是一個有價值的應用案例，車輛可以學習如何應對新的道路狀況或道路上的異常物體。 此外，我們可以看到，隨著數(shù)據(jù)中心變得更加高效，訓練一個精確的神經(jīng)網(wǎng)絡所需的時間大大縮短了。這將帶來很大的好處，因為可以提供全新的、改進的迭代模型，從而能夠充分利用移動邊緣計算（MEC）功能，并在邊緣和終端更新已部署的模型。我們將看到，從數(shù)據(jù)中心訓練向邊緣部署的轉(zhuǎn)變會逐漸被另一種方式取代，即從數(shù)據(jù)中心到移動邊緣計算，再到邊緣，然后通過聯(lián)邦學習將新的發(fā)現(xiàn)反饋回來，令所有人受益。

5G在工業(yè)環(huán)境中將非常有價值，因為它將提供一個重要的機會，以實現(xiàn)在機器之間傳遞大量數(shù)據(jù)。事實上，這也可以幫助人工智能機器人在未來的智能工廠中去修復現(xiàn)有的、基于人工智能技術(shù)的機器人——在不太適合人類進行處理的3D（Dirty骯臟、Difficult困難、Dangerous危險）環(huán)境中，這種方式特別有用。

在工業(yè)領(lǐng)域采用機器學習

當前，我們看到智能工廠正在出現(xiàn)。這意味著將在工廠和工作環(huán)境中應用“數(shù)字孿生”（DigitalTwins）技術(shù)，人類負責管理和控制工廠，而工廠可能在1,000英里之外并完全由機器人來操作和運行。機械臂、傳感器、微機電系統(tǒng)（MEMS）和多個攝像頭將通過機器學習功能來協(xié)調(diào)和控制，而機器學習功能又由人來監(jiān)管，這樣可以有效地提高生產(chǎn)力。

以航空航天為例，如果一架飛機的發(fā)動機擁有自己的數(shù)字孿生，管理者就可以查看所有的應力和應變，并以數(shù)字版本的形式查看發(fā)動機在其整個生命周期中如何運行。每次在飛行期間或飛行后都會進行數(shù)據(jù)更新，并將更新的數(shù)據(jù)輸入到模型和一些案例中，然后運行這些案例以檢查真正的引擎是否需要特定的維護。同樣的行為也會發(fā)生在機器人和機器人流程自動化中，從而實現(xiàn)巨大的躍進。機器人將能夠進行自我監(jiān)測和修復，而人類能夠控制和管理它們，并且可以看到機器人所能看到的一切，所有這些都由機器學習來實現(xiàn)。 從某種意義上講，我們將擁有真正的“熄燈”工廠，工廠里將沒有現(xiàn)場人員。我們已經(jīng)從機器學習的角度看到了這一趨勢，機器學習在預測性和預防性維護方面非常有用，可以預測什么時候可能會出現(xiàn)故障或問題，以及某個部件將磨損殆盡，然后檢查數(shù)據(jù)，發(fā)出警報并監(jiān)聽特定問題。這就像當我們聽到自己的汽車發(fā)出奇怪的聲響時，就會意識到某些地方出問題了，但是有了機器學習，就可以訓練它去監(jiān)聽奇特的噪音，這些噪音可能就是潛在問題的早期跡象。 我們還將看到機器學習為自動送貨機器人領(lǐng)域帶來的重要機遇。我們可以將送貨的卡車和廂式貨車編隊，讓它們以車隊的形式行駛，從而減少駕駛方面的工作量，車輛之間可以通過聯(lián)邦學習的方式傳遞信息。

還有一個案例是，機器人已經(jīng)能夠在醫(yī)院中運送藥品等物資。從清潔和污染的角度看，這會使物資的移動和病人對物資的使用更加便捷和安全。

機器學習和大數(shù)據(jù)

就如今的機器學習而言，其與2010年時的主要區(qū)別在于，我們更清楚該怎樣去利用所收集的數(shù)據(jù)。在過去，很難存儲和管理海量數(shù)據(jù)并從中提取信息。而現(xiàn)在，預測推薦系統(tǒng)和神經(jīng)網(wǎng)絡已經(jīng)解決了這個問題。所有傳感器數(shù)據(jù)可以通過傳感器融合（Sensor Fusion）進行匯聚和組合，從而針對正在發(fā)生的事情構(gòu)建出一幅綜合畫面，同時為數(shù)據(jù)驅(qū)動的決策提供支持。

機器學習非常擅長做人類不太擅長的事情，例如大量的復雜計算以及執(zhí)行神經(jīng)網(wǎng)絡運行所需的乘累加運算。這意味著我們可以從海量數(shù)據(jù)中提取特征，理解它們的重要性，然后優(yōu)化結(jié)果，也就是說機器學習可以解決大數(shù)據(jù)的問題。此外，我們也可以通過更人性化的方式分享信息，例如儀表盤和分析工具。神經(jīng)網(wǎng)絡也可以用于進一步分析這些數(shù)據(jù)，因此，在不久的將來，一輛現(xiàn)代的自動駕駛汽車一天內(nèi)或許會傳輸多達4TB的數(shù)據(jù)。

工業(yè)人工智能生態(tài)系統(tǒng)

我們現(xiàn)在看到，人工智能工業(yè)生態(tài)系統(tǒng)各領(lǐng)域的先鋒企業(yè)都迎來了爆炸式增長。諸如科大訊飛和達闥科技等致力于交通和擁堵管理的機器人公司正在尋找新的市場以施展自己的專業(yè)能力。

各公司都正在努力使智能工廠變得高效。我們看到，憑借同步定位與地圖構(gòu)建（SLAM）技術(shù)，我們在了解機器人在其環(huán)境中所處的位置方面已經(jīng)取得了可觀的進步，SLAM技術(shù)可以指示出機器人在空間中的位置。這有助于機器學習和人工智能正在進行的另一項工作，即為機器人提供更多的信息，比如它應該如何行動，以及如何很好地利用自己當前的位置。

相關(guān)的開發(fā)工具

所有這一切中最重要的就是創(chuàng)建工具，即創(chuàng)建所需的“鎬和鍬”等工具，以便人們?nèi)ァ伴_采黃金”。這些工具是指大量的軟件工具。軟件工作流程變得極其重要，這就是為什么Imagination的神經(jīng)網(wǎng)絡加速器可以使網(wǎng)絡的離線編譯變得非常簡單和高效。這使得神經(jīng)網(wǎng)絡加速器可以更快地被部署，從而縮短開發(fā)時間和上市時間。

該軟件工作流程利用了離線工具、編譯器、分析器、適配器、調(diào)諧器及其他工具，進而可以輕松地推出針對邊緣部署進行了優(yōu)化的網(wǎng)絡，這意味著較小的模型具有很高的準確性，從而降低了成本，提高了效率。這些都將通過無線方式進行更新，因此5G也將是該生態(tài)系統(tǒng)的重要組成部分。

軟件和工具非常重要，理解應用案例也是如此。在一種情況下行之有效的方法可能在其他地方并不是那么成功，而這正是大學、醫(yī)院和科研實驗室致力于進行研究的方面。

展望未來

機器學習擁有光明的未來，而在工業(yè)領(lǐng)域擁有非常大的機會去實施更廣泛的機器學習。憑借神經(jīng)網(wǎng)絡加速器（NNA）的領(lǐng)先性能以及適合任何工業(yè)應用的機器學習算法，Imagination Technologies一直處于機器學習革命的前沿，我們已準備好迎接未來。隨著機器學習技術(shù)的發(fā)展和成熟，我們將看到利用機器學習來提高生產(chǎn)力的機會越來越多，而Imagination將通過領(lǐng)先的機器學習技術(shù)為此提供全力支持。

原文標題：機器學習的演進

文章出處：【微信公眾號：Imagination Tech】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責任編輯：haq