如何加速人工智能的 “芯”变革 站

今天上午，英特尔在北京举办了释放IA，原力拥抱AI时代的年度论坛，英特尔全球副总裁兼中国区总裁杨旭；英特尔数据中心事业部副总裁、数据中心解决方案部总经理Jason Waxman；英特尔数据中心事业部副总裁，人工智能解决方案部总经理Naveen Rao；英特尔公司软件与服务事业部副总裁、开发者及产品部总经理William（Bill） Savage；英特尔中国研究院院长宋继强分别做了《AI在中国》；《英特尔，让人工智能加速未来变革》；《人工智能的“芯“突破》；《加速人工智能普及和应用》；《技术深究-英特尔架构和人工智能》的主题演讲。

雷锋网(公众号：雷锋网)率先摘取了人工智能解决方案部总经理Naveen Rao先生主题演讲的精华（其它主题演讲精华将在后续专访文中详细呈现），来和广大开发者一起探讨人工智能面对的技术挑战和应对之道，并希望携手大家一起一起抓住人工智能时代的巨大机遇。

----------------------------------------------------------------------------------------------------------

大家早上好，非常高兴大家能够出席今天的AI Day，很抱歉我并不懂中文，但是希望大家能够仔细的听。我的名字叫做Naveen Rao，我是英特尔公司数据中心事业部副总裁，同时也是Nervana系统的前CEO，也就是由英特尔所并购的这家公司，刚才我的同事Jason Waxman也提到。我们所做的事情可以增加英特尔半导体的技术能力，也正处在开发这个市场的前沿，这是非常关键的，我们希望通过技术改变全世界。

在整个行业当中这是非常激动人心的时代，因为现在技术的发展日新月异，我们看到大量新的创新和新的改革。我认为有一些技术已经存在有几年了，现在已经开始开拓新的市场机遇，有新的产品和解决方案的出现。

回顾机器学习

首先让大家了解一下什么是机器学习。机器学习有不同的理念和观点，也就是指从数据当中学习的方法，它能够构建这些数据，通过数据改进自己的性能，这是非常宽泛的一个定义，当然这个概念存在已经有很久了，在学术界当中，包括如何从数据当中进行系统化和架构的学习等。

直到最近，我们知道更多的数据被生活和工作当中产生，因此就推动了机器学习的需要。这里先跟大家分享一下机器学习的三种不同类型，我不能说只有这三种类型，但是让大家稍微了解一下机器学习的世界。

我们最近经常听到一个的词语叫做监督学习，比如说我有一些图片、标识，这个标识是贴在我的数据上的，比如说一个人的面部识别，这个数据的标识就代表他的名字，这个名字可以联到计算机当中，计算机就可以学习，或者将这种输入的数据，将他的名字和图片连在一起。

另一个词语是非监督学习。通常我们需要用到它的场景，是在很难真正找到具有潜在的、可使用的数据架构，而且前提是你一开始还不了解这个架构的详情。如果说你想学一个语言，你先要听它，被动的学习它这样的语言，了解它的发音，了解它的语音语调，至少要形成一个语言的框架之后才能开始真正学习这个语言。虽然目前这还是机器学习的一个难点，但我们正在不断推动这方面的研究。

非监督学习讲完了之后，开始给大家讲一下强化学习。比如说就像培训你自己家的宠物一样，你是希望它有一个正面的反映，你想要的反映，负面的反映，如果你不想要的反映你就惩罚它，就像你训练你家的狗或者猫一样，这是强化学习的概念。

当然真正的AI不仅仅是这三种类型，不过当下，我们花了大量时间在不断靠近这三个领域。现在让我们的生活、我们的世界更加好也就是机器学习和人工智能的最终目标。

下面给大家举一个例子——非常传统经典的机器学习，我们在过去所学习到的，我们有一定的图片。大家可以看到这是我们其中的一个创始人，我们如何教会机器能够识别人的面孔，也就是说将名字和面孔连接在一起。按照传统方法来说，我要看一下他面部的特点，眼睛和眉毛的宽度和鼻子的长度，这些都是非常关键的辨识特点，通过软件辨识，作为图像的关键点，作为面部特点的函数。最后我们通过不同的分类器，不同的随机森林和集成方法，最终能够辨别出他的名字。我想人类或者是动物能够更好的辨别这个面孔，但是机器需要很多的学习过程，因为它们没有办法直接提取出这些特点。传统的机器学习就是以这种方式进行面部识别的。

我们看一下深度学习，在过去几年当中有非常多的研究方面的突破，也就是说在数据层面提取出特征来进行学习。我们首先要了解特征是什么，这是我们数据的输出，这是数据的输入，告诉我在这个过程当中你提取出来的特征是什么。通过大量的计算能力，这也是为什么在过去花的时间，通过大量数据的学习可能要花几个月、几年的时间，因为之前这个计算的能力是非常受限的。

现在系统的发展更加先进，我们把它叫做端对端的深度学习，它有超过6000万个参数，这6000万个参数就代表着有6000万个不同的培训点，同时这个数据，可以看到它有自己的一些范式，我们可以将这个问题变得简单化。但是在这边我们需要注意的一点，这一点非常重要，我们应该有非常好的数据，非常好的标记，与此同时能够对我们输入的信息作出正确的定义。

所以在过去几年间，信息界发生的一个很大的变化是机器学习正在处理之前人工处理的一些内容，比如说之前有一些自然的图像，我们有1000多个类别，当时的想法是，把这些图像按类别进行分类，看起来非常简单，不知道在座各位有没有做过这样一些工作，这些工作正确率在80%左右，正确率不是特别差，如果看计算机进行分类的话，错误率也没有低很多，如果我们对所有机器进行培训的话，这些受过训练的机器可以达到更高的分类精度。

（编辑：开发网_开封站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!