中国艺术研究院好考吗_amd中国研究院_中国鼻科研究院在哪里(6)

六 基于大数据的人工智能的挑战和机遇

第六部分是我个人根据在研究过程中的理解，和跟业界专家交流的经验，总结提炼出来的。供大家借鉴和讨论交流哈。

挑战：

现有的数据量虽然已经很大，但是还不够多，常见数据的冗杂，维度和多样化不够，不能涵盖真实世界可能出现的各种边界情况

现有的分布式系统上的实现方法，节点间需要传输大量数据和参数，通信代价太高，当节点数目超过一定数量时，不能获得持续的加速比。分布式系统如何设计，需要DNN算法专家和系统专家共同协同解决，解决的方法可能既要修改算法使之跟底层硬件架构匹配，又要求系统专家设计计算能力强大的单机器，又要设计高密度整合、高效通信的服务器。

Big Data 深度神经网络的人工智能模型，其数据量和计算量都非常大，经常需要几个星期甚至几个月的训练时间，势必要求并行训练以提高训练速度，但是多个节点间训练不同数据时如何协调和同步，可能需要从算法角度重新设计。

机遇：

人工智能的新浪潮将引领未来20年的技术和系统革命，这个浪潮首先在互联网公司掀起，由Google, Facebook和百度形成的三家分立的局面正在如火如荼的进行研究。光有算法是解决不了最终问题的，硬件平台是大数据算法的enabler。硬件领域也需要抓住此时机，回答硬件系统如何设计具有人工智能的本领，这是系统研究人员面临的机遇。amd中国研究院

在这个方面，IBM的沃森处理器是一个好的研究成果，并且已经投入使用解决一些大数据的金融分析、实时语音翻译等应用，取得业界非常高的肯定和反响。非常值得学习，几年之后也许会出现更多类似沃森的智能机器或者“机器人”。

非监督学习解决真实世界中超物体的识别，通过使用不加标签的数据直接训练，在不需要人工模型干预的情况下学习数据中的规律、模式和特征等，理解通常人类大脑不能直接提取和抽闲出来的问题， 为人类所用，解决实际问题。充分挖掘大数据中隐藏的价值，为人类生活服务。

最后，有感兴趣合作的欢迎跟我们联系，AMD DNN研究小组是研究院和产品部联合的一个项目，我们平时也跟互联网公司等合作，致力于研发DNN的软件解决方案和底层的硬件系统。我们初步的研究结果已经发表在2014年6月的Asian-Pacific System（亚太地区系统峰会）上，后续还会有更多成熟结果发表，敬请关注。

全部讲完，下面是提问时间。

互动问答：

王昊奋：打断一下，DNN相比shallow model在功耗管理和体系结构设计方面，会多少优势呢？因为对这方面的论文不是特别了解，请@junli 说说

谷俊丽：对于复杂的多核体系结构，有共享资源和核私有资源之分，传统的Shallow 模型不能很好的建模，模型的层次，取决于问题本身的层次和复杂度哈

王昊奋：是因为表达能力不够么？具体的shallow model比较了哪些（SVM, logistic regression, bayes network?)

谷俊丽：不光是表达能力，是因为问题本身需要多层次来表达，MLP模型

尚硕：隐约觉得系统内存负担比较重，需要堆砌更多内存，此时如果多系统并联时的系统通信成本，应该会多少抵消掉一些优势，内部速度相比PCI-E总线延迟低些、速度快些，但如果继续增加规模，隐约觉得可能会遇到更大的瓶颈。

武新 ：AMD的APU 是否已经商业化了？

谷俊丽：已经商用了，现在主要用于桌面电脑，公司有倾向集成系统

赖兆红：谷俊丽?你们对前期数据，在训练前做过滤分析吗？

谷俊丽：暂时还没有，只做预处理

尚硕：预处理的程度是？进行完整的数据清洗、整理，还是只做简单的数据归集？

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/dianqi/article-33771-6.html