即將過(guò)去的 2021 年，又是跌宕起伏的一年。疫情仍沒(méi)有結(jié)束的苗頭，缺芯造成的供應(yīng)鏈中斷此起彼伏，與此同時(shí)，數(shù)字化、智能化轉(zhuǎn)型已是大勢(shì)所趨。全球企業(yè)和機(jī)構(gòu)在不斷學(xué)會(huì)適應(yīng)“新常態(tài)”，并從中捕捉新的商業(yè)機(jī)會(huì)。

2021 年, 人工智能領(lǐng)域依然熱潮洶涌。AphaFold2 成功預(yù)測(cè) 98%蛋白質(zhì)結(jié)構(gòu)，預(yù)訓(xùn)練大模型迎來(lái)大爆發(fā)，自動(dòng)駕駛邁入商業(yè)化試點(diǎn)探索新階段，元宇宙概念東風(fēng)勁吹，首個(gè)關(guān)于 AI 倫理的全球協(xié)議通過(guò)，商湯科技即將摘得“AI 第一股”… 前沿技術(shù)突破令人欣喜，落地應(yīng)用“潤(rùn)物細(xì)無(wú)聲”般深入各行業(yè)，業(yè)界也開(kāi)始正視人工智能的問(wèn)題和挑戰(zhàn)。

在歲末年初之際，InfoQ 采訪了眾多行業(yè)專家，回顧了 2021 年人工智能大模型、深度學(xué)習(xí)框架、 NLP、智能語(yǔ)音、自動(dòng)駕駛、知識(shí)圖譜等各項(xiàng) AI 技術(shù)的發(fā)展情況，并展望了未來(lái)一年可能的技術(shù)趨勢(shì)。

2021 年度 AI 技術(shù)突破

人工智能預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)

12 月 15 日，Nature 發(fā)布了《2021 年十大科學(xué)新聞》；12 月 17 日，Science 緊隨其后，公布了《2021 年度十大科學(xué)突破》。Nature 和 Science 都將「人工智能預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)」評(píng)為本年度最重要的發(fā)現(xiàn)，Science 更是將其列為“2021 年十大科學(xué)突破進(jìn)展”之首。

長(zhǎng)期以來(lái)，蛋白質(zhì)結(jié)構(gòu)的預(yù)測(cè)一直是生物學(xué)領(lǐng)域的研究熱點(diǎn)和難點(diǎn)。傳統(tǒng)的蛋白質(zhì)結(jié)構(gòu)探測(cè)方法主要有三種：X 射線晶體學(xué)、核磁共振和冷凍電鏡。但這些方法成本較高，研究周期漫長(zhǎng)，且進(jìn)展有限。

人工智能為這一困擾生物學(xué)界數(shù)十年的難題按下了快進(jìn)鍵。

今年 7 月，蛋白結(jié)構(gòu)兩大 AI 預(yù)測(cè)算法 —— DeepMind 的 AphaFold2 和華盛頓大學(xué)等機(jī)構(gòu)研發(fā)的 RoseTTAFold 相繼開(kāi)源。

AphaFold2“解鎖”98%人類蛋白質(zhì)組

7 月 16 日，DeepMind 在 Nature 發(fā)表論文，宣布已利用 Alpha Fold2 預(yù)測(cè)了 35 萬(wàn)種蛋白質(zhì)結(jié)構(gòu)，涵蓋了 98.5%的人類蛋白質(zhì)組，及其他 20 種生物幾乎完整的蛋白質(zhì)組。研究團(tuán)隊(duì)還公布了 AlphaFold2 的開(kāi)源代碼和技術(shù)細(xì)節(jié)。

RoseTTAFold 可十分鐘內(nèi)計(jì)算出蛋白質(zhì)結(jié)構(gòu)

同日，華盛頓大學(xué)蛋白設(shè)計(jì)研究所 David Baker 教授課題組及其他合作機(jī)構(gòu)在 Science 上發(fā)表論文 ，公布了其開(kāi)源蛋白質(zhì)預(yù)測(cè)工具 RoseTTAFold 的研究結(jié)果。研究團(tuán)隊(duì)探索了結(jié)合相關(guān)思想的網(wǎng)絡(luò)架構(gòu)，并通過(guò)三軌網(wǎng)絡(luò)獲得了最佳性能。三軌網(wǎng)絡(luò)產(chǎn)生的結(jié)構(gòu)預(yù)測(cè)精度接近 CASP14 中的 DeepMind 團(tuán)隊(duì)的 AlphaFold2，且速度更快、所需計(jì)算機(jī)處理能力更低。僅用一臺(tái)游戲計(jì)算機(jī)，在短短十分鐘內(nèi)就能可靠地計(jì)算出蛋白質(zhì)結(jié)構(gòu)。

其他研究進(jìn)展

8 月，中國(guó)研究人員使用 Alpha Fold2 繪制了近 200 種與 DNA 結(jié)合的蛋白質(zhì)結(jié)構(gòu)圖。11 月，德國(guó)和美國(guó)的研究人員利用 Alpha Fold2 和冷凍電鏡繪制了核孔復(fù)合物的結(jié)構(gòu)圖。12 月 22 日，深勢(shì)科技推出了蛋白結(jié)構(gòu)預(yù)測(cè)工具 Uni-Fold，在國(guó)內(nèi)首次復(fù)現(xiàn)谷歌 Alphafold2 全規(guī)模訓(xùn)練并開(kāi)源訓(xùn)練、推理代碼。

AI 技術(shù) 2021 年發(fā)展總結(jié)與展望

人工智能邁向“煉大模型”階段

今年是超大規(guī)模預(yù)訓(xùn)練模型的爆發(fā)之年。

去年，GPT-3 橫空出世，這個(gè)具有 1750 億參數(shù)規(guī)模的預(yù)訓(xùn)練模型所表現(xiàn)出來(lái)的零樣本與小樣本學(xué)習(xí)能力刷新了人們的認(rèn)知，也引爆了 2021 年 AI 大模型研究的熱潮。

谷歌、微軟、英偉達(dá)、智源人工智能研究院、阿里、百度、浪潮等國(guó)內(nèi)外科技巨頭和機(jī)構(gòu)紛紛展開(kāi)大模型研究和探索。

超大規(guī)模預(yù)訓(xùn)練模型的“軍備競(jìng)賽”

2021 年 1 月，Google 推出的 Switch Transformer 模型以高達(dá) 1.6 萬(wàn)億的參數(shù)量打破了 GPT-3 作為最大 AI 模型的統(tǒng)治地位，成為史上首個(gè)萬(wàn)億級(jí)語(yǔ)言模型。

國(guó)內(nèi)研究機(jī)構(gòu)也不甘示弱。今年 6 月，北京智源人工智能研究院發(fā)布了超大規(guī)模智能模型“悟道 2.0”，達(dá)到 1.75 萬(wàn)億參數(shù)，超過(guò) Switch Transformer 成為全球最大的預(yù)訓(xùn)練模型。

值得一提的是，今年國(guó)產(chǎn)化大模型研發(fā)工作進(jìn)展飛速，華為、浪潮、阿里、百度等都發(fā)布了自研的大模型。

浪潮人工智能研究院首席研究員吳韶華向 InfoQ 表示，現(xiàn)在業(yè)界提高模型參數(shù)量有兩種技術(shù)路線，產(chǎn)生兩種不同的模型結(jié)構(gòu)，一種是單體模型，一種是混合模型。如浪潮的源大模型，華為的盤(pán)古大模型、百度的文心大模型、英偉達(dá)聯(lián)合微軟發(fā)布的自然語(yǔ)言生成模型 MT-NLG 等走的都是單體模型路線；而智源的悟道模型、阿里 M6 等走的是混合模型路線。

預(yù)訓(xùn)練模型技術(shù)新進(jìn)展

OPPO 小布智能中心、 NLP 算法工程師曾冠榮認(rèn)為，預(yù)訓(xùn)練模型在今年取得的重要技術(shù)進(jìn)展有：

• 知識(shí)表示和學(xué)習(xí)機(jī)理進(jìn)一步創(chuàng)新突破 隨著對(duì)預(yù)訓(xùn)練模型的深入理解，預(yù)訓(xùn)練模型的知識(shí)學(xué)習(xí)和表征的機(jī)理逐步明確，人們得以更加順利地往模型里注入需要其學(xué)習(xí)的知識(shí)，在這些知識(shí)的加持下，對(duì)復(fù)雜任務(wù)的應(yīng)對(duì)能力得到了大幅提升。

• 對(duì)比學(xué)習(xí)、自監(jiān)督和知識(shí)增強(qiáng)

以對(duì)比學(xué)習(xí)為中心，多種增強(qiáng)方法為工具的方式能進(jìn)一步提升預(yù)訓(xùn)練模型的語(yǔ)義理解和表征能力，增強(qiáng)方法的深入讓模型自監(jiān)督成為可能，讓對(duì)比學(xué)習(xí)對(duì)樣本，尤其是正樣本的依賴降低，數(shù)據(jù)依賴的降低勢(shì)必讓模型對(duì)少樣本甚至無(wú)樣本任務(wù)的適應(yīng)性提升，模型能更好地完成這類型的任務(wù)，這將讓預(yù)訓(xùn)練模型落地的成本再降低一個(gè)層次。

降低 AI 規(guī)模化落地的門(mén)檻

預(yù)訓(xùn)練大模型降低了 AI 應(yīng)用的門(mén)檻，解決了 AI 應(yīng)用的兩個(gè)難題：數(shù)據(jù)和行業(yè)知識(shí)。它既不需要大量的標(biāo)注數(shù)據(jù)，又保障了基礎(chǔ)底座。

在預(yù)訓(xùn)練模型的業(yè)務(wù)定制優(yōu)化和應(yīng)用方面，曾冠榮認(rèn)為，從第一個(gè)預(yù)訓(xùn)練語(yǔ)言模型 BERT 發(fā)布至今，已在多個(gè)熱門(mén)任務(wù)下得到應(yīng)用，逐步從一種“潮流”變成前沿技術(shù)的“基本操作”，如預(yù)訓(xùn)練模型已成為機(jī)器翻譯領(lǐng)域的基礎(chǔ)關(guān)鍵性技術(shù)。此外，預(yù)訓(xùn)練模型也成為大系統(tǒng)中的一部分，發(fā)揮著其語(yǔ)義理解的優(yōu)勢(shì)。

無(wú)論是業(yè)界還是科研，對(duì)預(yù)訓(xùn)練模型的使用方式逐漸靈活，能從預(yù)訓(xùn)練模型中拆解出適合任務(wù)的部分并組裝到自己的實(shí)際任務(wù)模型中。

時(shí)至今日，對(duì)預(yù)訓(xùn)練大模型的性能優(yōu)化仍未終止，在學(xué)界，仍有大量的研究在預(yù)訓(xùn)練模型的落地能力上努力，壓縮、剪枝、蒸餾的工作仍起到重要作用。不止于算法本身，編譯、引擎、硬件等方面的優(yōu)化也在大步邁進(jìn)。

小結(jié)和展望

吳韶華認(rèn)為，整體而言，現(xiàn)在大規(guī)模預(yù)訓(xùn)練模型的研究，包括模型結(jié)構(gòu)的演進(jìn)和落地仍處在探索階段，各家的持續(xù)探索正在不斷擴(kuò)大對(duì)大規(guī)模預(yù)訓(xùn)練模型的認(rèn)知邊界。

“大規(guī)模預(yù)訓(xùn)練模型是人工智能的最新技術(shù)高地，是對(duì)海量數(shù)據(jù)、高性能計(jì)算和學(xué)習(xí)理論原始創(chuàng)新的全方位考驗(yàn)”，清華大學(xué)教授、智源大模型技術(shù)委員會(huì)成員劉知遠(yuǎn)在接受 InfoQ 采訪時(shí)展望了明年大模型的發(fā)展趨勢(shì)。

劉知遠(yuǎn)表示，他明年將重點(diǎn)關(guān)注兩個(gè)層面的問(wèn)題：

一是人工智能技術(shù)正呈現(xiàn)“大一統(tǒng)”趨勢(shì)，如預(yù)訓(xùn)練模型在 Prompt Tuning 等技術(shù)的支持下可用于很多不同的任務(wù)，再如 Transformer 模型框架正在從自然語(yǔ)言處理擴(kuò)展到計(jì)算機(jī)視覺(jué)模態(tài)，接下來(lái)我們也許會(huì)看到更多的從框架、模型和任務(wù)等方面推進(jìn)人工智能技術(shù)趨向統(tǒng)一的工作;另一個(gè)問(wèn)題是，隨著預(yù)訓(xùn)練模型規(guī)模增大，如何更好更高效地實(shí)現(xiàn)任務(wù)適配和推理計(jì)算，將是讓大模型飛入千家萬(wàn)戶的重要技術(shù)。

國(guó)產(chǎn)深度學(xué)習(xí)框架不再是“技術(shù)的跟隨者”

過(guò)去十年涌現(xiàn)了大量的 AI 算法和應(yīng)用，這背后都離不開(kāi)開(kāi)源深度學(xué)習(xí)框架提供的支持。

開(kāi)源深度學(xué)習(xí)框架是 AI 算法研發(fā)和 AI 應(yīng)用落地的“腳手架”，幫助 AI 研究員和開(kāi)發(fā)者大幅降低算法研發(fā)門(mén)檻，提升研發(fā)效率。

IDC 的調(diào)研顯示，中國(guó)人工智能領(lǐng)域 90%以上的產(chǎn)品都使用了開(kāi)源的框架、庫(kù)或者其他工具包。

新進(jìn)展，新趨勢(shì)

深度學(xué)習(xí)框架的發(fā)展核心是跟隨著深度學(xué)習(xí)領(lǐng)域的發(fā)展而前進(jìn)的。

開(kāi)源深度學(xué)習(xí)框架曠視天元 MegEngine 研發(fā)負(fù)責(zé)人許欣然在接受 InfoQ 采訪時(shí)，分享了過(guò)去這一年他所觀察到的深度學(xué)習(xí)的新進(jìn)展：

（1）以 ViT、Swin 為代表的 Transformer 類模型開(kāi)始向 NLP 以外的領(lǐng)域進(jìn)軍，在更多場(chǎng)景中展現(xiàn)威力，讓“大”模型的趨勢(shì)愈演愈烈。

相應(yīng)的，深度學(xué)習(xí)框架也在訓(xùn)練大模型方面進(jìn)展頗多（如 DeepSpeed+ZeRO），多種混合并行方案層出不窮。無(wú)論是深度學(xué)習(xí)框架還是硬件廠商，都在思考 Transformer 是否是會(huì)長(zhǎng)期固定的計(jì)算 pattern。

（2）A100 這類顯卡的誕生，催生了一股從動(dòng)態(tài)圖回到靜態(tài)圖的趨勢(shì)。本身對(duì)動(dòng)態(tài)圖更友好的框架也紛紛嘗試通過(guò)編譯的方式提升效率，比如 PyTorch 的 LazyTensor、Jax 的 XLA。 很多國(guó)產(chǎn)框架也在嘗試通過(guò)動(dòng)靜結(jié)合的方式提升效率，比如曠視天元 MegEngine 推出的 Tensor Interpreter、MindSpore 的 Python 代碼轉(zhuǎn)靜態(tài)圖的方案等。

此外，MLIR 和 TVM 這兩個(gè)深度學(xué)習(xí)編譯器領(lǐng)域的燈塔都在快速增長(zhǎng)，如何靠機(jī)器做好編譯也正成為各個(gè)深度學(xué)習(xí)框架研發(fā)的主要方向。同時(shí)隨著深度學(xué)習(xí)方法的持續(xù)發(fā)展，也誕生了更多的新興框架，如圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域的 DGL。

技術(shù)自立之路

近兩年，國(guó)產(chǎn)深度學(xué)習(xí)框架陸續(xù)開(kāi)源且發(fā)展迅速，逐漸在開(kāi)源框架市場(chǎng)占有一席之地。

在技術(shù)研發(fā)方面，國(guó)產(chǎn)框架不再是技術(shù)的“跟隨者”的角色，研發(fā)出了很多領(lǐng)先的創(chuàng)新點(diǎn)，比如 MegEngine 的 DTR 技術(shù)、OneFlow 的 SBP 并行方案和 MindSpore 的 AKG 等等。此外，在功能、代碼質(zhì)量和文檔等方面都達(dá)到了很高的水準(zhǔn)。

在開(kāi)源生態(tài)建設(shè)方面，各家也都持續(xù)投入，通過(guò)開(kāi)源社區(qū)扶植、產(chǎn)學(xué)研合作等方式，助力國(guó)產(chǎn)開(kāi)源生態(tài)的發(fā)展和人才培養(yǎng)。

業(yè)界現(xiàn)有的主流深度學(xué)習(xí)框架多來(lái)自國(guó)外大廠，目前，國(guó)內(nèi)企業(yè)自研的深度學(xué)習(xí)框架還沒(méi)有哪一款進(jìn)階成為國(guó)際主流的學(xué)習(xí)框架。

許欣然坦言，國(guó)產(chǎn)深度學(xué)習(xí)框架在生態(tài)建設(shè)上還有很長(zhǎng)的路要走，既需要持續(xù)投入、不斷完善生態(tài)建設(shè)，也需要找到差異化的技術(shù)競(jìng)爭(zhēng)點(diǎn)，充分結(jié)合我國(guó)國(guó)情和國(guó)產(chǎn)硬件，發(fā)揮好自身的技術(shù)優(yōu)勢(shì)和更好的生態(tài)洞察力。

研發(fā)難點(diǎn)

現(xiàn)階段，在深度學(xué)習(xí)框架方面，業(yè)界普遍面臨的研發(fā)難點(diǎn)主要體現(xiàn)在以下三個(gè)方面：

（1）在訓(xùn)練側(cè)，NPU 開(kāi)始入場(chǎng)，不少?gòu)S商已經(jīng)做出自己的訓(xùn)練芯片，如何高效對(duì)接訓(xùn)練 NPU 仍待解決；

（2）學(xué)術(shù)研究發(fā)展迅速，框架技術(shù)需要持續(xù)跟進(jìn)，這為框架研發(fā)帶來(lái)了一定挑戰(zhàn)。接下來(lái)一段時(shí)間會(huì)持續(xù)一段大 Transformer 的趨勢(shì)，那么，下一個(gè)趨勢(shì)是什么？

（3）算力提升速度更多地開(kāi)始依賴 DSA 硬件，只是單純的手寫(xiě) kernel 已難以支撐，框架需要更多的編譯技術(shù)、domain knowledge 才能不斷提升訓(xùn)練效率。 隨著 NPU、GPU 等芯片的快速迭代，包括 MLIR、XLA、TVM 在內(nèi)的編譯技術(shù)將受到更多關(guān)注。

將更好地支持大模型訓(xùn)練

隨著大模型的持續(xù)火熱，預(yù)期深度學(xué)習(xí)框架將在并行策略、重計(jì)算等能力上不斷提升，以更好地支持大模型的訓(xùn)練。

同時(shí)，目前訓(xùn)練大模型仍需消耗大量資源，如何依靠深度學(xué)習(xí)框架的力量節(jié)省計(jì)算資源，甚至在更小規(guī)模上完成任務(wù)，將是一個(gè)值得探索的技術(shù)方向。

智能語(yǔ)音這一年：技術(shù)突破不斷，工業(yè)落地加速

語(yǔ)?領(lǐng)域的?規(guī)模預(yù)訓(xùn)練模型層出不窮

字節(jié)跳動(dòng) AILAB 語(yǔ)?技術(shù)總監(jiān)?澤君向 InfoQ 表示，2021 年度，智能語(yǔ)音技術(shù)的演進(jìn)呈現(xiàn)出三個(gè)層面的趨勢(shì)：

（1）基礎(chǔ)建模技術(shù)在打破領(lǐng)域邊界加速融合，如 Transformer 系列模型在?然語(yǔ)?、視覺(jué)和語(yǔ)?領(lǐng)域都展現(xiàn)出?致性的優(yōu)勢(shì)，頗有“?統(tǒng)江湖”的意思。

（2) 超?規(guī)模?監(jiān)督學(xué)習(xí)技術(shù)（self-supervised learning）在上述多個(gè)領(lǐng)域展現(xiàn)出很強(qiáng)的通?學(xué)習(xí)能?，即在海量?標(biāo)簽數(shù)據(jù)上訓(xùn)練?規(guī)模通?預(yù)訓(xùn)練模型，然后?少量有標(biāo)簽數(shù)據(jù)做精細(xì)調(diào)整就能取得?常好的效果。

過(guò)去?年里，基于這種兩段訓(xùn)練模式的超?模型不斷刷新各項(xiàng)學(xué)術(shù)算法競(jìng)賽紀(jì)錄，在?業(yè)界也成為?種模型訓(xùn)練和調(diào)優(yōu)范式。

最近?年，F(xiàn)acebook、亞?遜、?歌和微軟等公司的研究學(xué)者陸續(xù)提出語(yǔ)?領(lǐng)域的?規(guī)模預(yù)訓(xùn)練模型， 如 Wav2vec、 HuBERT、 DecoAR、 BigSSL、WavLM 等。

（3）除基礎(chǔ)技術(shù)外，在不同應(yīng)?場(chǎng)合場(chǎng)景下，多個(gè)領(lǐng)域模態(tài)的技術(shù)也在快速相互融合，形成視覺(jué)、語(yǔ)?和語(yǔ)義結(jié)合的多模態(tài)綜合系統(tǒng)，如虛擬數(shù)字?。

工業(yè)界落地加速

整體來(lái)說(shuō)，智能語(yǔ)?技術(shù)在?業(yè)界的落地不斷加速，來(lái)?業(yè)務(wù)和技術(shù)兩個(gè)?向的合?共同作?牽引和驅(qū)動(dòng)應(yīng)?落地。

從應(yīng)?場(chǎng)景的牽引看，???如短中?視頻業(yè)務(wù)，在全球仍保持著較?的增?速度，視頻內(nèi)容創(chuàng)作者和內(nèi)容消費(fèi)者活躍度很?；另???，疫情令居家辦公和遠(yuǎn)程協(xié)作的需求增?，智能語(yǔ)?技術(shù)能在視頻會(huì)議中提供通信增強(qiáng)和語(yǔ)?識(shí)別等關(guān)鍵能?，為參會(huì)者提供更佳的會(huì)議體驗(yàn)；以智能汽?和虛擬現(xiàn)實(shí) VR/AR 為代表的新場(chǎng)景不斷出現(xiàn)，需要更?便、更低延遲、更沉浸式的語(yǔ)?交互體驗(yàn)。

從核?技術(shù)的驅(qū)動(dòng)看，基礎(chǔ)模型改進(jìn)和?監(jiān)督技術(shù)不斷提升著模型性能上限，同時(shí)多模態(tài)技術(shù)融合使得技術(shù)?案的能?越來(lái)越強(qiáng)，可?持更復(fù)雜的場(chǎng)景并帶來(lái)更好的體驗(yàn)。

商業(yè)化難點(diǎn)主要在于商業(yè)模式選擇

馬澤君認(rèn)為，現(xiàn)階段，智能語(yǔ)音商業(yè)化的難點(diǎn)主要是商業(yè)模式探索和路線選擇的問(wèn)題，具體包括如何更好地滿?需求，控制成本以及保證交付質(zhì)量。

???，AI 商業(yè)模式探索需要始終圍繞需求展開(kāi)，提升模型效果和在真實(shí)場(chǎng)景中解決用戶或客戶的問(wèn)題不能等同。解決實(shí)際問(wèn)題需要 AI 研發(fā)?員深?業(yè)務(wù)場(chǎng)景，理解需求和條件限制，找到合理的產(chǎn)品技術(shù)?案，并不斷思考和抽象功能和技術(shù)，沉淀通?的技術(shù)解決?案，探索驗(yàn)證可規(guī)模化的標(biāo)準(zhǔn)產(chǎn)品，降低定制周期和代價(jià)。

另???，AI 技術(shù)研發(fā)成本?常?，如何通過(guò)優(yōu)化算法低對(duì)領(lǐng)域數(shù)據(jù)依賴，建設(shè)?動(dòng)化平臺(tái)降低??消耗和提升研發(fā)流程效率對(duì)成本控制?常關(guān)鍵。

最后還要重視交付質(zhì)量和售后服務(wù)。只有同時(shí)做好上述三個(gè)環(huán)節(jié)，才能完成從需求到交付到服務(wù)的整個(gè)鏈路，從而奠定規(guī)模商業(yè)化的基礎(chǔ)。

端到端和預(yù)訓(xùn)練等技術(shù)仍然值得關(guān)注

• 端到端序列建模技術(shù)

（1）準(zhǔn)確率和推理速度更上?層樓的端到端技術(shù)值得期待，其中對(duì)?機(jī)制（alignment

mechanism）是端到端序列建模的關(guān)鍵。字節(jié)跳動(dòng) AILAB 正在探索的連續(xù)整合發(fā)放 CIF 模型（Continuous Integrate-and-Fire）是一種創(chuàng)新的序列端到端建模對(duì)齊機(jī)制，具有軟對(duì)齊、計(jì)算代價(jià)低和容易擴(kuò)展的特性。

（2）在端側(cè)設(shè)備上的端到端語(yǔ)?識(shí)別和合成技術(shù)落地值得關(guān)注，特別是輕量級(jí)、低功耗、?準(zhǔn)確度和定制靈活的端到端語(yǔ)?識(shí)別和合成技術(shù)。

（3）端到端語(yǔ)?識(shí)別技術(shù)?向的熱詞定制和領(lǐng)域?適應(yīng)技術(shù)?常可能有重?進(jìn)展。

• ?監(jiān)督預(yù)訓(xùn)練技術(shù) （1）超?數(shù)據(jù)規(guī)模和模型 size 的語(yǔ)??監(jiān)督預(yù)訓(xùn)練技術(shù)值得關(guān)注，語(yǔ)??監(jiān)督預(yù)訓(xùn)練的 BERT 已經(jīng)出現(xiàn)(Wav2vec2.0/Hubert)， 語(yǔ)??監(jiān)督預(yù)訓(xùn)練的 GPT-3 很可能在 2022 年到來(lái)。

（2）多模態(tài)語(yǔ)??監(jiān)督預(yù)訓(xùn)練技術(shù)也?常吸引?，該技術(shù)可能會(huì)極?地提升預(yù)訓(xùn)練模型的表征能?，從?帶來(lái)?監(jiān)督預(yù)訓(xùn)練技術(shù)更?范圍的落地應(yīng)?。

（3）無(wú)監(jiān)督預(yù)訓(xùn)練技術(shù)在語(yǔ)?合成、?樂(lè)分類、?樂(lè)識(shí)別領(lǐng)域的應(yīng)?同樣值得關(guān)注，借助?監(jiān)督預(yù)訓(xùn)練的聲學(xué)?頻表征，可以有效提升下游任務(wù)的性能。

• 語(yǔ)?對(duì)抗攻擊與防御技術(shù)。 （1）語(yǔ)?領(lǐng)域的對(duì)抗攻擊，從攻擊?段上來(lái)看，將從當(dāng)前的?盒攻擊，進(jìn)?步進(jìn)化成?盒攻擊；從攻擊內(nèi)容來(lái)看，將從當(dāng)前流?的 untarget 攻擊進(jìn)化成 target 攻擊。

群雄逐鹿，誰(shuí)能贏得自動(dòng)駕駛之戰(zhàn)？

2021 年，自動(dòng)駕駛領(lǐng)域格外熱鬧。

造車(chē)熱

今年，互聯(lián)網(wǎng)大廠、新造車(chē)勢(shì)力和傳統(tǒng)企業(yè)紛紛進(jìn)場(chǎng)布局自動(dòng)駕駛，可以說(shuō)能下場(chǎng)的巨頭們基本上都下場(chǎng)造車(chē)了，自動(dòng)駕駛“戰(zhàn)場(chǎng)”群雄逐鹿，不知未來(lái)誰(shuí)執(zhí)牛耳？

在資本市場(chǎng)上，自動(dòng)駕駛也備受追捧。據(jù)零壹智庫(kù)分析，繼 2016-2018 年熱潮之后，2021 年自動(dòng)駕駛領(lǐng)域迎來(lái)第二次投資熱潮。今年 11 月，Momenta 完成超 10 億美元 C 輪系列融資，創(chuàng)下本年度自動(dòng)駕駛領(lǐng)域最大規(guī)模融資記錄。

商業(yè)化前夜

Robotaxi 是自動(dòng)駕駛最有價(jià)值的商業(yè)模式，現(xiàn)階段，很多自動(dòng)駕駛技術(shù)公司都在做 Robotaxi 的嘗試。今年，很多自動(dòng)駕駛車(chē)輛從封閉路測(cè)場(chǎng)地走向真實(shí)道路。百度、小馬智行、文遠(yuǎn)知行、等企業(yè)已實(shí)現(xiàn)面向公眾的示范運(yùn)營(yíng)，開(kāi)始探索商業(yè)化。11 月，國(guó)內(nèi)首個(gè)自動(dòng)駕駛出行服務(wù)商業(yè)化試點(diǎn)在北京正式啟動(dòng)，百度和小馬智行成為首批獲許開(kāi)展商業(yè)化試點(diǎn)的企業(yè)。業(yè)內(nèi)人士認(rèn)為，這標(biāo)志著國(guó)內(nèi)自動(dòng)駕駛領(lǐng)域從測(cè)試示范邁入商業(yè)化試點(diǎn)探索新階段。

今年，自動(dòng)駕駛卡車(chē)賽道也格外火熱，量產(chǎn)和商業(yè)化均提速，頭部玩家走向上市。近日，毫末智行董事長(zhǎng)張凱在接受 InfoQ 等媒體采訪時(shí)談到了自動(dòng)駕駛卡車(chē)的發(fā)展，他表示，相對(duì)乘用車(chē)輔助自動(dòng)駕駛運(yùn)行場(chǎng)景的復(fù)雜性，RoboTruck 具有一些優(yōu)勢(shì)，例如長(zhǎng)時(shí)間運(yùn)行在較暢通的高速公路上，運(yùn)行場(chǎng)景相對(duì)簡(jiǎn)單。現(xiàn)階段，RoboTruck 走得是類似于乘用車(chē)般從輔助駕駛到無(wú)人駕駛漸進(jìn)式的發(fā)展路線。從發(fā)展前景看，Robotruck 具備商業(yè)化閉環(huán)的可行性，但自動(dòng)駕駛系統(tǒng)的量產(chǎn)將會(huì)是一個(gè)坎。

毫末智行 COO 侯軍認(rèn)為，2021 年是自動(dòng)駕駛的爆發(fā)之年。一方面，得益于技術(shù)的持續(xù)進(jìn)步、市場(chǎng)需求、政策加持、資本看好等各方面因素，高級(jí)別自動(dòng)駕駛在落地探索方面，已有了初步的成果；另一方面，智能駕駛商業(yè)化落地也在快速滲透，開(kāi)始走向量產(chǎn)時(shí)代。

2022，這些技術(shù)將是下半場(chǎng)競(jìng)爭(zhēng)勝負(fù)的關(guān)鍵

根據(jù)張凱的預(yù)判，“2022 年將是自動(dòng)駕駛行業(yè)發(fā)展最為關(guān)鍵的一年。乘用車(chē)輔助駕駛領(lǐng)域的競(jìng)爭(zhēng)將會(huì)正式進(jìn)入下半場(chǎng)，而下半場(chǎng)競(jìng)爭(zhēng)的場(chǎng)景將會(huì)是城市開(kāi)放場(chǎng)景。其他場(chǎng)景的自動(dòng)駕駛也將正式進(jìn)入商業(yè)化元年”。

張凱認(rèn)為，2022 年，多項(xiàng)自動(dòng)駕駛技術(shù)值得關(guān)注。

（1）數(shù)據(jù)智能將成為自動(dòng)駕駛量產(chǎn)決勝的關(guān)鍵。 數(shù)據(jù)智能體系是自動(dòng)駕駛商業(yè)化閉環(huán)的關(guān)鍵所在，搭建高效、低成本的數(shù)據(jù)智能體系有助于推動(dòng)自動(dòng)駕駛系統(tǒng)不斷迭代前行。

（2）Transformer 與 CNN 技術(shù)深度融合，將會(huì)成為自動(dòng)駕駛算法整合的粘合劑。Transformer 技術(shù)幫助自動(dòng)駕駛感知系統(tǒng)理解環(huán)境語(yǔ)義更深刻，與 CNN 技術(shù)深度融合能解決 AI 大模型量產(chǎn)部署的難題，這是自動(dòng)駕駛行業(yè)下半場(chǎng)競(jìng)爭(zhēng)的關(guān)鍵技術(shù)。

（3）大算力計(jì)算平臺(tái)將在 2022 年正式量產(chǎn)落地，Transformer 技術(shù)與 ONESTAGE CNN 技術(shù)都需要大算力計(jì)算平臺(tái)做支撐。

（4）隨著自動(dòng)駕駛系統(tǒng)的量產(chǎn)和規(guī)模化，激光雷達(dá)與機(jī)器視覺(jué)組成的 AI 感知技術(shù)，將與大算力計(jì)算平臺(tái)深度融合，這將大幅提升自動(dòng)駕駛感知、認(rèn)知模塊的運(yùn)行效率。

NLP，黃金時(shí)代持續(xù)？

這幾年，NLP 處于快速發(fā)展階段。去年，多位 NLP 專家評(píng)判，NLP 迎來(lái)了大爆發(fā)的黃金時(shí)代。那么今年，NLP 的發(fā)展情況如何？

基于提示的微調(diào)技術(shù)迅速流行

作業(yè)幫產(chǎn)研中心蔣宏飛博士告訴 InfoQ，今年基于提示的微調(diào) (prompt-based tuning）的技術(shù)迅速流行起來(lái)，這是一種人類知識(shí)和大模型較高效的結(jié)合模式。該技術(shù)是今年較值得關(guān)注的新進(jìn)展。

“今年 NLP 在基礎(chǔ)模型方面沒(méi)有大的突破。預(yù)訓(xùn)練模型方面，今年涌現(xiàn)了很多很大的模型，但整體上同質(zhì)化也較嚴(yán)重，對(duì)于工業(yè)界實(shí)踐效果來(lái)講，往往按照‘奧卡姆剃刀’原則，傾向于使用最適當(dāng)?shù)娜?Bert 往往就夠了”蔣宏飛表示。

現(xiàn)階段，NLP 技術(shù)在發(fā)展過(guò)程中還存在不少技術(shù)挑戰(zhàn)，其中之一便是很難獲取到大量高質(zhì)量的標(biāo)注數(shù)據(jù)。深度學(xué)習(xí)依賴大規(guī)模標(biāo)注數(shù)據(jù)，對(duì)于語(yǔ)音識(shí)別、圖像處理等感知類任務(wù)，標(biāo)注數(shù)據(jù)相對(duì)容易，但 NLP 往往是認(rèn)識(shí)類任務(wù)，人的理解都有主觀性，且任務(wù)和領(lǐng)域眾多，導(dǎo)致大規(guī)模語(yǔ)料標(biāo)注的時(shí)間成本和人力成本都很大。

與 CV、語(yǔ)音識(shí)別相比，NLP 項(xiàng)目在業(yè)務(wù)中落地往往較慢

NLP 落地項(xiàng)目往往和業(yè)務(wù)強(qiáng)相關(guān)。不像圖像識(shí)別、語(yǔ)音識(shí)別，通用能力在具體業(yè)務(wù)也有大量落地場(chǎng)景，業(yè)務(wù)和算法協(xié)作邊界和指標(biāo)相對(duì)好確定。而 NLP 項(xiàng)目在業(yè)務(wù)中落地往往會(huì)比較慢，需要上下游不斷深度磨合對(duì)齊。

NLP 解決的是最難的認(rèn)知智能，而人類語(yǔ)言的歧義性、復(fù)雜性、動(dòng)態(tài)性令其挑戰(zhàn)重重。但 NLP 商業(yè)化落地必須面對(duì)這些本質(zhì)的難題，所以不太可能有通用性的“一招吃遍天”的技術(shù)方案。

“盡管現(xiàn)在的預(yù)訓(xùn)練模型一直在往這個(gè)方向努力，但我認(rèn)為起碼目前這種 Transformer 式的，或者更通用地說(shuō)，DNN 這種蜂巢智能式的技術(shù)范式不太行。所以，大家能看到也有不少研究學(xué)者在知識(shí)圖譜類的各種其他范式上在做努力”蔣宏飛說(shuō)。

通用性的模型既然走不通，那垂類單一具體場(chǎng)景任務(wù)為什么也不能快速搭建？這個(gè)問(wèn)題又涉及到數(shù)據(jù)的問(wèn)題。數(shù)據(jù)標(biāo)準(zhǔn)的對(duì)齊、數(shù)據(jù)標(biāo)注一致且高效、數(shù)據(jù)覆蓋度和均衡度、長(zhǎng)尾數(shù)據(jù)的處理、數(shù)據(jù)動(dòng)態(tài)漂移等都是 NLP 從業(yè)者每天面對(duì)的麻煩事。而相關(guān)的方法論和基礎(chǔ)工具還很不系統(tǒng)、不齊備，這是未來(lái)想達(dá)到快速商業(yè)化目的前必須打好的基礎(chǔ)。

明年，NLP 將在哪些場(chǎng)景實(shí)現(xiàn)規(guī)模化落地？

2022 年，NLP 的大規(guī)模化應(yīng)用可能會(huì)出現(xiàn)在以下行業(yè)出現(xiàn)突破：

• 教育智能化

• 場(chǎng)景化高標(biāo)準(zhǔn)機(jī)器輔助翻譯，如專業(yè)領(lǐng)域文檔翻譯、會(huì)議實(shí)時(shí)翻譯等。

• 服務(wù)運(yùn)營(yíng)智能化：培訓(xùn)、銷售、營(yíng)銷、服務(wù)等場(chǎng)景的智能化。

• 外文學(xué)習(xí)/寫(xiě)作智能輔助，參考 Grammarly 和 Duolingo 的快速發(fā)展。

• 醫(yī)療智能化。文本廣泛存在于電子病歷、臨床試驗(yàn)報(bào)告、醫(yī)學(xué)產(chǎn)品說(shuō)明書(shū)、醫(yī)學(xué)文獻(xiàn)中。分析、挖掘和利用這些文本，有大量且能直接使用的場(chǎng)景，可能會(huì)有突破式發(fā)展。

• 代碼智能分析。代碼 bug 識(shí)別、代碼智能優(yōu)化等。

2022 年，NLP 值得關(guān)注的技術(shù)點(diǎn)

• 基于提示的微調(diào) (prompt-based tuning)的技術(shù)。

• 具有邏輯推理的文本生成技術(shù)、具有良好控制性以及一致性的文本生成技術(shù)。文本生成要在嚴(yán)肅場(chǎng)景用起來(lái)就必須滿足這些，否則只能應(yīng)用在娛樂(lè)場(chǎng)景。

• 多模態(tài)技術(shù)。如 NLP+CV、 NLP + Image、 NLP+ Speech 等。

• 主動(dòng)學(xué)習(xí)、數(shù)據(jù)增強(qiáng)等。NLP 大規(guī)模快速落地時(shí)的很多痛點(diǎn)需要這些技術(shù)來(lái)緩解。

• 代碼智能。代碼問(wèn)題識(shí)別、代碼翻譯、自動(dòng)代碼優(yōu)化、代碼工作量評(píng)估(如 Merico 的方案)。

元宇宙概念大火，計(jì)算機(jī)視覺(jué)是基石技術(shù)之一

回首過(guò)去的一年，OPPO AI 技術(shù)產(chǎn)品化專家（語(yǔ)音語(yǔ)義和計(jì)算機(jī)視覺(jué)以及多模態(tài)融合方向）何苗總結(jié)了計(jì)算機(jī)視覺(jué)在工業(yè)界和學(xué)術(shù)界的進(jìn)展。

具身智能，從被動(dòng)式 AI 轉(zhuǎn)向主動(dòng)式人工智能

具身智能（embodied AI），強(qiáng)調(diào)智能體（agent）要與真實(shí)世界進(jìn)行交互，并通過(guò)多模態(tài)的交互 — 不僅僅是讓 AI 學(xué)習(xí)提取視覺(jué)上的高維特征，被“輸入”的認(rèn)知世界，而是通過(guò)“眼耳鼻舌身意”六根來(lái)主動(dòng)獲取物理世界的真實(shí)反饋，通過(guò)反饋進(jìn)一步讓智能體學(xué)習(xí)并使其更“智能”、乃至“進(jìn)化”。

今年 2 月，李飛飛提出了一套新的計(jì)算框架—— DERL（deep evolution reinforcement learning）深度進(jìn)化強(qiáng)化學(xué)習(xí)。她提到了生物進(jìn)化論與智能體進(jìn)化的關(guān)系，并借鑒了進(jìn)化論的理論應(yīng)用于假設(shè)的智能體的進(jìn)化學(xué)習(xí)中。

進(jìn)入元宇宙，需要智能感知和交互這張門(mén)票

今年，元宇宙概念大火，各家紛紛入局。

Facebook 極為推崇元宇宙，為了表示投入元宇宙的決心，今年，F(xiàn)acebook 改名為 meta，并宣布 “all in 元宇宙”。

扎克伯格提出云宇宙需要具備八要素，其中之一是 Presence 開(kāi)發(fā)平臺(tái)/套件。Presence 是 meta 為 Oculus VR 頭顯開(kāi)發(fā)者提供的元宇宙基礎(chǔ)開(kāi)發(fā)套件，提供的即為基于計(jì)算機(jī)視覺(jué)和智能語(yǔ)音技術(shù)的工具集，分別是 insight sdk、interaction sdk 和 voice sdk。

進(jìn)入元宇宙需要智能感知與交互技術(shù)這張門(mén)票，而這張門(mén)票里的視覺(jué)和語(yǔ)音技術(shù)是最重要的基石。

趨勢(shì)一：面向內(nèi)容生成的 AIGC

元宇宙世界需要孿生大量現(xiàn)實(shí)世界的物體或是對(duì)于現(xiàn)實(shí)世界的人物進(jìn)行重建，而這些海量的重建必然不能按照傳統(tǒng)游戲世界中的方法，由 CG 工程師一個(gè)個(gè)手工制作，這樣效率遠(yuǎn)遠(yuǎn)無(wú)法滿足實(shí)際場(chǎng)景的需求。因此面向內(nèi)容生成的 AIGC（算法層面）是必要的。相關(guān)技術(shù)方向包括：圖像超分、domain 遷移、外推、類似 CLIP（對(duì)比式語(yǔ)言圖像預(yù)訓(xùn)練模型，可以從自然語(yǔ)言監(jiān)督中有效學(xué)習(xí)視覺(jué)模型）的隱式神經(jīng)表示 — 通過(guò)文字描述來(lái)生成圖像等多模態(tài)的（CV+NLP）等相關(guān)技術(shù)。

趨勢(shì)二：SCV 合成

虛擬現(xiàn)實(shí)引擎有專門(mén)的生成合成數(shù)據(jù)的組件，這些合成數(shù)據(jù)不僅美觀，而且有助于訓(xùn)練更好的算法。

生成/合成的數(shù)據(jù)不僅是元宇宙的必備要素，也是訓(xùn)練模型的重要原料。如果有合適的工具來(lái)構(gòu)建數(shù)據(jù)集，就可省去繁瑣的給數(shù)據(jù)手工打標(biāo)的過(guò)程，更好地對(duì)計(jì)算機(jī)視覺(jué)算法進(jìn)行開(kāi)發(fā)和訓(xùn)練。

知名數(shù)據(jù)分析公司 Gartner 認(rèn)為在未來(lái) 3 年中，合成數(shù)據(jù)將比真實(shí)數(shù)據(jù)更占優(yōu)勢(shì)。在合成計(jì)算機(jī)視覺(jué)（SCV）中，我們使用虛擬現(xiàn)實(shí)引擎訓(xùn)練計(jì)算機(jī)視覺(jué)模型，并將訓(xùn)練好的模型部署到現(xiàn)實(shí)世界。

制約知識(shí)圖譜商業(yè)化落地的主要問(wèn)題在于標(biāo)準(zhǔn)化

重要技術(shù)進(jìn)展

知識(shí)圖譜技術(shù)在過(guò)去這一年取得的重要技術(shù)進(jìn)展有：

知識(shí)抽取方面，多模態(tài)信息抽取在同時(shí)處理文本和視頻方面取得了進(jìn)展；知識(shí)表示方面，自注意力機(jī)制的知識(shí)表示方法越來(lái)越走向?qū)嵱茫恢R(shí)應(yīng)用方面，很多行業(yè)開(kāi)始構(gòu)建行業(yè)知識(shí)庫(kù)，用于各類下游任務(wù)。

明略科技資深科學(xué)家張杰在接受 InfoQ 采訪時(shí)指出，現(xiàn)階段，在知識(shí)圖譜方面，業(yè)界普遍面臨的研發(fā)難點(diǎn)主要體現(xiàn)在兩個(gè)方面：算法方面，針對(duì)非結(jié)構(gòu)化數(shù)據(jù)的信息抽取和實(shí)體對(duì)齊的準(zhǔn)確度難以保障直接商用，需人工校驗(yàn)；工程方面，行業(yè)圖譜構(gòu)建成本高，需要大量的人工標(biāo)注，另外構(gòu)建進(jìn)度也不是一蹴而就，需要業(yè)務(wù)專家不斷運(yùn)維。

張杰預(yù)測(cè)，2022 年，領(lǐng)域預(yù)訓(xùn)練語(yǔ)言模型和 Prompt 在知識(shí)圖譜中的應(yīng)用，有望使得信息抽取環(huán)節(jié)得到進(jìn)一步提升。針對(duì)技能性知識(shí)的抽取技術(shù)和多模態(tài)抽取技術(shù)，商用前景廣闊。

應(yīng)用落地進(jìn)展

2021 年，知識(shí)圖譜技術(shù)的應(yīng)用落地，在 ToC 場(chǎng)景中仍主要用于搜索、推薦的提升，在 ToB 場(chǎng)景中集中在可視化上。

張杰認(rèn)為，現(xiàn)階段，制約知識(shí)圖譜商業(yè)化落地的主要因素在于標(biāo)準(zhǔn)化，行業(yè)圖譜的 schema 很難在企業(yè)內(nèi)部大范圍內(nèi)達(dá)成認(rèn)知的一致性，影響了后續(xù)的標(biāo)注、抽取、應(yīng)用。

2022 年，知識(shí)圖譜技術(shù)的大規(guī)模化應(yīng)用可能會(huì)在制造業(yè)出現(xiàn)突破，制造業(yè)的知識(shí)密度高、重視標(biāo)準(zhǔn)化，頭部企業(yè)重視數(shù)字化建設(shè)，積累了大量原始數(shù)據(jù)。

2022 年，值得關(guān)注的重要技術(shù)趨勢(shì)

人工智能工程化

近兩年，人工智能工程化（AI Engineering）格外受關(guān)注。在 Gartner 發(fā)布的 2021 年和 2022 年重要戰(zhàn)略技術(shù)趨勢(shì)中，人工智能工程化都被列入其中。人工智能工程化是一種實(shí)現(xiàn)人工智能模型操作化的綜合方法。

不久前，Gartner 高級(jí)研究總監(jiān)高挺曾在接受 InfoQ 采訪時(shí)表示，AI 工程化本質(zhì)上是 AI 在企業(yè)中大規(guī)模、全流程的落地過(guò)程，盡管目前大家現(xiàn)在對(duì) AI 期待很高，但實(shí)際上 AI 目前的應(yīng)用仍然是被低估的。因?yàn)椋芏?AI 項(xiàng)目的價(jià)值只能體現(xiàn)在一些“點(diǎn)對(duì)點(diǎn)”的一次性的方案中。將 AI 大規(guī)模落地的工程化方法（包含 DataOps、ModelOps 和 DevOps）總和起來(lái)，便是“AI 的工程化”的一整套體系。

人工智能工程化對(duì)企業(yè)有很多好處，企業(yè)在進(jìn)行人工智能落地的時(shí)候，落地效率、落地廣泛度會(huì)更高。

可以預(yù)見(jiàn)，人工智能工程化將會(huì)是未來(lái) 2-3 年需要持續(xù)關(guān)注的方向，人工智能工程化應(yīng)該關(guān)注三大核心要點(diǎn)：數(shù)據(jù)運(yùn)維、模型運(yùn)維、開(kāi)發(fā)運(yùn)維。

Gartner 預(yù)測(cè)，到 2025 年，10%建立人工智能工程化最佳實(shí)踐的企業(yè)從其人工智能工作中產(chǎn)生的價(jià)值將至少比 90%未建立該實(shí)踐的企業(yè)高出三倍。

生成式 AI 漸成趨勢(shì)

生成式人工智能（Generative Artificial Intelligence）也被 Gartner 評(píng)為 2022 年重要戰(zhàn)略技術(shù)趨勢(shì)之一。

該機(jī)器學(xué)習(xí)方法從其數(shù)據(jù)中學(xué)習(xí)內(nèi)容或?qū)ο螅⑦\(yùn)用數(shù)據(jù)生成全新、完全原創(chuàng)的實(shí)際工件。人們可以用 AI 來(lái)創(chuàng)造出一些新事物，如內(nèi)容創(chuàng)作、創(chuàng)建軟件代碼、輔助藥物研發(fā)等。

近日，機(jī)器學(xué)習(xí)大牛吳恩達(dá)發(fā)文回顧了 AI 在 2021 年的四個(gè)重要進(jìn)展，其中之一便是，AI 生成音頻內(nèi)容呈現(xiàn)出主流化傾向。現(xiàn)在音樂(lè)家和電影制作人們，已經(jīng)習(xí)慣于使用 AI 支持型音頻制作工具。

在國(guó)內(nèi)的優(yōu)酷、愛(ài)奇藝等視頻平臺(tái)，AI 也已經(jīng)廣泛用于音、視頻的內(nèi)容生產(chǎn)和創(chuàng)作中，如 AI 輔助視頻制作、智能字幕生成、智能翻譯、特效生成等。

Gartner 認(rèn)為，未來(lái)一段時(shí)間內(nèi)，AI 會(huì)逐漸從一個(gè)做判斷的機(jī)器變成一個(gè)做創(chuàng)造的機(jī)器。預(yù)計(jì)到 2025 年，生成式人工智能將占所有生成數(shù)據(jù)的 10%，而目前這一比例還不到 1%。

不過(guò)該技術(shù)還存在一定的爭(zhēng)議，如會(huì)被濫用于詐騙、欺詐、政治造謠、偽造身份等，存在道德和法律風(fēng)險(xiǎn)。

元宇宙，狂熱的新風(fēng)口

2021 年，可能沒(méi)什么技術(shù)名詞比“元宇宙”熱度更高了。全球很多公司都在講元宇宙的概念，認(rèn)為元宇宙是指向互聯(lián)網(wǎng)的“終極形態(tài)”。如今，移動(dòng)互聯(lián)網(wǎng)的紅利已經(jīng)見(jiàn)頂，不知道互聯(lián)網(wǎng)的盡頭是否會(huì)是元宇宙？

所謂元宇宙，是一個(gè)虛擬時(shí)空間的集合， 由一系列的增強(qiáng)現(xiàn)實(shí)（AR）， 虛擬現(xiàn)實(shí)（VR） 和互聯(lián)網(wǎng)（Internet）所組成。元宇宙的實(shí)現(xiàn)，仰賴一系列前沿技術(shù)作支撐，包括人工智能、VR/VR、5G、云計(jì)算、大數(shù)據(jù)、區(qū)塊鏈等基礎(chǔ)設(shè)施。

元宇宙中可以重點(diǎn)關(guān)注的細(xì)分賽道有 VR/AR 、游戲、社交、Metahuman 等。文娛基金易凱資本在其元宇宙報(bào)告中也表示，長(zhǎng)期看好基于上述形態(tài)的底層技術(shù)公司。易凱資本預(yù)測(cè)，在未來(lái)十年，元宇宙概念將依舊集中于社交、游戲、內(nèi)容等娛樂(lè)領(lǐng)域，到 2030 年會(huì)滲透到提升生產(chǎn)生活效率的領(lǐng)域。

寫(xiě)在最后

總結(jié)人工智能在 2021 年的發(fā)展，涌現(xiàn)了不少激動(dòng)人心的重大突破，人工智能也正在賦能、改變甚至顛覆許多行業(yè)。當(dāng)然也仍有很多難點(diǎn)需要投入更多時(shí)間攻克。

近日，李彥宏對(duì) AI 的未來(lái)發(fā)表評(píng)論：“人機(jī)共生”時(shí)代，中國(guó)將迎來(lái) AI 黃金十年。而未來(lái)十年，AI 技術(shù)應(yīng)用門(mén)檻將顯著降低，為各行各業(yè)的智能化轉(zhuǎn)型提供技術(shù)“大底座”。

人工智能發(fā)展已漸入深水區(qū)，期待明年以及之后的 10 年，人工智能能夠在技術(shù)和落地上取得更多進(jìn)展，為下一個(gè)“黃金十年”而努力。

采訪嘉賓介紹（按姓名首字母排序）：

何苗，OPPO AI 技術(shù)產(chǎn)品化專家

侯軍，毫末智行 COO

蔣宏飛，作業(yè)幫產(chǎn)研中心

劉知遠(yuǎn)，清華大學(xué)教授、智源大模型技術(shù)委員會(huì)成員

?澤君，字節(jié)跳動(dòng) AILAB 語(yǔ)?技術(shù)總監(jiān)

吳韶華，浪潮人工智能研究院首席研究員

許欣然，曠視天元 MegEngine 研發(fā)負(fù)責(zé)人

曾冠榮，OPPO 小布智能中心、 NLP 算法工程師

張杰，明略科技資深科學(xué)家

張凱，毫末智行董事長(zhǎng)

來(lái)源 | InfoQ

為了能夠真實(shí)地反映人工智能領(lǐng)域?qū)W者的研究水平以及國(guó)家發(fā)展水平，1月11日，清華-中國(guó)工程院知識(shí)智能聯(lián)合研究中心和清華大學(xué)人工智能研究院推出了「AI 2000人工智能全球 2000 位最具影響力學(xué)者榜單（AI 2000 Most Influential Scholar Award）」。

AI 2000的主要負(fù)責(zé)人、清華大學(xué)教授唐杰向雷鋒網(wǎng)表示，從2017年起，他們便開(kāi)始策劃 AI 2000，榜單排名依托于唐杰教授所開(kāi)發(fā)的學(xué)術(shù)搜索引擎Aminer，通過(guò)計(jì)入過(guò)去 10年內(nèi)學(xué)者們?cè)诟鞔驛I頂會(huì)和期刊中發(fā)表論文的引用率來(lái)進(jìn)行評(píng)估。

不同于CSRankings以“論文數(shù)量”為唯一標(biāo)準(zhǔn)，AI 2000的評(píng)選主要以發(fā)表在核心頂會(huì)和期刊上論文的引用率為主，這也在一定程度上能夠體現(xiàn)一個(gè)學(xué)者的“學(xué)術(shù)影響力”。

另一方面，AI 2000 的排名更加側(cè)重于“創(chuàng)新”，而非“資深”。因此，AI 2000 只考慮過(guò)去 10年內(nèi)發(fā)表的論文，而非學(xué)者整個(gè)學(xué)術(shù)生涯中的全部貢獻(xiàn)。據(jù)唐杰教授表示，之所以選擇“10年”，是因?yàn)?ldquo;時(shí)間太短體現(xiàn)不出一項(xiàng)工作的影響力，而時(shí)間太長(zhǎng)則無(wú)法反映學(xué)者當(dāng)前的影響力”。

1、AI 2000 評(píng)選

AI 2000 的榜單涵蓋了人工智能學(xué)科20個(gè)子領(lǐng)域。具體遴選方法為，每個(gè)子領(lǐng)域每年選出10名獲獎(jiǎng)?wù)撸磥?lái)10年共產(chǎn)生2000名；每年的遴選，將參考過(guò)去十年該領(lǐng)域最有影響力的會(huì)議和期刊發(fā)表論文的引用情況，排名前10的學(xué)者當(dāng)選該領(lǐng)域當(dāng)年【AI 2000最具影響力學(xué)者獎(jiǎng)】，排名前100的其他學(xué)者獲【AI 2000最具影響力學(xué)者提名獎(jiǎng)】；每個(gè)領(lǐng)域的期刊和會(huì)議由技術(shù)委員會(huì)專家確定。

20個(gè)子領(lǐng)域分別為：經(jīng)典AI(AAAI/IJCAI)、機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、機(jī)器人、知識(shí)工程、語(yǔ)音識(shí)別、數(shù)據(jù)挖掘、信息檢索與推薦、數(shù)據(jù)庫(kù)、人機(jī)交互、計(jì)算機(jī)圖形、多媒體、可視化、安全與隱私、計(jì)算機(jī)網(wǎng)絡(luò)、計(jì)算機(jī)系統(tǒng)、計(jì)算理論、芯片技術(shù)和物聯(lián)網(wǎng)。

每個(gè)子領(lǐng)域所參考的頂級(jí)會(huì)議和期刊是根據(jù)《CCF 推薦國(guó)際學(xué)術(shù)期刊和會(huì) 議目錄》和 ACM 計(jì)算分類系統(tǒng)相關(guān)子領(lǐng)域的 A 類期刊和會(huì)議作為數(shù)據(jù)的來(lái)源。然后征求相關(guān)專家和團(tuán)體意見(jiàn)，補(bǔ)充新涌現(xiàn)的學(xué)科頂級(jí)期刊和會(huì)議。以下列表給 出了 20 個(gè)子領(lǐng)域所采用的頂級(jí)會(huì)議和期刊。

2、入榜情況

1）經(jīng)典人工智能領(lǐng)域（AAAI/IJCAI）

經(jīng)典AI的排名主要依據(jù)AAAI和IJCAI的論文引用數(shù)據(jù)。在這個(gè)領(lǐng)域中，香港科大楊強(qiáng)教授以入選論文總引用量3929排在經(jīng)典人工智能領(lǐng)域第一名。前10名中，有7位華人學(xué)者，除了楊強(qiáng)教授外，還包括西北工業(yè)大學(xué)聶平飛教授（5）、清華大學(xué)孫茂松教授（6）、南京大學(xué)周志華教授（7）、清華大學(xué)劉知遠(yuǎn)副教授（8）、南洋理工大學(xué)Sinno Jialin Pan副教授（9）、匹茲堡大學(xué)Heng Huang教授（10）。這說(shuō)明在AAAI和IJCAI這兩個(gè)頂會(huì)中，華人學(xué)者呈現(xiàn)出絕對(duì)霸榜的態(tài)勢(shì)。

2）機(jī)器學(xué)習(xí)領(lǐng)域

Ilya Sutskever教授以入選論文總引用量92071 排在機(jī)器學(xué)習(xí)領(lǐng)域第一名。而著名學(xué)者Geoffrey Hinton則以70250排名第二，Yoshua Bengio以55930排名第三。Ian Goodfellow 和Jeffrey Dean分別排名第 7名和第 10 名。在機(jī)器學(xué)習(xí)領(lǐng)域的前十名中，沒(méi)有華人出現(xiàn)。

3）計(jì)算機(jī)視覺(jué)

計(jì)算視覺(jué)領(lǐng)域也是華人身影最多的一個(gè)領(lǐng)域，前10名中有6位華人。排在計(jì)算機(jī)視覺(jué)領(lǐng)域第一名的是著名青年學(xué)者何愷明，入選論文總引用量70524。隨之其后的是孫劍、任少卿、Xiangyu Zhang，入選論文總引用量分別為64419、50104、47322。值得一提的是計(jì)算機(jī)視覺(jué)領(lǐng)域的知名學(xué)者李飛飛和湯曉鷗分別以入選論文總引用量31856和27521分別排名第8名和第10名。

4）自然語(yǔ)言處理領(lǐng)域

自然語(yǔ)言處理領(lǐng)域，Manning 以入選論文總引用量 37912，當(dāng)之無(wú)愧的排在第一名。Yoshua Bengio和吳恩達(dá)(Andrew Y. Ng)分別排在第 4 和第 6 名。曾有一位學(xué)者警示說(shuō)“NLP的研究仍然是白人占統(tǒng)治地位”，從排名中可以看出，此言不虛，在排名前 100的學(xué)者中，亞裔身影寥寥無(wú)幾，國(guó)內(nèi)NLP領(lǐng)域最著名的學(xué)者何曉東、周明、劉挺等人榜單排名也僅在30多名。

5）機(jī)器人領(lǐng)域

Freiburg大學(xué)的Wolfram Burgard以入選論文總引用量9597排名第一。機(jī)器人領(lǐng)域鮮少有亞裔身影，前10名（甚至前20名）都沒(méi)有亞裔身影。可見(jiàn)我們需要提升的空間還很大。

6）知識(shí)工程領(lǐng)域

Christian Bizer排名第一。該領(lǐng)域前 100 名中無(wú)一華人。

7）語(yǔ)音識(shí)別領(lǐng)域

在語(yǔ)音識(shí)別領(lǐng)域，Geoffrey Hinton排名第一。著名華人學(xué)者俞棟、鄧力分別排名第5名和第 8 名。

8）數(shù)據(jù)挖掘領(lǐng)域

數(shù)據(jù)挖掘領(lǐng)域著名的青年學(xué)者Jure Leskovec排名第一，而這一領(lǐng)域的巨擘韓家煒則排名第三。這也說(shuō)明，AI 2000 的排名更加側(cè)重“最新”的影響，而非“資深”。值得注意的是，數(shù)據(jù)挖掘領(lǐng)域也是華人最為擅長(zhǎng)的領(lǐng)域之一，前 10 名中有七位都是華人學(xué)者，按先后順序分別為韓家煒（3）、陳天奇（4）、陳衛(wèi)（6）、俞士綸（7）、王亞軍（8）、唐杰（9）、鄭宇（10）。

9）信息檢索與挖掘領(lǐng)域

在信息檢索與挖掘領(lǐng)域，韓國(guó)和日本的學(xué)者居多。韓國(guó)學(xué)者Haewoon Kwak排名第一。Jure Leskovec在這一領(lǐng)域也排名第 5。華人學(xué)者蔡達(dá)成、Qiaozhu Mei和謝幸分別排名第10 、12和13名。

10）數(shù)據(jù)庫(kù)領(lǐng)域

Michael J. Franklin 排名第一，其學(xué)生、華人學(xué)者Reynold Xin也位列第 9 名。在數(shù)據(jù)庫(kù)領(lǐng)域，清華大學(xué)的李國(guó)良教授排名第 24 位。

11）人機(jī)交互領(lǐng)域

人機(jī)交互領(lǐng)域排名第一的是微軟科學(xué)家Meredith Ringel Morris，這也是所有20個(gè)領(lǐng)域排名第一的唯一一位女性科學(xué)家。在這一領(lǐng)域中，很遺憾，也鮮少有華人身影。

12）計(jì)算機(jī)圖形學(xué)領(lǐng)域

MIT的Frédo Durand排名第一。華人中排名最高的是西蒙弗雷澤大學(xué)大學(xué)的張皓教授（13），其次是浙江大學(xué)周昆教授（22）、清華大學(xué)胡事民教授（23）、微軟亞研郭百寧博士（30）、微軟亞研童欣博士（31）、北京大學(xué)陳寶權(quán)教授（32）。

13）多媒體領(lǐng)域

加州大學(xué)Trevor Darrell教授排名第一。在這一領(lǐng)域，著名青年學(xué)者、阿里副總裁賈楊清位列第二名（共有7位并列第二），依圖CTO顏水成排名第 12名。值得注意的是，這一領(lǐng)域也是華人扎堆的領(lǐng)域，排名前 100名的學(xué)者中 70%的都是華人。

14）可視化領(lǐng)域

可視化領(lǐng)域的第一名是華盛頓大學(xué)的Jeffrey Heer教授。香港科大屈華民教授和清華大學(xué)劉世霞教授分別排名第 3 名和第 4 名。浙大巫英才教授、北大袁曉如研究員、浙大周昆教授也分別排名第 15、20、22名。

15）安全與隱私

加州伯克利分校David Wagner教授排名第一。在這一領(lǐng)域，毫無(wú)疑問(wèn)仍然白人居多，盡管有少量華人身影，大多也是在美國(guó)任教，前 100名的榜單上沒(méi)有國(guó)內(nèi)學(xué)者身影。

16）計(jì)算機(jī)網(wǎng)絡(luò)

斯坦福大學(xué)的Wireless Networks領(lǐng)域著名學(xué)者Sachin Katti排名第一。在這一領(lǐng)域，印度裔學(xué)者居多，華人中阿里巴巴的張明博士位居第 13 名。

17）計(jì)算機(jī)系統(tǒng)領(lǐng)域

Michael Acheson Isard排名第一，而谷歌的著名科學(xué)家Jeffrey Dean緊隨其后排名第二。而華人學(xué)者Yuan Yu、陳建民、陳智峰分別排名第 6、 7、7（并列）名。

18）計(jì)算機(jī)理論領(lǐng)域

IBM 的Craig Gentry博士排名第一。這一領(lǐng)域鮮少有華人身影，在卡內(nèi)基梅隆大學(xué)執(zhí)教的彭泱助理教授排名21，清華大學(xué)朱澤園排名第38名。

19）芯片技術(shù)領(lǐng)域

這一領(lǐng)域，MIT的Anantha教授排名第一，緊隨其后是著名華人學(xué)者叢京生，而清華大學(xué)教授汪玉、楊華中也分別排名第 9 名和第 10 名。值得注意的是剛剛?cè)脒xACM Fellow的阿里巴巴達(dá)摩院著名學(xué)者謝源排名第 34 名。

20）物聯(lián)網(wǎng)領(lǐng)域

盡管物聯(lián)網(wǎng)的應(yīng)用在我國(guó)呼聲很高，但排名前十的僅有一位新加坡華人學(xué)者Rui Zhang教授。排名第一的是Jeffrey Andrews教授。注：AI 2000排名榜數(shù)據(jù)會(huì)動(dòng)態(tài)更新，以上數(shù)據(jù)采集截止到2020年1月11日12點(diǎn)。實(shí)時(shí)信息可查看網(wǎng)站 https://www.aminer.cn/ai2000，以網(wǎng)站為準(zhǔn)。

3、數(shù)據(jù)分析

AI 2000 的發(fā)布報(bào)告也對(duì)入圍的 2000名學(xué)者數(shù)據(jù)進(jìn)行了簡(jiǎn)單分析，得出以下幾點(diǎn)結(jié)論：

1）美國(guó)學(xué)者數(shù)量領(lǐng)跑全球

根據(jù)學(xué)者當(dāng)前就職機(jī)構(gòu)地理位置進(jìn)行劃分，2000名學(xué)者中有1128名來(lái)自美國(guó)，占比61.4%；盡管中國(guó)排名所有國(guó)家中的第二名，但也僅有173名，占比9.4%；其次是德國(guó)111名。

2）美國(guó)機(jī)構(gòu)數(shù)量多實(shí)力強(qiáng)

統(tǒng)計(jì)各領(lǐng)域高引學(xué)者數(shù) TOP10 的研究機(jī)構(gòu)如下圖所示，

位居首位的是谷歌公司，共 168 人入選榜單，也是唯一一家學(xué)者數(shù)過(guò)百的機(jī)構(gòu)。從國(guó)家分布來(lái)看，只有清華大學(xué)為中國(guó)入選機(jī)構(gòu)，其余均為美國(guó)研究機(jī)構(gòu)，且美國(guó)機(jī)構(gòu)學(xué)者總體人 數(shù)遙遙領(lǐng)先。此外，各領(lǐng)域榜首機(jī)構(gòu)統(tǒng)計(jì)如下圖所示。

谷歌在經(jīng)典人工智能等9個(gè)領(lǐng)域的學(xué)者數(shù)量都位居榜首；麻省理工學(xué)院在機(jī)器人以及計(jì)算理論2個(gè)領(lǐng)域的學(xué)者數(shù)量位居榜首；微軟在數(shù)據(jù)挖掘以及信息檢索與推薦2個(gè)領(lǐng)域的學(xué)者數(shù)量位居榜首；其他領(lǐng)域的榜首分布在不同的機(jī)構(gòu)中，其中，中國(guó)科學(xué)院在多媒體領(lǐng)域的學(xué)者數(shù)量最多。

3）男女比例差異明顯

AI 2000報(bào)告也對(duì)所有上榜學(xué)者性別做出統(tǒng)計(jì)。男性在各領(lǐng)域中均占多數(shù)，共 1661人；女性學(xué)者稀少，共 176 人。其中，機(jī)器學(xué)習(xí)領(lǐng)域的男性學(xué)者比例最高，達(dá) 97%；人機(jī)交互領(lǐng)域的女性學(xué)者比例最高，但也只占該領(lǐng)域的 24%。

4）研究領(lǐng)域多點(diǎn)開(kāi)花

AI 2000的學(xué)者中，有多位學(xué)者的研究方向涉及了多個(gè)領(lǐng)域，其中有2位學(xué)者出現(xiàn)在四個(gè)領(lǐng)域，他們分別是Yoshua Bengio以及Alex J. Smola；此外，有20位學(xué)者出現(xiàn)在三個(gè)領(lǐng)域，有117位學(xué)者出現(xiàn)在兩個(gè)領(lǐng)域。

5）國(guó)家發(fā)展趨勢(shì)

AI 2000 國(guó)家趨勢(shì)分析如下圖所示：

圖中每條色帶表示一個(gè)國(guó)家，其寬度表示該國(guó)家在當(dāng)年的研究熱度，與當(dāng)年該國(guó)論文數(shù)量呈正相關(guān)，每一年份中按照其熱度由高到低進(jìn)行排序。通過(guò)國(guó)家趨勢(shì)分析可以發(fā)現(xiàn)熱度 TOP10 的國(guó)家分別是：United States(美國(guó))、China(中國(guó))、United Kingdom(英國(guó))、Germany(德國(guó))、 Canada(加拿大)、Japan(日本)、Australia(澳大利亞)、South Korea(韓國(guó))、 Italy(意大利)、France(法國(guó))。當(dāng)前研究熱度最高的國(guó)家是美國(guó)，從全局熱度來(lái)看，美國(guó)早期就有著領(lǐng)先優(yōu)勢(shì)并一直保持著最高的熱度，同時(shí)中國(guó)的研究熱度緊隨美國(guó)之后。

6）國(guó)家合作

美國(guó)的研究?jī)?yōu)勢(shì)還不僅僅表現(xiàn)在研究人員多或者發(fā)表論文多，在國(guó)際合作上美國(guó)也表現(xiàn)出絕對(duì)優(yōu)勢(shì)。AI 2000根據(jù)論文中的單位信息，將作者映射到各個(gè)國(guó)家中，進(jìn)而統(tǒng)計(jì)了各國(guó)之間的論文合作情況，合作論文數(shù)量 TOP10 的關(guān)系如下圖所示：

在合作論文數(shù)量上，中美合作的論文數(shù)遙遙領(lǐng)先；在合作對(duì)象上，絕大多數(shù)的合作關(guān)系都包含美國(guó)，體現(xiàn)出了美國(guó)的突出地位。這也從側(cè)面告訴我們，中國(guó)要想發(fā)展，應(yīng)當(dāng)加強(qiáng)國(guó)際合作。

參考資料：
[1] AI 2000人工智能全球最具影響力學(xué)者,https://www.aminer.cn/ai2000

[2] https://static.aminer.cn/misc/pdf/pdf/ai2000.pdf

來(lái)源 | 雷鋒網(wǎng)

騰訊介紹，相比業(yè)內(nèi)其它版本 Linux 發(fā)行版，Tencent Linux 在資源調(diào)度彈性、容器支持、系統(tǒng)性能及安全等層面極具競(jìng)爭(zhēng)力，特別適合云環(huán)境。

TencentOS Kernel 是騰訊云物聯(lián)網(wǎng)操作系統(tǒng) TencentOS tiny 之后，TencentOS 家族對(duì)外開(kāi)源的第二個(gè)項(xiàng)目。TencentOS 是騰訊云操作系統(tǒng)系列，由騰訊云架構(gòu)平臺(tái)部主力研發(fā)，覆蓋數(shù)據(jù)中心、桌面系統(tǒng)、邊緣設(shè)備和物聯(lián)網(wǎng)終端等應(yīng)用場(chǎng)景，提供云平臺(tái)構(gòu)建、接入和應(yīng)用能力。

騰訊云操作系統(tǒng)團(tuán)隊(duì)表示：“將騰訊云服務(wù)器操作系統(tǒng)內(nèi)核 TencentOS Kernel 開(kāi)源，不僅可以與全球開(kāi)發(fā)者共享騰訊云在服務(wù)器操作系統(tǒng)領(lǐng)域的技術(shù)和經(jīng)驗(yàn)，還能夠汲取全球服務(wù)器操作系統(tǒng)領(lǐng)域的優(yōu)秀成果和創(chuàng)新理念，助力整體服務(wù)器操作系統(tǒng)生態(tài)的繁榮。”

具體看看該項(xiàng)目的特點(diǎn)：

專用資源調(diào)度方案，增強(qiáng)系統(tǒng)彈性伸縮能力

傳統(tǒng) Linux 系統(tǒng)中，公平性是資源調(diào)度算法的核心邏輯。公平的調(diào)度能最大程度提供系統(tǒng)通用性。然而，這種公平會(huì)造成資源有效利用率的低下，系統(tǒng)的彈性能力大大受限，業(yè)務(wù)無(wú)法按照需求進(jìn)行資源的分配回收，包括資源的數(shù)量與資源的質(zhì)量，如資源分配速度、搶占能力等。

Tencent Linux 研發(fā)了專用的資源調(diào)度算法，大幅提升整機(jī)的資源彈性。業(yè)務(wù)可以根據(jù)需求指定資源分配的數(shù)量和級(jí)別，從相同數(shù)量不同級(jí)別的資源獲得的系統(tǒng)服務(wù)存在明顯差別。

同時(shí)，Tencent Linux 研發(fā)的 CPU 彈性調(diào)度算法，在離在線業(yè)務(wù)混布場(chǎng)景下收益十分顯著。在不影響在線業(yè)務(wù)質(zhì)量的前提下，整機(jī)的 CPU 利用率最高提升 3 倍，部分業(yè)務(wù)場(chǎng)景下可將整機(jī) CPU 利用率提升至 90%。

資源隔離增強(qiáng)

資源的安全隔離始終是容器虛擬化平臺(tái)的核心問(wèn)題，社區(qū)內(nèi)核提供的隔離特性遠(yuǎn)遠(yuǎn)不能滿足業(yè)務(wù)的需求，一些基本的系統(tǒng)狀態(tài)信息、CPU 信息與磁盤(pán)狀態(tài)信息等均未做隔離，部分場(chǎng)景下甚至直接導(dǎo)致業(yè)務(wù)不可用。

Tencent Linux 從業(yè)務(wù)需求出發(fā)，首先對(duì)必要的系統(tǒng)狀態(tài)，比如 cpuinfo、stat、loadavg、meminfo、vmstat、diskstats 與 uptime 等進(jìn)行隔離增強(qiáng)，保證容器中的應(yīng)用能獲得正確的系統(tǒng)狀態(tài)信息。

更重要的是，系統(tǒng)還提供包括 NVME IO 隔離等特性，徹底解決 IO 控制組在多隊(duì)列設(shè)備場(chǎng)景資源利用率低、不支持按比例隔離等問(wèn)題，保證了不同場(chǎng)景下的 IO 隔離效果。

系統(tǒng)安全與性能優(yōu)化

業(yè)界的內(nèi)核熱補(bǔ)丁技術(shù)主要是針對(duì) X86 架構(gòu)進(jìn)行開(kāi)發(fā)，缺少對(duì) ARM64 等架構(gòu)的支持。Tencent Linux 通過(guò)實(shí)現(xiàn)類 FMENTRY、FTRACE with REGS 功能，給 KPATCH 中增加 ARM64 支持等實(shí)現(xiàn)了針對(duì) ARM64 架構(gòu)的內(nèi)核熱補(bǔ)丁方案。

同時(shí)，Tencent Linux 提供進(jìn)程 GDB 禁止功能，阻止跨進(jìn)程獲取內(nèi)存、加載動(dòng)態(tài)庫(kù)等，保障業(yè)務(wù)進(jìn)程的數(shù)據(jù)安全。

性能方面，Tencent Linux 針對(duì)計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)子系統(tǒng)都進(jìn)行了優(yōu)化，例如 PAGE CACHE LIMIT 功能，限制 page cache 的使用率，盡量使系統(tǒng)剩余的內(nèi)存能夠滿足業(yè)務(wù)的需求；系統(tǒng)還新增多個(gè) sysctl/proc 控制接口、內(nèi)核啟動(dòng)參數(shù)等優(yōu)化用戶體驗(yàn)。

來(lái)源 | 開(kāi)源中國(guó)

無(wú)論是 DeepMind 星際2 AI 「AlphaStar」血虐人類玩家，還是 OpenAI 最終因太過(guò)強(qiáng)大而被認(rèn)為可能有風(fēng)險(xiǎn)所以不公開(kāi)發(fā)布的語(yǔ)言模型 GPT-2，無(wú)疑都在過(guò)去一年中最轟動(dòng)的 AI 大事件之列，也吸引了 AI 社區(qū)的越來(lái)越多的研究者投身深度強(qiáng)化學(xué)習(xí)研究之列。

然而，也有很多反對(duì)的聲音認(rèn)為深度強(qiáng)化學(xué)習(xí)現(xiàn)在的一系列成果，其實(shí)更像是一種虛假的「繁榮」。

本文作者朱仲光便是其中的一位。他指出，深度強(qiáng)化學(xué)習(xí)會(huì)給研究者們尤其是各位不明真相的大眾帶來(lái)「離通用人工智能越來(lái)越近」的錯(cuò)覺(jué)，而更為嚴(yán)重的是，深度強(qiáng)化學(xué)習(xí)會(huì)耗費(fèi)掉研究者們本可以用來(lái)研究其他更重要的問(wèn)題和更有前景的方向的時(shí)間和精力。

他的具體觀點(diǎn)，我們下面來(lái)看：

一、2019 年都過(guò)去了，并沒(méi)有離現(xiàn)實(shí)世界更進(jìn)一步

隨著 2019 年的結(jié)束，我想回顧一下人工智能所取得的進(jìn)展。在這一年，AI 社區(qū)尤其將深度強(qiáng)化學(xué)習(xí)大肆宣揚(yáng)為下一個(gè)朝著通用人工智能（AGI）前進(jìn)的革命性的一步。

通用人工智能，顧名思義，就是指能夠像人類一樣以一種通用的方式學(xué)習(xí)萬(wàn)事萬(wàn)物的計(jì)算機(jī)算法。

近年來(lái)，研究者們針對(duì)深度強(qiáng)化學(xué)習(xí)開(kāi)展了大量研究工作，現(xiàn)在也逐漸取得了一定進(jìn)展。

圍繞深度強(qiáng)化學(xué)習(xí)的想法和期望是，理論上，我們能輕而易舉地訓(xùn)練一個(gè)能做任何事情的智能體，比如開(kāi)車(chē)、疊衣服、玩電子游戲、打掃房間、玩魔方等等，并且所有智能體的學(xué)習(xí)過(guò)程都不需要人工干涉。其中一些實(shí)驗(yàn)已經(jīng)取得一些成功，你可以教一個(gè)深度強(qiáng)化學(xué)習(xí)的智能體玩一些電子游戲和棋類游戲，但是一旦涉及現(xiàn)實(shí)世界，進(jìn)入生產(chǎn)系統(tǒng)，這些實(shí)驗(yàn)都會(huì)以失敗告終。

據(jù)我所知，2019 年都過(guò)去了，仍然沒(méi)有出現(xiàn)任何能夠使用深度強(qiáng)化學(xué)習(xí)技術(shù)的生產(chǎn)系統(tǒng)。

二、到底解決哪些問(wèn)題，才有意義？

深度強(qiáng)化學(xué)習(xí)系統(tǒng)有許多問(wèn)題，我并不打算詳細(xì)討論這些問(wèn)題的細(xì)節(jié)，因?yàn)橛泻芏嗖┛臀恼乱呀?jīng)討論過(guò)這些問(wèn)題。感興趣的讀者可參考下文：

• 《Deep Reinforcement Learning Doesn't Work Yet》，https://www.alexirpan.com/2018/02/14/rl-hard.html

如果這些問(wèn)題中有一部分得到改善或解決，例如找到更抽象的方式來(lái)表征神經(jīng)網(wǎng)絡(luò)內(nèi)部的信息，我也不會(huì)太驚訝，但如果不能解決我所認(rèn)為的核心問(wèn)題，即有關(guān)手動(dòng)設(shè)置獎(jiǎng)勵(lì)的問(wèn)題，那所謂的「改善」或「解決」也就意義不大了。

在深度強(qiáng)化學(xué)習(xí)中，我認(rèn)為大部分時(shí)間都花在了設(shè)計(jì)獎(jiǎng)勵(lì)函數(shù)來(lái)讓智能體完成想讓它做的事情。用更傳統(tǒng)的機(jī)器學(xué)習(xí)術(shù)語(yǔ)來(lái)說(shuō)，獎(jiǎng)勵(lì)函數(shù)就是目標(biāo)函數(shù)，指的是算法利用獎(jiǎng)勵(lì)函數(shù)來(lái)了解系統(tǒng)是否朝著正確的方向運(yùn)行，模型得到的獎(jiǎng)勵(lì)越多，它就「越好」。

比如教一支機(jī)械臂疊衣服，假如說(shuō)你有一堆褲子，那么你如何編寫(xiě)?yīng)剟?lì)函數(shù)來(lái)讓機(jī)械臂正確地疊這些褲子呢？當(dāng)向另外一個(gè)人解釋這一點(diǎn)時(shí)，聽(tīng)起來(lái)很簡(jiǎn)單，只是「把褲子疊成整齊的一堆」，但是計(jì)算機(jī)并不知道這些規(guī)則的含義。

對(duì)于每一個(gè)實(shí)驗(yàn)，你設(shè)計(jì)的獎(jiǎng)勵(lì)必須要讓計(jì)算機(jī)在完全不知道自己實(shí)際正在做什么的情況下，可以自己衡量自己的運(yùn)行過(guò)程。因此，你設(shè)計(jì)的獎(jiǎng)勵(lì)程序可以在機(jī)械臂碰到褲子時(shí)就開(kāi)始給它獎(jiǎng)勵(lì)，之后再針對(duì)是否正確抓住了褲子以及移動(dòng)了褲子，來(lái)給它更多獎(jiǎng)勵(lì)得分。

那如何基于機(jī)械臂在實(shí)際折疊褲子中的表現(xiàn)給予獎(jiǎng)勵(lì)？疊三次可以得分嗎？沒(méi)有將褲子疊皺又得多少分？

最終，你花了太多時(shí)間試圖去引導(dǎo)智能體遵循正確的路徑，以至于它基本上處在完全的監(jiān)督之下。

理論上，你的確可以讓一個(gè)人監(jiān)督著整個(gè)訓(xùn)練過(guò)程，這個(gè)人可以為系統(tǒng)采取的每一個(gè)動(dòng)作指定一個(gè)分?jǐn)?shù)，但這種方式是不能泛化的。

這些深度強(qiáng)化學(xué)習(xí)系統(tǒng)需要基于數(shù)萬(wàn)到數(shù)百萬(wàn)次的迭代來(lái)試驗(yàn)動(dòng)作的每一個(gè)變化，以找出實(shí)現(xiàn)最終目標(biāo)的正確序列，個(gè)人很難監(jiān)控計(jì)算機(jī)采取的所有步驟。研究者也正在積極探索，試圖將這個(gè)范圍縮小至有限次數(shù)的學(xué)習(xí)，但對(duì)我來(lái)說(shuō)，這只是試圖改進(jìn)一些從根本上而言沒(méi)有意義的東西。

在你試圖訓(xùn)練機(jī)器人折疊褲子的過(guò)程中，你可能需要不斷調(diào)整獎(jiǎng)勵(lì)函數(shù)，因?yàn)樗赡軙?huì)意外地撕破褲子、弄掉一些零部件、不把褲子翻出來(lái)就直接折疊，或者以看起來(lái)毫無(wú)意義的奇怪方式折疊褲子。這樣的話，獎(jiǎng)勵(lì)的設(shè)計(jì)變成了一個(gè)試驗(yàn)性的過(guò)程，即通過(guò)反復(fù)的嘗試和試錯(cuò)來(lái)確定什么是有效的獎(jiǎng)勵(lì)。有無(wú)數(shù)的報(bào)告記錄了深度強(qiáng)化學(xué)習(xí)模型做出的各種意想不到的動(dòng)作。

強(qiáng)化學(xué)習(xí)通常被劃分為除監(jiān)督機(jī)器學(xué)習(xí)和無(wú)監(jiān)督機(jī)器學(xué)習(xí)以外的第三類，但在我看來(lái)，它其實(shí)就是監(jiān)督學(xué)習(xí)。
當(dāng)前的強(qiáng)化學(xué)習(xí)實(shí)現(xiàn)步驟是這樣的：你開(kāi)始訓(xùn)練模型，然后你看著它失敗然后「死掉」，接著你花費(fèi)大量的時(shí)間一次又一次調(diào)整獎(jiǎng)勵(lì)函數(shù)，直到你「有可能」得到一個(gè)理想的結(jié)果，但僅僅是「有可能」。

這個(gè)過(guò)程中有哪一步你沒(méi)有給系統(tǒng)提供訓(xùn)練數(shù)據(jù)？事實(shí)上你把整個(gè)過(guò)程復(fù)雜化了，你僅僅是把答案以間接的方式提供給智能體，而這恰恰讓一切變得更加困難。

如果計(jì)算機(jī)要從周?chē)沫h(huán)境中學(xué)習(xí)，那必須在一個(gè) 100% 無(wú)監(jiān)督的環(huán)境里進(jìn)行。

三、當(dāng)公關(guān)大于實(shí)質(zhì)進(jìn)步，會(huì)帶來(lái)哪些危害？

那么，為什么關(guān)于深度強(qiáng)化學(xué)習(xí)的炒作如此之多？

如果你站在一個(gè)抽象的角度來(lái)看待深度強(qiáng)化學(xué)習(xí)，你就會(huì)知道它被描述為一個(gè)隨著時(shí)間的推移從其環(huán)境中學(xué)習(xí)的智能體。

這似乎是絕對(duì)正確的，而且確實(shí)「很像」是真的，所有生物都是從出生開(kāi)始學(xué)習(xí)如何從其環(huán)境中生存和行動(dòng)。

我們之所以知道這一點(diǎn)，是因?yàn)槲覀冏隽嗽S多實(shí)驗(yàn)，經(jīng)驗(yàn)告訴我們，如果我們改變和限制新生有機(jī)體的環(huán)境，它們會(huì)學(xué)到不同的東西，行為也會(huì)有所不同。

深度強(qiáng)化學(xué)習(xí)與諸如監(jiān)督分類的傳統(tǒng)機(jī)器學(xué)習(xí)方法有很大的不同，傳統(tǒng)的機(jī)器學(xué)習(xí)是一個(gè)靜態(tài)模型，它獲取原始數(shù)據(jù)和答案并最終建立一個(gè)模型用于生產(chǎn)。在傳統(tǒng)的深度強(qiáng)化學(xué)習(xí)框架中，系統(tǒng)犯錯(cuò)的部分就是信號(hào)的來(lái)源。這些人工智能體必須直接從它們自身和環(huán)境中學(xué)習(xí)，而不是從我們提供給它們的某種人工獎(jiǎng)勵(lì)函數(shù)中學(xué)習(xí)。

當(dāng) DeepMind 推出一個(gè)單一的不進(jìn)行任何人為干涉就可以學(xué)會(huì)玩 Atari 電子游戲的深度強(qiáng)化學(xué)習(xí)智能體時(shí)，人們認(rèn)為這種智能體可以泛化到其他領(lǐng)域的各種問(wèn)題，甚至是通用人工智能。

但我們所了解到的是，有機(jī)體和人類所做的大多數(shù)事情，都無(wú)法建模成通過(guò)讓智能體持續(xù)優(yōu)化從而盡可能獲得更多獎(jiǎng)勵(lì)的電子游戲。不要被「深度強(qiáng)化學(xué)習(xí)不需要人為干涉就能夠在游戲中獲勝」的新聞所愚弄！設(shè)計(jì)獎(jiǎng)勵(lì)這一操作仍然存在，并且在 40 年前，當(dāng)電子游戲制造商雇傭整支隊(duì)伍來(lái)制作這些游戲時(shí)，就已存在這種操作。

很多人都誤認(rèn)為深度強(qiáng)化學(xué)習(xí)是實(shí)現(xiàn)通用人工智能的下一個(gè)創(chuàng)舉，甚至谷歌也「過(guò)分熱情」地花了 5 億多美元收購(gòu) DeepMind，希望把人工智能提升到一個(gè)新的水平。與此同時(shí)，AI 社區(qū)似乎也把深度強(qiáng)化學(xué)習(xí)當(dāng)成了圣杯，因?yàn)樗窃谀撤N程度上與我們所處的世界最接近的機(jī)器學(xué)習(xí)形式，盡管實(shí)際上還相差甚遠(yuǎn)。

我們最終實(shí)現(xiàn)的不過(guò)是一些「小把戲」，這些智能體也不過(guò)是可以玩各種各樣的電子游戲、棋類游戲的小 AI 玩具。
從更傳統(tǒng)的機(jī)器學(xué)習(xí)方法向深度學(xué)習(xí)轉(zhuǎn)變的主要好處是，不再需要手動(dòng)的工程設(shè)計(jì)。理論上，你可以給模型提供一堆數(shù)據(jù)，運(yùn)行優(yōu)化算法，它不需要你手動(dòng)編寫(xiě)特征提取代碼也能進(jìn)行學(xué)習(xí)。因此，深度學(xué)習(xí)已經(jīng)被應(yīng)用到部分強(qiáng)化學(xué)習(xí)中，主要體現(xiàn)在智能體以像素的形式接收感知數(shù)據(jù)的部分，但是仍然需要研究者花大部分時(shí)間來(lái)手動(dòng)設(shè)計(jì)程序。

這在我看來(lái)，深度學(xué)習(xí)并沒(méi)有發(fā)揮什么作用！我甚至沒(méi)有具體討論其他深度強(qiáng)化學(xué)習(xí)問(wèn)題，比如如果你需要稍微調(diào)整一下目標(biāo)，那么你就要準(zhǔn)備好重新訓(xùn)練整個(gè)系統(tǒng)，以及環(huán)境中的細(xì)微變化通常也會(huì)導(dǎo)致整個(gè)系統(tǒng)徹底失敗，等等。通往通用人工智能的路還很長(zhǎng)……

現(xiàn)在DeepMind 和 OpenAI 這樣頂尖的機(jī)器學(xué)習(xí)研究機(jī)構(gòu)，仍然在深度強(qiáng)化學(xué)習(xí)研究上投入主要的時(shí)間和資源。他們不斷地用發(fā)布公關(guān)新聞轟炸互聯(lián)網(wǎng)，展示他們正在取得的巨大進(jìn)步：深度強(qiáng)化學(xué)習(xí)系統(tǒng)可以下圍棋，玩 StarCraft、Dota 2，玩魔方等等。

我很困惑，為什么他們繼續(xù)花那么多時(shí)間來(lái)開(kāi)發(fā)有明確的定義規(guī)則和得分的系統(tǒng)、能在游戲中獲勝的深度強(qiáng)化學(xué)習(xí)系統(tǒng)？

我相信現(xiàn)在每個(gè)人都明白，如果有足夠多的時(shí)間、金錢(qián)和計(jì)算機(jī)來(lái)機(jī)械地訓(xùn)練每一個(gè)可能的動(dòng)作，深度強(qiáng)化學(xué)習(xí)系統(tǒng)幾乎可以在任何游戲中獲勝。我認(rèn)為他們大部分的策略僅僅是用一些「小把戲」來(lái)不斷制造公關(guān)效應(yīng)，以展示最新的深度強(qiáng)化學(xué)習(xí)系統(tǒng)如何在下一個(gè)最佳游戲中大獲全勝，這樣他們就可以繼續(xù)從那些不太「懂行」的人那里獲得投資，比如微軟最近給 OpenAI 的  投了10 億美元，谷歌則繼續(xù)作為 DeepMind 的「存錢(qián)罐」給其投入資金。

DeepMind 最近，也就是在被谷歌收購(gòu) 5 年后的一個(gè)成功案例是，他們訓(xùn)練了一個(gè)深度強(qiáng)化學(xué)習(xí)的智能體來(lái)下圍棋、國(guó)際象棋、將棋和玩 Atari 游戲。是的，更多的電子游戲！！！

我的本意并不是抨擊他們，我真的很高興他們?nèi)匀辉跒閷?shí)現(xiàn)通用人工智能貢獻(xiàn)力量。但問(wèn)題是，他們制造了很多錯(cuò)誤的認(rèn)知，并最終導(dǎo)致大量的人力物力浪費(fèi)在「死胡同」上。

首先，他們發(fā)布的所有公關(guān)言論，比如「我們的文本生成模型（GPT-2）太危險(xiǎn)了，不能發(fā)布」，使得普通大眾認(rèn)為我們離通用人工智能更近了，然而 AI 行業(yè)中的每個(gè)人都明白并沒(méi)有更近。

其次也是更重要的是，他們錯(cuò)誤地引導(dǎo)著人工智能研究者們花更多的時(shí)間在深度強(qiáng)化學(xué)習(xí)上。許多研究人員和黑客從這些研究深度學(xué)習(xí)的公司那里看到了一波又一波為深度強(qiáng)化學(xué)習(xí)「叫好」的 PR 新聞，當(dāng)他們?cè)究梢詫⒕性诟蟆⒏镜膯?wèn)題上時(shí)，他們卻花費(fèi)了無(wú)數(shù)的時(shí)間去破解那些相同的問(wèn)題。

四、要實(shí)現(xiàn)通用人工智能，真正要做的是什么？

如果人工智能和通用人工智能要向前發(fā)展，我認(rèn)為是時(shí)候停止讓深度強(qiáng)化學(xué)習(xí)系統(tǒng)玩電子游戲，轉(zhuǎn)而集中精力解決更棘手的問(wèn)題了。

所幸 DeepMind 和 OpenAI 的確有花時(shí)間解決其他問(wèn)題，但正如我所說(shuō)，深度強(qiáng)化學(xué)習(xí)似乎仍然是他們的主要關(guān)注點(diǎn)。

目前的深度強(qiáng)化學(xué)習(xí)系統(tǒng)似乎可以很好地契合已經(jīng)有基礎(chǔ)訓(xùn)練的系統(tǒng)。遷移學(xué)習(xí)中的智能體已經(jīng)對(duì)其環(huán)境和自身有了基本的了解。我們不妨觀察一個(gè)人類嬰兒的學(xué)習(xí)歷程：從出生開(kāi)始，她（他）首先開(kāi)始學(xué)習(xí)觀察形狀和顏色，移動(dòng)手指，觸摸物體，控制自己的身體，辨別聲音，學(xué)習(xí)有關(guān)重力、物理、墜落、蠕動(dòng)、彈跳的知識(shí)，學(xué)習(xí)物體恒常性等。每一個(gè)人或有機(jī)體都會(huì)在不同程度上經(jīng)歷這些學(xué)習(xí)過(guò)程。

通常在嬰兒掌握了大量的知識(shí)之后，即當(dāng)她（他）可以走路、抓握物體、自己上廁所、進(jìn)行基本的交流等等之后，接下來(lái)就是更為正式的訓(xùn)練，比如家長(zhǎng)會(huì)送孩子去學(xué)校，孩子在學(xué)校中會(huì)經(jīng)歷一個(gè)結(jié)構(gòu)性更強(qiáng)的學(xué)習(xí)過(guò)程：學(xué)校通過(guò)家庭作業(yè)、評(píng)分以及測(cè)驗(yàn)訓(xùn)練孩子從課程中學(xué)習(xí)知識(shí)。

當(dāng)前的深度強(qiáng)化學(xué)習(xí)系統(tǒng)似乎原本可以很好地適用于這種形式化的訓(xùn)練，在這種訓(xùn)練中，當(dāng)智能體對(duì)環(huán)境有了基本的了解之后，系統(tǒng)可以清晰地、最大程度自動(dòng)化地給所期待達(dá)成的目標(biāo)指定分?jǐn)?shù)。比方說(shuō)如果孩子不能背誦 ABC 這三個(gè)字母，記為不及格，但如果他們能背誦整個(gè)字母表則記為及格。

當(dāng)前深度強(qiáng)化學(xué)習(xí)技術(shù)正在本末倒置，我們正試圖訓(xùn)練計(jì)算機(jī)從零開(kāi)始完成一些復(fù)雜的任務(wù)，這種訓(xùn)練有時(shí)可能會(huì)有效，但由于這些模型是針對(duì)特定的任務(wù)而不是泛化能力而訓(xùn)練的，它們對(duì)自己的環(huán)境沒(méi)有泛化的了解，最終導(dǎo)致系統(tǒng)過(guò)于脆弱，效果也不是很好。

只要獎(jiǎng)勵(lì)函數(shù)的問(wèn)題沒(méi)有被解決，再多新的學(xué)習(xí)算法，如BP 算法、DQN、PPO、DDPG、TRPO 都無(wú)法真正解決深度強(qiáng)化學(xué)習(xí)的問(wèn)題。

我確信我們會(huì)有一些進(jìn)步，也許會(huì)在 Starcraft 中贏得更多的分?jǐn)?shù)，但是如果沒(méi)有一個(gè)根本性的架構(gòu)轉(zhuǎn)變，來(lái)實(shí)現(xiàn)智能體在無(wú)監(jiān)督的情況下從環(huán)境中進(jìn)行學(xué)習(xí)，那么這些所謂的進(jìn)步對(duì)于我們實(shí)現(xiàn)通用人工智能這一偉大夢(mèng)想，也就沒(méi)有太多的意義。

我自己的假設(shè)是，針對(duì)學(xué)習(xí)體的獎(jiǎng)勵(lì)函數(shù)實(shí)際上是由維持穩(wěn)態(tài)和將「意外」最小化的動(dòng)力所驅(qū)動(dòng)的。

穩(wěn)態(tài)是生物維持生存所需的穩(wěn)定條件的過(guò)程。任何有機(jī)體都要生存，都必須保持其身體與外界環(huán)境分離。生物饑餓的時(shí)候要進(jìn)食，疲倦的時(shí)候要睡覺(jué)，口渴的時(shí)候要喝水，受傷的時(shí)候要休息，被獵殺的時(shí)候要逃離，炎熱的時(shí)候要讓自己涼快一點(diǎn)等等。有機(jī)體在環(huán)境中行動(dòng)時(shí)，這些與生俱來(lái)的原始信號(hào)指導(dǎo)著它們?cè)撟鍪裁春驮撽P(guān)注什么。如果它們不能勝任這些事情，則會(huì)導(dǎo)致有機(jī)體內(nèi)失去平衡，最終導(dǎo)致過(guò)早死亡。

當(dāng)生物在四處游蕩時(shí)，它會(huì)建構(gòu)自己的感知運(yùn)動(dòng)交互作用模型以及與周?chē)澜缃换プ饔玫沫h(huán)境，該模型開(kāi)始把各種事件匯聚到一起：天黑的時(shí)候應(yīng)該比較冷；當(dāng)我打嗝，我應(yīng)該聽(tīng)到打嗝的聲音；當(dāng)我向左移動(dòng)，我應(yīng)該看到視野在 X 軸上變化；當(dāng)一只動(dòng)物走在我前面，它應(yīng)該繼續(xù)向前移動(dòng)；當(dāng)我的手指在杯子上掃過(guò)，我應(yīng)該感受到光滑的表面；當(dāng)我通過(guò)聲帶發(fā)出聲音，我應(yīng)該能在我的耳朵里聽(tīng)到相應(yīng)的聲音等等。

如果有什么意外的事情發(fā)生，有什么東西偏離了它的模型，那么該模型會(huì)重新調(diào)整它的預(yù)期，直到得到它所預(yù)期的結(jié)果，這也可能會(huì)導(dǎo)致更多的移動(dòng)。如果最終不能得到預(yù)期的結(jié)果，那么真正的「意外」就會(huì)出現(xiàn)，這些神經(jīng)元就被標(biāo)記為「需要更新模型」，在這種情況下，重新學(xué)習(xí)和重新優(yōu)化可能會(huì)實(shí)時(shí)發(fā)生，也可能是在機(jī)體處于睡眠狀態(tài)時(shí)發(fā)生。

優(yōu)化過(guò)程會(huì)在智能體的內(nèi)部環(huán)境模型和實(shí)際環(huán)境之間進(jìn)行，并持續(xù)優(yōu)化以使意外最小化。神經(jīng)科學(xué)和哲學(xué)已經(jīng)在很長(zhǎng)一段時(shí)間里對(duì)這些思想展開(kāi)過(guò)討論，比如 Andy Clark 提出的預(yù)測(cè)處理的思想以及 Karl Friston 提出的自由能量原理（Free Energy Principle）。

據(jù)我所知，這些思想還沒(méi)有成功地應(yīng)用于機(jī)器學(xué)習(xí)環(huán)境中。我認(rèn)為這其中有很多技術(shù)問(wèn)題：如何在計(jì)算機(jī)中模擬穩(wěn)態(tài)狀態(tài)，如何存儲(chǔ)模型的內(nèi)部表征，智能體的感官和環(huán)境之間的低分辨率以及低保真環(huán)境等等。

我并非意在采用一個(gè)煽動(dòng)性的標(biāo)題來(lái)寫(xiě)這篇文章，但我也無(wú)法以一種更恰當(dāng)?shù)姆绞絹?lái)向人們說(shuō)明「當(dāng)前的深度強(qiáng)化學(xué)習(xí)架構(gòu)從根本上而言就是錯(cuò)的」這一問(wèn)題。

我們不需要更多可以玩多種電子游戲的深度強(qiáng)化學(xué)習(xí)模型，我們需要實(shí)現(xiàn)的模型是這樣的：它可以在完全無(wú)監(jiān)督的環(huán)境中學(xué)習(xí)智能體和環(huán)境之間的泛化表征。這種新的架構(gòu)可以被稱為「深度強(qiáng)化學(xué)習(xí) 3.0」、「積極推理」、「預(yù)測(cè)處理」或其他完全不同的東西，但是請(qǐng)不要再在這個(gè)「死胡同」上浪費(fèi)時(shí)間了。

深度強(qiáng)化學(xué)習(xí)的研究已經(jīng)取得了一些很有成效且有趣的成果，但是時(shí)候繼續(xù)前進(jìn)了。誰(shuí)能找到方法來(lái)構(gòu)建一個(gè)可以在無(wú)監(jiān)督情況下從環(huán)境中學(xué)習(xí)的泛化的人工智能系統(tǒng)，誰(shuí)就會(huì)對(duì) AI 領(lǐng)域做出巨大的貢獻(xiàn)并推動(dòng)這個(gè)領(lǐng)域繼續(xù)向前發(fā)展。

來(lái)源 | 雷鋒網(wǎng)

一個(gè)致力于造假，一個(gè)專注于打假；光是聽(tīng)起來(lái)，就不禁讓人聯(lián)想到「矛」與「盾」的故事。那到底哪個(gè)更勝一籌呢？VB 發(fā)布了的相關(guān)內(nèi)容介紹了這兩個(gè)成果，雷鋒網(wǎng) AI 開(kāi)發(fā)者將其整理及編譯如下。

人臉技術(shù)研究背景

目前，最先進(jìn)的機(jī)器學(xué)習(xí)算法不僅可以完成對(duì)地點(diǎn)或物體的圖像改變與生成，以 Deepfake 為代表的 AI 換臉技術(shù)甚至已經(jīng)可以達(dá)到以假亂真的換臉效果；但由于換臉技術(shù)的濫用可能會(huì)為社會(huì)帶來(lái)一系列惡劣影響，研究人員也在不斷探索該技術(shù)的原理，并希望能夠解決這一難題。

就在最近，這一技術(shù)又有了新的進(jìn)展。微軟研究院和北京大學(xué)的研究小組發(fā)表的兩篇學(xué)術(shù)論文中，他們分別提出了一種用于生成高保真和遮擋感知的人臉交換框架——FaceShifter，以及一種用于檢測(cè)偽造人臉圖像的方法——FaceX-Ray。

據(jù)相關(guān)研究人員表示，與多個(gè)現(xiàn)行基線方法相比，這兩種方法都能在不犧牲性能的情況下取得更好的效果，而且它們所需的數(shù)據(jù)比以前的方法少得多。

無(wú)訓(xùn)練換臉——FaceShifter

從相關(guān)資料可以看到，F(xiàn)aceShifter 能夠?qū)⒛繕?biāo)圖像中的人替換為源圖像中的另一個(gè)人的同時(shí)，保留其頭部姿勢(shì)、面部表情、燈光、顏色、強(qiáng)度、背景和其他屬性特征。

雖然像 Reflect 和 FaceSwap 這樣的應(yīng)用程序聲稱可以相當(dāng)準(zhǔn)確地做到這一點(diǎn)，但是微軟論文的合著者表示 FaceShifter 對(duì)姿態(tài)和視角的變化則敏感度更高。

圖片來(lái)源：FaceShifter論文（https://arxiv.org/pdf/1912.13457.pdf）

FaceShifter 通過(guò)使用生成性對(duì)抗網(wǎng)絡(luò)（GAN）來(lái)提高換臉的保真度，它主要由兩部分架構(gòu)組成。第一部分主要利用利用自適應(yīng)注意力非正規(guī)化（AAD）層的新生成器整合人臉合成圖片的特征和屬性，該層可以自適應(yīng)地學(xué)習(xí)整合面部屬性的位置；第二部分則重點(diǎn)解決面部遮擋問(wèn)題，這部分則包括了一個(gè)新的啟發(fā)式錯(cuò)誤確認(rèn)細(xì)化網(wǎng)絡(luò)（HEAR-Net），可利用重建圖像與其輸入之間的差異來(lái)識(shí)別遮擋。

研究小組稱，「該框架在生成任意真實(shí)圖像相對(duì)的換臉圖像時(shí)，無(wú)需特定的訓(xùn)練，都顯示出了優(yōu)越的性能。大量實(shí)驗(yàn)表明，該框架明顯優(yōu)于以前的人臉交換方法。」

可以看到，在一項(xiàng)定性測(cè)試中，F(xiàn)aceShifter 保留了人臉形狀，并自動(dòng)適應(yīng)換臉圖像的光線和圖像分辨率。此外，即使是從互聯(lián)網(wǎng)上抓取的「狂野面孔」，該框架也能夠在不依賴人工注釋數(shù)據(jù)的情況下恢復(fù)異常區(qū)域——包括眼鏡、陰影和反射效果，以及其它不常見(jiàn)的遮擋。

灰度打假 FaceX-Ray

而與 FaceShifter 相比，F(xiàn)aceX-Ray 則恰好是偽造頭像的克星。正如研究人員在相應(yīng)的論文中所指出的那樣，我們確實(shí)需要這樣的工具來(lái)防止偽造圖像被濫用的情況。

2019 年 6 月曾有份報(bào)告披露，一名間諜利用人工智能生成的個(gè)人資料圖片愚弄 LinkedIn 中的聯(lián)系人；而就在去年 12 月，F(xiàn)acebook 發(fā)現(xiàn)數(shù)百個(gè)賬戶上面都有使用人工智能合成的假面像來(lái)作為個(gè)人資料照片。

談回 Face X-Ray 檢測(cè)技術(shù)，它與現(xiàn)有方法不同，它不需要事先知道操作方法或人工監(jiān)督；相反的是它會(huì)生成灰度圖像，顯示給定的輸入圖像是否可以分解為來(lái)自不同來(lái)源的兩個(gè)圖像的混合。

研究人員表示這一想法是可行的，因?yàn)榇蠖鄶?shù)操作換臉的方法，都會(huì)有「將已改變的面部混合到現(xiàn)有背景圖像中」這一步驟。但每幅圖像都有自己獨(dú)特的標(biāo)記，這些標(biāo)記是從硬件（如傳感器和鏡頭）或軟件組件（如壓縮和合成算法）引入的，并且這些標(biāo)記往往在整個(gè)圖像中也以類似的方式呈現(xiàn)。

因此，F(xiàn)ace X-Ray 不需要依賴于與特定人臉操作技術(shù)相關(guān)聯(lián)的偽影知識(shí)，并且支持它的算法可以在不使用任何方法生成假圖像的情況下進(jìn)行訓(xùn)練。

在一系列實(shí)驗(yàn)中，研究人員在 FaceForensics++（一個(gè)包含 1000 多個(gè)用四種最先進(jìn)的人臉置換方法生成的原始剪輯的大型視頻語(yǔ)料庫(kù)），以及另一個(gè)包含由真實(shí)圖像構(gòu)建的混合圖像的訓(xùn)練數(shù)據(jù)集上訓(xùn)練了 Face X-Ray。

他們?cè)u(píng)估了 FaceX-Ray 使用四個(gè)數(shù)據(jù)集進(jìn)行概括的能力，其中包括：

• 上述 FaceForensics++語(yǔ)料庫(kù)的一個(gè)子集；
• 谷歌發(fā)布的數(shù)千個(gè) deepfake 影視集合，deepfake 檢測(cè)挑戰(zhàn)賽的圖像；
• Celeb DF，一個(gè)包含 408 個(gè)數(shù)據(jù)集真實(shí)視頻的語(yǔ)料庫(kù)和 795 個(gè)減少了視覺(jué)偽影的合成視頻。

結(jié)果表明，F(xiàn)ace X-Ray 能有效地識(shí)別出未被發(fā)現(xiàn)的偽造圖像，并能可靠地預(yù)測(cè)融合區(qū)域。研究人員指出，該方法依賴于混合步驟的存在，因此它可能不適用于全合成圖像，并且它可以無(wú)法成功檢測(cè)出對(duì)抗性樣本的真?zhèn)巍５查_(kāi)這一點(diǎn)，這也算是朝通用化面部偽造圖像檢測(cè)工具邁出的有希望的一步。

原文地址：
https://venturebeat.com/2020/01/06/microsoft-researchers-propose-face-swapping-ai-and-face-forgery-detector/ 
FaceShifter 論文地址：
https://arxiv.org/pdf/1912.13457.pdf 
FaceX-Ray 論文地址：

https://arxiv.org/pdf/1912.13458.pdf 

來(lái)源 | 雷鋒網(wǎng)
作者 | 楊鯉萍

來(lái)源 | 雷鋒網(wǎng)

不過(guò)這整個(gè)過(guò)程對(duì)面試者來(lái)說(shuō)都是不透明的，被算法評(píng)價(jià)的一方并不知道系統(tǒng)是如何分類、打分、排序的。除了面試者一方不知情之外，算法是否會(huì)引入額外的偏見(jiàn)、讓面試過(guò)程變得不公平也是有疑問(wèn)的。美國(guó)伊利諾斯州從 2020 年 1 月 1 日起實(shí)施的“人工智能視頻面試法案”（Artificial Intelligence Video Interview Act）就打算開(kāi)始插手這個(gè)過(guò)程。

這個(gè)法案是美國(guó)所有的州中首個(gè)實(shí)施的此類法案。法案的目標(biāo)是讓面試者對(duì)這些基于 AI 的面試工具的運(yùn)轉(zhuǎn)情況有更多了解。具體來(lái)說(shuō)這個(gè)法案有三項(xiàng)基本要求：

1. 如果企業(yè)要使用 AI 工具評(píng)價(jià)面試者和某個(gè)職位的匹配程度，那么企業(yè)必須明確告知面試者。
2. 企業(yè)還需要向面試者解釋這些 AI 工具是如何運(yùn)行的，以及這些工具會(huì)把哪些常見(jiàn)性格特點(diǎn)作為評(píng)判依據(jù)
3. 要保護(hù)面試者的隱私，只有具備足夠的專業(yè)知識(shí)或者技術(shù)知識(shí)的人才可以在面試后回看面試錄像，而且如果面試者提出了要求，那么企業(yè)必須在提出要求的一個(gè)月內(nèi)刪除這個(gè)面試者的所有視頻。

這項(xiàng)法案看起來(lái)是積極的一步，但實(shí)際上，這個(gè)法案針對(duì)的 AI 種類非常有限，而且也沒(méi)有對(duì)企業(yè)如何使用 AI 提出任何要求，很難說(shuō)這個(gè)法案的實(shí)施能起到多大程度的實(shí)際作用。

關(guān)注科技運(yùn)用與人權(quán)之爭(zhēng)的非盈利組織 Upturn 的高管 Aaron Rieke 對(duì)媒體表示：“對(duì)整個(gè)招聘流程來(lái)說(shuō)，這能起到的作用很小。”法案談到了用來(lái)分析視頻的 AI 工具，但用來(lái)評(píng)價(jià)面試者的 AI 工具遠(yuǎn)不止和視頻分析相關(guān)的那些。而且法案也沒(méi)法確保當(dāng)你要求不要讓 AI 工具評(píng)價(jià)你的時(shí)候，企業(yè)是否還會(huì)公正地考慮你是否符合職位。“所以，如果你要求法案中的權(quán)利，所需要付出的代價(jià)是可能完全不會(huì)再被企業(yè)考慮的話，這個(gè)法案就起不到多大作用了。”除此之外，企業(yè)對(duì) AI 工具的解釋也可能是寬泛的、高度抽象的，并不能幫助面試者建立更好的理解。

來(lái)源 | 雷鋒網(wǎng)

城市中的智能視覺(jué)體系隨時(shí)保障著每個(gè)人的安全；自動(dòng)駕駛汽車(chē)暢通無(wú)阻；AI幫我們研制出攻克絕癥的新藥；在浩瀚星空中找到能源甚至生命……所有這些，是我們每個(gè)人的夢(mèng)境。2019年這些景象似乎依舊很遠(yuǎn)，但這一年，改變確實(shí)正在發(fā)生。

機(jī)器視覺(jué)、自動(dòng)駕駛、AI生物研究，這些指向未來(lái)的關(guān)鍵技術(shù)，都將來(lái)自AI的不斷探索；而AI能夠發(fā)展，又將建立在智能算力的牢固地基之上；而智能計(jì)算的根源，是AI芯片。

今天，AI芯片很可能是未來(lái)一個(gè)科技發(fā)展周期的軸心，已經(jīng)成為了眾人皆知的常識(shí)。而這個(gè)產(chǎn)業(yè)到底發(fā)生了哪些改變，在2019年有哪些進(jìn)展，可能并不完全為大眾所知。

事實(shí)上，在AI所需的訓(xùn)練+推理全流程里，能夠提供核心芯片支撐的企業(yè)非常稀少。而與歷史上數(shù)次芯片迭代所不同的是，這次能夠提供核心芯片的名單里，有了中國(guó)玩家的身影。

2018年10月，華為發(fā)布了昇騰系列芯片，這標(biāo)志著華為AI戰(zhàn)略正式拉開(kāi)帷幕。而當(dāng)2019即將過(guò)去，昇騰度過(guò)了走入現(xiàn)實(shí)世界的第一個(gè)365天，在盛大的誕生日之后，它都做了什么？影響了什么？改變了什么？

讓我們以AI芯片的全球產(chǎn)業(yè)局勢(shì)為開(kāi)端，一起梳理一下“昇騰紀(jì)”帶來(lái)的全場(chǎng)景AI元年。

回憶結(jié)束時(shí)我們會(huì)發(fā)現(xiàn)，AI世界不僅迎來(lái)了一個(gè)芯片系列，更是迎來(lái)了一條新的道路，一個(gè)新的選擇。

時(shí)代的分野

從經(jīng)典計(jì)算，到圖像計(jì)算、移動(dòng)處理器，芯片的發(fā)展史告訴我們，每個(gè)新類型芯片的創(chuàng)生周期里，一般都只會(huì)留存兩到三家最終的芯片提供商。而另一個(gè)事實(shí)是，大型芯片的提供商往往都來(lái)自美國(guó)。

2012年，英偉達(dá)的工程師偶然間發(fā)現(xiàn)了GPU與深度神經(jīng)網(wǎng)絡(luò)的耦合性，為英偉達(dá)打開(kāi)了一個(gè)無(wú)比誘人的“蛋糕倉(cāng)庫(kù)”。2017年，重磅投入AI技術(shù)的谷歌，用TPU補(bǔ)完了AI芯片這一關(guān)，并將之作為谷歌云的殺手锏之一。這也是在華為發(fā)布昇騰之前，唯二的兩家AI訓(xùn)練芯片提供商。

而當(dāng)AI技術(shù)開(kāi)始為全球共同關(guān)注，有可能改變各個(gè)產(chǎn)業(yè)的生產(chǎn)方式時(shí)，剛進(jìn)入這個(gè)領(lǐng)域的開(kāi)發(fā)者與企業(yè)，會(huì)發(fā)現(xiàn)芯片算力的選擇如此之少。TPU只能基于谷歌云調(diào)用，并且排隊(duì)艱難。而英偉達(dá)的推理和訓(xùn)練用顯卡都是標(biāo)準(zhǔn)的“緊俏商品”，一般開(kāi)發(fā)者很難買(mǎi)到。甚至有了開(kāi)發(fā)者苦英偉達(dá)久矣的說(shuō)法。

而2019年的另一些事實(shí)告訴我們，一味依靠美國(guó)芯片是有風(fēng)險(xiǎn)的，尤其在AI算力需要注入各行各業(yè)這個(gè)前提下。
假如故事如CPU和GPU時(shí)代一樣發(fā)展，那么最終可能又是一個(gè)美國(guó)領(lǐng)先、其他國(guó)家等待模仿的劇本。AI之路可能會(huì)像PC和互聯(lián)網(wǎng)一樣，讓中國(guó)開(kāi)發(fā)者首先學(xué)會(huì)的是等待。

然而在時(shí)代的洪流靜靜流淌時(shí)，突然一個(gè)新的岔路產(chǎn)生了。華為發(fā)布了昇騰系列處理器，讓AI處理器提供商的數(shù)量從二變成了三。所謂“三生萬(wàn)物”，一個(gè)新的參與者，代表著一系列新的選擇。

比如說(shuō)，英偉達(dá)的AI芯片是從顯卡業(yè)務(wù)而生，它的產(chǎn)業(yè)思路都基于顯卡體系，不覆蓋開(kāi)發(fā)框架和開(kāi)發(fā)工具；而谷歌的TPU圍繞谷歌云服務(wù)，無(wú)法進(jìn)入邊緣、終端場(chǎng)景。與二者相異，華為作為網(wǎng)絡(luò)、計(jì)算、存儲(chǔ)多領(lǐng)域的技術(shù)貫通企業(yè)，在業(yè)內(nèi)首先提出了“全棧全場(chǎng)景AI”，基于達(dá)芬奇架構(gòu)，讓AI算力貫穿從芯片到算法開(kāi)發(fā)的所有流程，覆蓋從訓(xùn)練到推理的所有場(chǎng)景，這直接指向現(xiàn)實(shí)的AI應(yīng)用和開(kāi)發(fā)場(chǎng)景。于是，我們從昇騰的路標(biāo)看去，能看到其他企業(yè)未曾抵達(dá)過(guò)的遠(yuǎn)方。

在全球AI基座的視野里，昇騰是一個(gè)新的選擇，而且是一個(gè)完全不同的選擇。

Portfolio的力量

如果說(shuō)2018年昇騰的出世，給智能計(jì)算產(chǎn)業(yè)標(biāo)明了一個(gè)新的方向。那么當(dāng)時(shí)針撥動(dòng)到2019，昇騰的商用化進(jìn)展就是順延這個(gè)方向做出了真實(shí)的進(jìn)展。一條AI之路在算力迷霧中顯露了出來(lái)。

昇騰的2019，可以由底座到應(yīng)用，分成三個(gè)階段來(lái)闡述：即算力底座、產(chǎn)業(yè)平臺(tái)，與生態(tài)應(yīng)用。

在底座層面，這一年中的核心事件就是昇騰910處理器投入商用。在此之前，應(yīng)用于AI推理場(chǎng)景的昇騰310處理器以及打下了堅(jiān)實(shí)的產(chǎn)業(yè)基礎(chǔ)，構(gòu)筑了Atlas智能計(jì)算平臺(tái)這個(gè)產(chǎn)業(yè)樞紐。而AI領(lǐng)域真正的重型武器——訓(xùn)練芯片，則讓昇騰算力基座進(jìn)入了全棧完整形態(tài)，構(gòu)建了真正的Portfolio。

2019年8月，華為正式發(fā)布昇騰910處理器，并且宣布昇騰910和Mindspore開(kāi)發(fā)框架隨即進(jìn)入商用。這一款A(yù)I處理器代表著業(yè)內(nèi)最強(qiáng)的AI算力，也代表著華為已完成全棧全場(chǎng)景AI解決方案（Portfolio）的構(gòu)建。昇騰910的出現(xiàn)，對(duì)整個(gè)AI產(chǎn)業(yè)來(lái)說(shuō)帶來(lái)了三個(gè)實(shí)際改變：

1、AI訓(xùn)練算力極限被突破，算力能夠更輕易、更低成本被獲取。

2、昇騰系列的全場(chǎng)景打通，構(gòu)筑了云邊端一體化AI的全新可能。

3、全棧AI，提供給開(kāi)發(fā)者和應(yīng)用者更優(yōu)質(zhì)的開(kāi)發(fā)效率，導(dǎo)致產(chǎn)業(yè)智能化的耦合加速發(fā)生。

全棧全場(chǎng)景AI的力量，在2019年真實(shí)注入了AI產(chǎn)業(yè)世界。而在這重力量之上，華為又凝結(jié)出了智能計(jì)算面向千行百業(yè)、全棧全場(chǎng)景的產(chǎn)業(yè)支撐。

Atlas的底座

作為一系列AI處理器，昇騰310和910投入產(chǎn)業(yè)應(yīng)用中，需要具象化成具體的產(chǎn)業(yè)形態(tài)，而這一過(guò)程并不是簡(jiǎn)單的封裝和調(diào)參。各行業(yè)、各場(chǎng)景不同的智能化需求，以及配套產(chǎn)生的不同基礎(chǔ)設(shè)施缺口，意味著智能計(jì)算產(chǎn)品必須具備多元性、產(chǎn)業(yè)性，以及全場(chǎng)景適配的特點(diǎn)，以此解決不同場(chǎng)景、不同需求下的AI算力適配。

而這一缺口，也恰恰是英偉達(dá)和谷歌都無(wú)法填補(bǔ)的，其中需要大量ICT技術(shù)和商業(yè)理解作為引擎，這也給了華為機(jī)會(huì)與責(zé)任。華為在2019年給出的答案，叫做Atlas。

2019年4月，在智能計(jì)算大會(huì)深圳站，華為Atlas人工智能計(jì)算平臺(tái)正式發(fā)布，開(kāi)啟了Atlas商用和規(guī)模銷售的進(jìn)程。
Atlas的名字來(lái)源于古希臘神話中托起宇宙的大力神。Atlas平臺(tái)包括多款能夠使用不同場(chǎng)景、不同需要的智能計(jì)算產(chǎn)品，它的全面性與多樣化，恰好對(duì)應(yīng)了托起AI天空的意向。在4月首批上市的Atlas產(chǎn)品，主要基于昇騰310提供的AI推理能力，主要包括Atlas 200 AI加速模塊、Atlas 300 AI加速卡、Atlas 200 DK AI開(kāi)發(fā)者套件、Atlas 500智能小站四款產(chǎn)品，能夠覆蓋邊端側(cè)多個(gè)場(chǎng)景，實(shí)現(xiàn)AI算力的全面覆蓋。

而在9月18日的華為全聯(lián)接大會(huì)上，華為副董事長(zhǎng)胡厚崑重磅發(fā)布了全球最快AI訓(xùn)練集群Atlas 900，這款產(chǎn)品匯聚了華為數(shù)十年的技術(shù)積淀，是當(dāng)前全球最快的AI訓(xùn)練集群。Atlas 900由數(shù)千顆昇騰910 AI處理器互聯(lián)構(gòu)成，總算力達(dá)到256P～1024P FLOPS @FP16，相當(dāng)于50萬(wàn)臺(tái)電腦的計(jì)算能力。Atlas 900的問(wèn)世，標(biāo)志著華為智能計(jì)算正式進(jìn)入“重武器”時(shí)代，形成了從訓(xùn)練到推理的完整AI算力布局。同時(shí)，Atlas家族也加入了基于昇騰910處理器的訓(xùn)練卡Atlas 300及AI訓(xùn)練服務(wù)器Atlas 800。

2019年，產(chǎn)業(yè)價(jià)值獨(dú)特，技術(shù)差異化明顯的Atlas系列產(chǎn)品也收獲了一系列榮譽(yù)。比如在3月，華為“Atlas 300 AI加 速卡”及“Atlas 500智能小站”憑借全新的設(shè)計(jì)理念，榮獲了著名的紅點(diǎn)設(shè)計(jì)大獎(jiǎng)。6月在在東京舉行的Interop展會(huì)，經(jīng)IT權(quán)威專家多項(xiàng)目嚴(yán)格評(píng)審，華為Atlas 500智能小站憑借 “超強(qiáng)AI算力、云邊協(xié)同、邊緣部署”等特性，獲得了2019 Interop東京展Best of Show Award大獎(jiǎng)。

短短一年間，Atlas經(jīng)歷了商用發(fā)布、產(chǎn)業(yè)補(bǔ)完，以及行業(yè)認(rèn)可的全過(guò)程。而更重要的，是這一年中Atlas已經(jīng)將智能計(jì)算的應(yīng)用價(jià)值推進(jìn)到了產(chǎn)業(yè)中，讓行業(yè)生態(tài)體驗(yàn)到了昇騰帶來(lái)的全新選擇。

千行百業(yè)的智慧涌動(dòng)

與任何技術(shù)一樣，AI的最終評(píng)價(jià)標(biāo)準(zhǔn)是要落進(jìn)現(xiàn)實(shí)。從昇騰到Atlas，下一站是千行萬(wàn)業(yè)的智能應(yīng)用。在2019年，昇騰并沒(méi)有讓觀眾等待，而是拿出了一系列具有充分想象力的智能驅(qū)動(dòng)案例。

比如在全聯(lián)接大會(huì)上，華為與上海天文臺(tái)合作，在天文界著名的SKA項(xiàng)目中，用Atlas 900來(lái)作為新的智能計(jì)算支持。這一合作改變了天文界的效率規(guī)則，以SKA所拍攝的20萬(wàn)顆星體數(shù)據(jù)為例。一位天文學(xué)家需要169天才能完成的星體搜索，Atlas 900只需要10秒就可以完成。從天文開(kāi)始，地址勘探、能源探索、計(jì)算，這些AI面前最重的挑戰(zhàn)，正在被昇騰和Atlas一個(gè)個(gè)解開(kāi)。

在我們的生活中，也有大量產(chǎn)業(yè)正在被Atlas所改變。比如遙感、智能安防、質(zhì)檢等諸多領(lǐng)域都能看到Atlas200、300等產(chǎn)品的身影。眾多產(chǎn)業(yè)正在被AI所改變，比如一個(gè)令人印象深刻的案例，是2019年9月，南方電網(wǎng)深圳供電局與華為共同發(fā)布了基于昇騰的電網(wǎng)創(chuàng)新方案。通過(guò)“以系統(tǒng)智能分析為主、人工判斷為輔”的新模式，原本需要20天才能完成的現(xiàn)場(chǎng)巡視工作，輸電監(jiān)控指揮中心現(xiàn)在僅需2小時(shí)就可完成，巡檢效率提高了80倍，真實(shí)改變了產(chǎn)業(yè)生產(chǎn)效率。

在2019年臨近尾聲時(shí)，昇騰和Atlas又帶來(lái)了一個(gè)重磅消息。11月29日，華為與鵬城實(shí)驗(yàn)室在深圳共同發(fā)布了鵬城云腦Ⅱ一期。被稱為“AI國(guó)家隊(duì)”的鵬城實(shí)驗(yàn)室，將使用Atlas 900作為云腦Ⅱ的計(jì)算底座，從而使云腦Ⅱ邁進(jìn)千P級(jí)算力。從而為計(jì)算機(jī)視覺(jué)、自然語(yǔ)言、自動(dòng)駕駛、智慧交通、 智慧醫(yī)療等各類基礎(chǔ)性研究提供全新的智能計(jì)算基礎(chǔ)。
在應(yīng)用之外，華為還在2019年積極推進(jìn)了基于昇騰和Atlas的生態(tài)建設(shè)。以開(kāi)發(fā)者大會(huì)、產(chǎn)學(xué)研合作等方式，將昇騰的魅力對(duì)外開(kāi)放，引導(dǎo)開(kāi)發(fā)者和研究者探索昇騰的使用場(chǎng)景，用AI創(chuàng)造更多價(jià)值。在11月5日，HUAWEI ECO-CONNECT EUROPE 2019上，華為正式發(fā)布基于昇騰的歐洲AI生態(tài)計(jì)劃。宣布未來(lái)5年投入1億歐元，與產(chǎn)業(yè)組織、20萬(wàn)開(kāi)發(fā)者，500家 ISV 伙伴、50所研究機(jī)構(gòu)與大學(xué)共同啟動(dòng)歐洲AI生態(tài)計(jì)劃。這意味著昇騰的生態(tài)之旅已經(jīng)開(kāi)啟了全球性布局，為全球共同的AI之路提供新的可能。

回顧2019年帶來(lái)的改變，AI開(kāi)發(fā)者應(yīng)該有很多感慨。如果AI世界沒(méi)有昇騰和Atlas系列，那么開(kāi)發(fā)者和各行業(yè)應(yīng)用者、學(xué)生研究者，都只能去適應(yīng)AI算力稀缺、開(kāi)發(fā)兼容性不強(qiáng)的開(kāi)發(fā)環(huán)境。換言之，2019年“昇騰紀(jì)”的開(kāi)啟，讓眾多開(kāi)發(fā)者不用再去適應(yīng)苛刻的AI環(huán)境，而是讓AI基礎(chǔ)設(shè)施去適配自己的需求與夢(mèng)想。

規(guī)則被撬動(dòng)，改變已到來(lái)。

在“昇騰-Atlas-千行萬(wàn)業(yè)”這條AI之路被打通之后，眾多產(chǎn)業(yè)的智能化進(jìn)程將被改寫(xiě)，開(kāi)發(fā)者的腦洞基礎(chǔ)可能被改寫(xiě)和顛覆。這是一個(gè)時(shí)代的分野，是智能時(shí)代的另一個(gè)選擇。

8月，在2019上海世界人工智能大會(huì)中，科技部宣布將依托華為建設(shè)基礎(chǔ)軟硬件國(guó)家新一代人工智能開(kāi)放創(chuàng)新平臺(tái)，面向各行業(yè)、初創(chuàng)公司、高校和科研機(jī)構(gòu)等的AI應(yīng)用與研究，以云服務(wù)和產(chǎn)品軟硬件組合的方式，提供全流程、普惠的基礎(chǔ)平臺(tái)類服務(wù)。

基礎(chǔ)軟硬件平臺(tái)是AI的基座與必經(jīng)之路，也是全球AI發(fā)展中的戰(zhàn)略高點(diǎn)。華為是目前國(guó)內(nèi)唯一具備全棧全場(chǎng)景AI能力的廠商，其在“AI國(guó)家隊(duì)”扮演的角色，恰好能說(shuō)明昇騰處理器與智能計(jì)算產(chǎn)業(yè)的關(guān)鍵價(jià)值。

“華為在通用計(jì)算和AI計(jì)算領(lǐng)域堅(jiān)持戰(zhàn)略投入，持續(xù)創(chuàng)新，通過(guò)解決世界級(jí)計(jì)算技術(shù)難題，為世界提供最強(qiáng)算力。”——這句昇騰的諾言，在2020已經(jīng)不是將來(lái)時(shí)。

來(lái)源 | 億歐網(wǎng)