去年,华为就曾预告过将针对打造面向边缘和端的全栈全场景解决方案。上文提到的这两款AI芯片,其实是华为AI全栈全场景AI解决方案的一部分。onFednc
所谓全场景,即包括公有云、私有云、各种边缘计算、物联网行业终端以及消费类终端等部署环境,即“让 AI 无处不在,无所不及”,而全栈即包括芯片、芯片服务,还有硬件,以及训练和推理的框架和应用在内的全堆栈解决方案。onFednc
华为的全栈方案具体包括:onFednc
Ascend: 基于统一、可扩展架构的系列化 AI IP 和 芯片,包括 Max,Mini,Lite,Tiny 和 Nano 等五个系列。包括我们今天发布的华为昇腾 910(Ascend 910),是目前全球已发布的单芯片计算密度最大的 AI 芯片,还有 Ascend 310,是目前面向计算场景最强算力的 AI SoC。onFednc
CANN: 芯片算子库和高度自动化算子开发工具onFednc
MindSpore,支持端、边、云独立的和协同的统一训练和推理框架onFednc
应用使能:提供全流程服务(ModelArts), 分层 API 和预集成方案onFednc
由于云端与终端所采用的AI框架与底层环境不同,一般AI应用在训练跟部署之间一定会经过一次以上的迁移——对企业而言这是一个无用的“内耗”,既耗费人力物力,又浪费时间。这对于开发者本人而言也是个麻烦的事情,因为转换底层环境涉及到很多算法跟算子的调校,很容易出现明明AI在云上跑得好好的,一换计算环境AI应用效率就跌。onFednc
因此,如果能够用同一套框架,打通华为公有云、私有云、边缘计算、手机等不同AI应用场景,那么AI应用就只需要一次调校,就能更简单地部署。onFednc
此外,这套方案同时还将于华为的HiAI开发者框架与华为云EI相辅相成。onFednc
华为人工智能战略的五大方面
不论在计算视觉、语音、决策,华为过去几年采用大量投资研发的方式,快速补齐所需要的技术,同时打造各种涵盖全场奖的解决方案,提供业界更简单易用,且高效率的 AI 平台,并且与业界、学界合作,不仅推动开发环境与应用服务的完备,也同时要培养 AI 所需要的人才。onFednc
应用为血肉,算力则成为骨架,这些元素建构出华为未来的 AI 布局,不是针对单一面向的应用,而是要扩及所有可能与人类生活息息相关的信息、重复事物的自动化处理,为此,华为推出了全栈全场景的 AI 技术和服务.包括:onFednc
onFednc
投资基础研究:在计算视觉、自然语言处理、决策推理等领域构筑数据高效(更少的数据需求)、能耗高效(更低的算力和能耗) ,安全可信、自动自治的机器学习基础能力onFednc
打造全栈方案:打造面向云、边缘和端等全场景的、独立的以及协同的、全栈解决方案,提供充裕的、经济的算力资源,简单易用、高效率、全流程的AI平台onFednc
投资开放生态和人才培养:面向全球,持续与学术界、产业界和行业伙伴广泛合作,打造人工智能开放生态,培养人工智能人才onFednc
解决方案增强:把AI思维和技术引入现有产品和服务,实现更大价值、更强竞争力onFednc
内部效率提升:应用AI优化内部管理,对准海量作业场景,大幅度提升内部运营效率和质量。onFednc
为了达到这样的目标,华为这次把华为旗下的 HiAI 生态与去年发布的 EI 生态进行整合,并通过全新的昇腾家族芯片,打造从算力、框架到服务的完整 AI 系统。onFednc
如果说AI发展战略为华为指出了人工智能的发展方向,那么AI解决方案就是落实构想。onFednc
人工智能需要十大改变才能开创未来
徐直军称人工智能才刚刚开始,需要从技术、人才、产业这三个方面进行主动的变革,需要在十个方面进行改变。onFednc
一、缩短训练模型的时间:按照目前的技术水平,训练某些复杂模型时往往需要数天甚至数月,而成功的创新发现往往需要多次迭代,这种训练速度严重制约了应用创新。我们认为,未来模型的训练要能在几分钟、甚至几秒钟内完成。onFednc
二、充裕经济的算力:算力是AI的基础,但目前的算力非常昂贵,是一种稀缺资源。如果说算力的进步是当下AI大发展的主要驱动因素,那么,算力的稀缺和昂贵正在成为制约AI全面发展的核心因素。算力应该是充裕且经济的,并且这种需求应该尽快实现。onFednc
三、人工智能要适应任何部署场景:混合云已经成为企业采用云服务的主要模式,当前的AI主要在云,少量在边缘,与企业的业务环境的结合有待进一步深入。未来AI将无处不在,要能够部署在任何场景,并确保用户隐私得到尊准和保护。onFednc
四、更高效更安全的算法:算法是推动AI发展的另一个主要动力,但目前运用的主要算法多诞生于1980年代。随着AI的广泛普及,这些算法的不足愈发明显。未来的算法,要能够基于更少的数据需求,即数据高效。也要能够基于更低的算力和能耗,即能耗高效。同时要解决自身的安全问题,并实现可解释…等等,这都是AI全面发展的重要技术基础。onFednc
五、更高的自动化水平:今天的人工智能,自身还需要大量的人工,特别是在数据标注环节,今天甚至还诞生了一个新的职业叫“数据标注师”。有人调侃说,今天的人工智能,是没有“人工”就没有“智能”。应该大大提升AI自身的自动化水平,比如在数据标注、数据获取,特征提取,模型设计和训练等环节,要实现自动化或半自动化。onFednc
六、模型要面向实际应用:2018年6月,伯克利大学的助理教授 Benjamin 等发表了一篇题目奇怪的论文——《CIFAR-10分类器能否泛化到CIFAR-10?》该论文指出,在CIFAR-10分类器上测试准确度出色的模型算法,却在作者创建的与CIFAR-10非常接近的另一测试集上出现了偏差,分类识别准确率下降了5-15个百分点不等。这也就意味着,这个模型算法的可用度大幅度下降。由此,可见当前很多优秀的模型算法,更多的是“考试”优秀,还未达到“工作”优秀。未来的模型必须实现工业级的优秀,即满足工业生产的需要,而不仅仅满足于测试集上“考试”优秀。onFednc
七、模型更新:模型的准确率并非是一成不变的,而是会随着数据分布、应用环境和硬件环境的变化而变化,始终保持准确率在期望的范围内对于企业应用是必须的。但目前的模型更新是非实时的,依赖人工周期性的更新,因此是一个半开环的系统。未来的模型要能及时适应各种变化,实时更新,实现闭环系统,保证企业AI应用始终处于最佳状态。onFednc
八、人工智能要多技术协同:每一个通用目的技术,只有与其它技术充分协同配合,才能发挥到极致,创造巨大的经济价值。AI也不例外,但在目前探讨AI时,更多的是仅仅聚焦AI本身。onFednc
九、人工智能要成为由一站式平台支持的基本技能:今天,AI还是一项只有具备高级技能的专家才能完成的工作,成熟、稳定、完善的自动化工具还比较缺乏,获得一个AI模型还是一个非常复杂,耗时耗力的事情。onFednc
十、以AI的思维解决AI的人才短缺:AI人才的短缺,特别是数据科学家的缺乏,一直是业界顾虑较多的一个制约因素。数据科学家将永远是稀缺的。解决之道应该是,以AI的思维解决AI的人才短缺。通过着力发展智能化、自动化、简单易用的AI平台和工具服务,以及提供培训教育,培养大量的数据科学工程师,使他们能完成大量基本的数据科学相关工作。通过这些大量的数据科学工程师与数据科学家和各领域专家相互配合的梯形结构,来解决AI人才稀缺问题。onFednc
这十个改变,一定不是AI技术、人才、产业发展的全部,但都是未来发展的重要基础。onFednc