百度陆奇:AI是5G网络下最好的加速器,技术商业化还要更快

问耕 假装发自 LV
量子位 出品 | 公众号 QbitAI

下一代通信网络5G,意味着什么?

百度集团总裁兼COO陆奇美国时间10日在出席CES一个对话活动时说,AI是5G网络下最好的加速器,陆奇表示AI+5G将会真正引起变革。

具体来讲,5G带来通信速度的进一步提升,这将有助于汽车与外界的通信,包括车对车通信、车对人通信、车对基础设施通信。而且5G还能极大改善连接延迟。“对我来讲,5G不只是一项技术,它非常棒,可以为我们创造很多机会”陆奇说。

显而易见,5G对于陆奇和百度的AI战略,意义重大。

陆奇表示:“我们认为自己是一家旨在加快创新的AI公司,致力于实现AI技术的产品化和商业化。我想强调的是,最重要的是将该技术商业化,否则一切都是空谈”。

对于刚刚过去的2017年,陆奇称之为AI“元年”,即AI产业开始打基础的一年。而在百度的AI架构中,自动驾驶平台Apollo和语音交互平台DuerOS是关键旗子。

陆奇在对话中,多次强调了技术商业化,同时他还指出百度技术落地的速度还会加快,除了无人车之外,还有对话AI、智能手机等方面的部署落地。

以下为陆奇参加CES 5G Panel的对话实录:

主持人Sue Marek:早上好!……陆奇,我想先从您开始,因为我认为观众可能并完全了解百度是怎么样一家公司,你们在做的业务。请您简单介绍一下百度。

陆奇:首先感谢给我这个机会!我给大家简单介绍一下百度。了解百度的最简单方法是,将百度当成中国的谷歌。它是中国市场最大的搜索引擎,在数据服务方面很有实力。百度是一家创新速度非常快的公司,我们认为自己是一家旨在加快创新的AI公司,致力于实现AI技术的产品化和商业化。我想强调的是,最重要的是将该技术商业化,否则一切都是空谈。

所以具体来讲,我们将利用AI来变革我们当前的业务。搜索在我们来看仍然重要,但在一个“新移动”(New Mobile)的环境下它将越来越具备更加个性化的推荐能力。我将回过头来从技术角度解释“新移动”是什么意思。另一方面,它将变革我们的视频娱乐业务——百度旗下的“爱奇艺”,您可以将它当成是中国的Netflix,只是规模更大,同时还有其他一些业务。

“新移动”是重要的,因为我们认为未来的手机将具有越来越强大的功能——障碍检测、环境检测、专门的神经计算(neural computing)、以及“片上系统(Silicon SoC)”,它们将使新的互动形式、不同类型的更内容更丰富的体验成为可能。在个性化推荐、视频、游戏等等方面,百度都在大力进行创新。这些都在改变着我们当前的业务。

更为重要的是,通过AI打造一系列的新业务,尤其是自动驾驶汽车和对话式AI。对我个人来讲,我曾在微软和雅虎从事过技术工作,我认为,推动AI发展的前沿领域是这两个平台:一个是对话式AI,它将实现一种全新的交互形式,因为我们今天主要是通过手指触摸,以后语音、自然语言交互模式将无处不在。目前,我们拥有对话式AI操作系统DuerOS,在中国市场上的功能要强大得多。

另一个是自动驾驶系统Apollo,它是一个强大的开放平台,是汽车引擎,但要比普通引擎强大得多。就在两天前的CES展会上,我们首次现场展示了由10辆汽车组成的一个车队。这些汽车都是在相同平台上打造的,它们都是自动驾驶汽车,这是很了不起的。

所以简言之,百度是一家利用AI技术快速创新的公司,我们也凭借我们所说的“中国速度”——因为中国市场发展速度非常快。我们想让我们的技术和业务走向世界。DuerOS将会是全球性的,已经进入了日本;Apollo将会是全球性的,它将进入新加坡、东南亚和很多其他国家。我们希望百度的创新能让所有人从中受益。谢谢!

主持人Sue Marek:人们谈论5G有很长时间了。能不能告诉大家我们和5G有什么关系,百度又和5G有什么关系?

陆奇:从百度的角度来讲,真正引起变革的将是AI+5G。

它们能做什么?具体来讲,我们专注于几个方面,其中一个是mission-critical(关键性任务)方面,尤其是对Apollo平台来说,我们一直在与汽车行业的伙伴合作,我们与大家的关系非常融洽。尽管如此,当你把那些网络连接和计算传感器(connectivity and computing sensors)放在一辆汽车上时,这辆汽车就会自己行驶。而这会产生重要的问题,就是它的安全性(safety)、安保性(security)、还有就是一辆自己行驶的汽车按理说也是一种武器,因此你要确保芯片组有强大的内置安全系统。所以安保性(security)、安全性(safety)、可靠性(reliability)和mission-critical我认为在发生变化。

另外是关于移动行业的活力(mobile vitality)。从微观角度来讲移动行业的话,AI 将会极大改变这个行业,原因在于移动性(mobility)是智能(intelligence)的基本实质(fundamental essence)。这也是动物和植物的区别:动物必须走动,如果你需要走动,你就必须进行记忆(memorize)和概括(generalize)。AI当中的计算是关于记忆(memorization)和概括(generalization)的,而移动性也是关键。这是因为,我本人在深入研究自动驾驶汽车技术,这是一个新领域,因为其mission-critical性质,它将覆盖我们所打造的智能系统的前沿领域

另一个方面是隐私问题。我认为隐私极为重要,因为现在你在家里、在车上、在几乎所有地方都有了具备语音功能的设备,所以你希望有办法来充分确保隐私。我认为 “新移动”(New Mobile)环境下的“边缘计算”(edge computing),在终端要做的事情将会远远多于在云中所做的事情。

主持人Sue Marek:陆奇,您能否简单谈谈中国以及中国在5G方面将会做什么?中国在部署5G方面是会同美国一样快、还是会更快?

陆奇:是的。百度并不是一家以通信为主业的公司,但我们的确也参与到通信行业之中,我们与中国的三大移动运营商有合作。顺便说一下,百度是中国联通的投资机构之一,参与了中国联通的混改。

而从我们的视角来说,百度正在参与多个领域的工作,其中一个就是物联网(IoT)。具体来说是和电池有关。电池行业规模很大,涉及方方面面——电池、电池充电、以及各种相关服务,这是百度所做工作的一个重要部分。实际上我们始终都在推动终端、前沿应用领域的创新。正如我在前面强调过的,实际上从我们的角度来讲,所有都是为了将我们的能力商业化、寻找大的商业化应用领域和加快部署。

主持人Sue Marek:您也许应该解释一下这对我们意味着什么,因为我不确定所有人都明白。

陆奇:我们需要这些附件来让汽车与其他东西进行通信——车对车通信、车对人通信、车对基础设施通信。这就是人们所说的V2X通信。

作为Apollo平台的一部分,我们正在与合作伙伴合作设计和实施应用场景下的一种新形式的V2X通信。在这一特定场景下,你需要政策创新以及技术和基础设施方案。百度在与若干个中国市级政府合作来打造新的基础设施,不仅使新技术的部署更容易,而且使整个城市在未来运转更加高效。

比如就在不久前,正如人们所期待的那样,有一个城市叫做雄安,雄安是中国的下一个传奇,是一个从头开始建设的传奇。按设计它要比深圳、比迪拜、比很多其他城市更大。同时它还要但要引领未来城市设计,这就需要有新的基础设施、通信基础设施、自动行驶的运输系统等设计在内。我们认为在目前阶段,政策创新、技术创新、以及推动创新的可改变、可商业化的机会(changeable and commercializable opportunities)是促进新一代基础设施迅速落地的关键。一旦基础设施到位,创新就会加快。我们最初可以从几个大的领域开始:自动驾驶在我们看来绝对是一个,应用于智能手机的对话式AI是另一个。

我还想补充一下,我认为这将会加速到来。因为事实就是如此,AI创新将会加速,AI因其基本特性需要大量数据。从很多方面来讲,数据是一种移动形式的资产(a moving form of capital),是一种生产工具。在AI时代,你如果没有优秀人才、没有数以百万计的工程师,你就无法打造这样一个系统。而你也必须有数据,否则你就无法打造一个能够识别道路障碍物、能够进行导航的系统。

而关键问题是,有了更多数据,创新周期就会加速。尤其是中国有13亿8千万人人口,超过11亿的智能手机用户,7.51亿网民——我们所拥有的数据就是要多的多。对汽车行业来说也是如此,我们全国有近2亿辆汽车。我们的自动驾驶开放平台问世只有大约8个月时间,但今年我们已经实现了L4车型的商业化生产,明年总共有三款轿车要将投产,速度在加快。

中国有更多人口、有更多传统行业可以挖掘更多数据,所以我认为数据将会持续产生,我们的工作是真正释放数据的能力,给我们客户创造实实在在的价值。

主持人Sue Marek:这让人吃惊,8个月你们已经有了一款商业化产品,明年你们将会有三款轿车。

陆奇:这个平台是去年7月推出的,我们的L4车型投产,这种车型实际上是自动驾驶汽车。这超出了我们最大的想象。我想说另一件事情是,百度采取开放平台的做法,我们有一个针对汽车的开放平台、针对对话式AI的开放平台,所以我对百度是非常有信心的。我们的开放平台、开放创新、以中国速度把握巨大商机,在中国还有允许自动驾驶汽车进行道路测试的政策,我们希望通过我们的创新使全世界受益。我认为通过美国、中国和其他市场一起努力,机会将会继续到来。

主持人Sue Marek:关于速度、gigabit、LTE我们谈了很多,但latency(延时)是另一个关键方面。我们谈了AI、自动驾驶,那么latency会有什么样的影响?

陆奇:对汽车来讲我将强调其mission-critical(关键性任务)特性,因为在大多数情况下你必须迅速做出判断并调整。所以连接时间延迟会带来很大问题,我们必须让延迟降低。从我个人经历来讲,我们总是要将延迟优化到1毫秒、2毫秒。对我来讲,5G不只是一项技术,它非常棒,可以为我们创造很多机会。

我非常相信AI是5G网络下最好的伙伴或者说是最好的加速器(accelerator)。我想提到的另一件事情是,对中国,老实讲移动互联网、移动平台远远超前于美国,移动支付等等服务都更先进。我建议移动互联领域的企业都要想想在移动支付等领域还能做什么。尤其是从百度角度来讲,我们认为视频将是一个有巨大商机的领域。尤其是随着时间的推移,视频将会承载越来越多、各种形式的书面语言和通信内容,所以视频将会提供一系列非常好的机会。

每个公司都需要进行数字化转型、有广泛的网络连接和更低延迟。我认为它们都应想想在哪些方面能够降低成本、在哪些方面能够扩大用户群、创新和变革它们的现有产品并将其推向新的高度。对每个人来说都有很多机会。

我们认为,在中国我们将2017年称为AI“元年”,即AI产业开始打基础的一年,所以百度公司才会专注于AI,设计所有东西来加快这一愿景的实现。对我来说,归根结底是商业化——将技术商业化,落地实实在在的东西。这是去年的情况。今年我们在自动驾驶汽车方面已经实现了L4车型的量产。

主持人Sue Marek:明年这个时候我们将会推出新的自动驾驶汽车?

陆奇:是的,绝对是。我认为这个速度还会加快,还有对话AI、智能手机、设备部署也将会加快,技术的商业化落地也会更多。我要说的最后一件事是,美国、中国和全球的创新速度、尤其是通过开放平台进行的创新速度的加快将会使所有人受益。明年,我们再来到CES的时候,我们将会看到更多创新、更多来自中国的创新,这些创新会超越国界让世界其他地方的人们受益。

加入社群

量子位AI社群13群开始招募啦,欢迎对AI感兴趣的同学,加小助手微信qbitbot5入群;


此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。


进群请加小助手微信号qbitbot5,并务必备注相应群的关键词~通过审核后我们将邀请进群。(专业群审核较严,敬请谅解)

诚挚招聘

量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值