巨頭轉身物聯網，物聯網的下一站是人工智慧

標籤：人工智慧   機器學習   物聯網   gpu   

650) this.width=650;" src="http://s3.51cto.com/wyfs02/M02/85/A7/wKioL1erHiLwUKUBAACuttypEWE781.jpg-wh_500x0-wm_3-wmp_4-s_1314795211.jpg" title="deep-learning-header1.jpg" alt="wKioL1erHiLwUKUBAACuttypEWE781.jpg-wh_50" />

2016年7月爆出了舉世震驚的軟銀234億英鎊收購ARM公司事件，軟銀首席執行官孫正義就此表示，這一收購標誌著軟銀的一次“範式轉變”——投資物聯網。誠然，ARM作為壟斷了智能手機業的晶片設計公司，最近一兩年來正積極向物聯網拓展，因為物聯網有望在未來數年內成為可替代智能手機產業規模的戰略性機遇。

然而，ARM僅僅提供物聯網晶片的設計，即便真如Gartner所預測在2020年將有260億物聯網裝置，但這也只是物聯網的物理基礎。如何對這260億物聯裝置7×24源源不斷產生出來的資料進行分析、判斷和商業變現，單靠人工則遠遠不能滿足這一需求，而必須依靠自動化的演算法，這就是Gartner所積極倡導的演算法經濟。

人工智慧將成主流商業競爭策略

為什麼說人工智慧將成主流商業競爭策略？這是因為在演算法經濟時代，人工智慧是終極演算法，對終極演算法的追求必將成為主流商業競爭策略。

在華盛頓大學教授Pedro Domingos的2015年新書《終極演算法》中，有這樣論斷：“終極演算法”就是通過機器學習的方式，自動探索和創造其它所有演算法的“主演算法”。這個所謂的“主演算法”是單一的、全球通用的演算法，這個“主演算法”對於生物界來說是人類大腦，對於以物聯網為基礎的機器世界來說就是人工智慧。

在過去60年間，全球最頂尖的科學家們一直在研究如何用數學的方式來類比人類的智能。早期可證明《數學原理》的“邏輯理論家”程式讓機器具備邏輯推理能力，中期的專家系統讓機器能獲得人類的知識，再到後來旨在讓機器自主學習知識的機器學習演算法，科學家們對人工智慧的探索一直沒有停止。

進入到2016年，也是人工智慧學科誕生60周年之際，基於深度學習的機器學習演算法成為人工智慧主流，而深度學習的核心就是多層深度神經元網路DNN，這也是目前主流科學家能達到的最為成熟的機器智能。

2016年7月21日，技術方案提供者SoftServe發布了Big Data Snapshot 研究報告，研究顯示 62% 的大中型公司希望在未來的兩年內能將機器學慣用於商務分析。這意味著商用多層深度神經元網路DNN，即將成為各大企業追逐的主流商業競爭策略。

硬體進步推動人工智慧商用

我們正在進入人工智慧的商用時代。經過60年的發展，基於DNN的人工智慧已經從高校和實驗室走進了企業，並從企業擴散向千家萬戶。Google今年剛發布的智能硬體Google Home、即將量產的阿里互連網汽車、微軟人工智慧助理Cortana等，都是基於DNN的規模化商業應用。

在更為廣泛的傳統公司專屬應用程式層面，一場大規模的人工智慧商用化正在開始，這是基於硬體的進步，其中一個顯著的進步是GPU在人工智慧商用中的崛起。《連線》雜誌在2015年底發表了一篇名為《與Google競爭，Facebook開源了人工智慧硬體》文章中談及GPU在人工智慧商用時代的崛起。現在，Facebook、Google、微軟、百度等大型互連網公司正在轉向利用GPU完成人工智慧商業應用。

在過去，演算法模型依靠CPU計算得出，但人工智慧演算法的獨特性在於分布式並行計算，這並非基於串列計算的CPU所擅長。實際上針對圖形影像處理的GPU從一開始就是大規模並行計算，這也是為什麼斯坦福大學的吳恩達教授會考慮採用GPU最佳化人工智慧演算法的初衷。研究表明，12 顆 NVIDIA GPU 可以提供相當於2,000 顆 CPU 的深度學習效能。

儘管從長期來看，開發真正的人工智慧晶片依然是全球學界與企業界共同需要完成的任務，但那仍需要很長時間的探索與實驗。從當前人工智慧商業化需求來看，把GPU用於人工智慧商用顯然具有極大的優勢。這就是2016年4月，NVIDIA推出基於GPU的全球首款深度學習超級電腦DGX-1的原因。

首款GPU深度學習超級電腦

首款GPU深度學習超級電腦NVIDIA DGX-1基於 NVIDIA Tesla P100 GPU，該 GPU 採用2016年最新的 NVIDIA Pascal GPU 架構。Pascal是第五代GPU架構，於兩年前的GPU技術大會（GTC）上公布，產品將於2016年上市，這就是Tesla P100 GPU。

作為新一代GPU架構，Pascal相比於前一代的Maxwell有較大的效能提升。根據NIVIDIA的資料，Pascal GPU 在訓練深度神經網路的效能方面有1個數量級的提高。2015年GTC大會上，用4顆Maxwelll GPU訓練Alexnet深度神經網路需要25小時，到了2016年GTC大會上用8顆Pascal GPU則只用2小時；對比英特爾雙路至強E5伺服器訓練Alexnet網路需要150個小時，而DGX-1隻需要2個小時。

Alexnet神經網路是2012 年國際ImageNet電腦圖形識別大賽的冠軍深度學習演算法，著名的開源深度學習演算法Caffe就是基於Alexnet。而到2015 年的 ImageNet 大賽中所有的最好成績，都是基於深度學習且在 GPU 加速的深度神經網路，這也難怪《連線》雜誌驚歎GPU在人工智慧時代的崛起。

Pascal GPU 架構的優勢在於：引入了NVIDIA獨家的新高速匯流排NVLink，專門用於GPU以及GPU與CPU的高速互連，GPU最高能夠以 160 GB/s的雙吐頻寬訪問系統記憶體，相當於 PCIe傳統頻寬的5 倍；採用了目前最快、容量最高的堆疊式記憶體技術HBM2，Tesla P100也是全球首款採用 HBM2 記憶體的GPU；顯著改進編程模型的統一記憶體，以單一統一虛擬位址來訪問系統中所有CPU 和 GPU記憶體，極大簡化了程式的可移植性及資料吞吐能力等。

微軟研究院首席語音科學家黃學東表示：“微軟正在開發具有 1,000 多層的超級深度神經網路。NVIDIA Tesla P100 的驚人效能將讓微軟 CNTK 能夠加速實現人工智慧的突破。”

80萬的AI伺服器，到底值不值？

NVIDIA DGX-1的定價為12，900美金，約合80萬人民幣。那麼，這個價格到底值不值呢？

NVIDIA DGX-1提供8 顆 Tesla P100 加速器、每顆 GPU 16GB 記憶體、7TB 固態硬碟 DL 快取等配置，輸送量相當於250台E5雙路X86伺服器。那麼，按2萬元人民幣一台E5伺服器簡單估算，250台即500萬的成本，這還不包括機房、網路、能源等額外成本。而DGX-1採用 3U 架上型機箱，可單獨使用也可以整合到叢集當中，顯然用DGX-1做叢集更划算。

在整合的軟體方面，NVIDIA DGX-1提供了一整套最佳化的深度學習軟體，屬於開箱即用型。在NVIDIA的開發人員網站Developer.nvidia.com上，有一個Deep Learning深度學習專區，裡面提供了Deep Learning SDK開發套件、NVIDIA DIGITS映像分類與識別軟體、Deep Learning開源架構等定製化軟體為深度學習提供了全方位的軟體支援，可供下載和使用。

其中，Deep Learning SDK開發套件內含強大的工具及類庫，可用於設計、開發和部署面向GPU最佳化的深度學習應用。其中的類庫包括深度學習基礎cuDNN、線性代數、疏鬆陣列、多GPU通訊以及全面的CUDA C\C++開發環境。NVIDIA DIGITS深度學習管理調度平台為映像視頻類資料分類和識別，提供了包括LeNet、AlexNet、GoogLeNet等在內的預設最佳化演算法。除此之外，NVIDIA還定期更新開發人員網站，為開發人員提供更多的最佳化演算法——如果說GPU已經是深度學習領域不能或缺的組成，那麼這款面向人工智慧機器學習的NVIDIA DGX-1則讓更多企業拋開束縛，以更快的步伐邁向人工智慧。

基於NVIDIA GPU的商用人工智慧軟體還有一個很大的優勢，在於GPU的普適性：針對個人電腦的GeForce、針對雲和超級電腦的Tesla、針對機器人和無人機的Jetson以及針對汽車的DRIVE PX等所有NVIDIA GPU都共用同一種架構。

百度、Google、Facebook、微軟是首批把 NVIDIA GPU 應用於深度學習的企業，在近兩年內與NVIDIA 在深度學習方面合作的企業激增了近 35 倍至 3,400 多家，涉及醫學、生命科學、能源、金融服務、汽車、製造業以及娛樂業等多個行業。

考慮到NVIDIA DGX-1在硬體、軟體和整合服務等方面的明顯優勢，80萬的價格並不為高。NVIDIA DGX-1顯然能夠大幅提升AI模型的學習和訓練時間，加快對於來自物聯網上各類圖片、視頻、語音等非結構化資料的處理速度，比如工業生產線檢測的圖片、醫學影像視頻、道路交通圖片與視頻分析等等，協助企業儘快、儘早地從AI演算法中受益。

中科曙光成為NVIDIA DGX-1在中國最重要的戰略夥伴之一，而全球領先的監控產品供應商、中國平安城市方案提供者海康威視也成為NVIDIA DGX-1的首單客戶，後者將把DGX-1用於視頻監控方面的深度學習超級電腦項目上。

NVIDIA DGX-1已經於今年7月正式上市，DGX-1的上市有望啟用人工智慧的大規模商用。對於企業來說，在跟投物聯網項目的同時，需要開始考慮人工智慧策略。在大的產業趨勢到來之前，只有領先一步，才能步步佔據先機。（文/寧川, 《雲科技時代》號：CloudTechTime）

本文出自 “雲科技時代” 部落格，請務必保留此出處http://cloudtechtime.blog.51cto.com/10784015/1836665

巨頭轉身物聯網，物聯網的下一站是人工智慧