人工智能

最高奖 ¥50000.00!

报名时间:4月10日 - 5月20日

主办单位:中国计算机学会

承办单位:中国计算机学会体系结构专委会 | 北京大学 | 大连理工大学

协办单位:教育部高等学校计算机类专业教学指导委员会 | 百度云 | 赛灵思

1. 大赛背景介绍:

预计2025年全球计算机视觉市场达到262亿美元

根据Tractica的最新数据,计算机视觉市场正在快速发展。深度学习和卷积神经网络(CNN)利用大量的视觉推动基于人工智能(AI)的计算机视觉迅速改进。此外,计算机视觉应用于视频,正在扩大现实世界。Tractica预测,到2025年全球计算机视觉软件、硬件和服务收入将从2016年的11亿美元增长到262亿美元。

根据Tractica的分析,2016-2025年计算机视觉最受欢迎的十大用例包括:

1.视频监控

2.机器/车辆物体检测/识别/避让

3.医学图像分析

4.增强现实(AR)/虚拟现实(VR)

5.定位和制图

6.将文书工作转换为数据

7.人类情感分析

8.广告插入图像和视频

9.脸部识别

10.房地产开发优化

AI芯片,将引发“智联网”大变革

随着AI快速发展应用,尤其是图像处理数据量大,快速响应,CPU不再是好的选择。GPU芯片逐渐成为深度神经网络(DNN, Deep Neural Network)计算的主流。

物联网被认为是继计算机、互联网之后世界信息产业发展的第三次浪潮,未来5-10年会对人类生产、生活产生深远影响,随着AI的蓬勃发展,IoT开始迈入AI+IoT智联网时期。

什么是AIoT?
智联网(AIoT)概念明确提出是在2017 年2 月,《人工智能芯片助阵,物联网将进化为AI+IoT》一文提到,“受过训练的AI系统,目前在特定领域的表现已可超越人类,而相关软件技术迅速发展的背后,与专用芯片的进步息息相关。在芯片对人工智能的支持更加完善后,物联网(IoT)将可望进化成AIoT(AI+IoT)。智能机器人的遍地开花只是个开端,人工智能终端芯片引领的边缘运算,其所将带来的商机更让人引颈期盼”。

具体来说,AIOT是指融合AI技术和IoT技术,通过物联网产生、收集海量的数据存储于云端、边缘端,再通过大数据分析,以及更高形式的人工智能,形成智能化的应用场景和应用模式,服务实体经济,为人类的生产活动,生活所需提供更好的服务,实现万物数据化、万物互联化。

AIoT的变化与趋势

作者:Steve Leibson,编译:黑夜

说起AI相信大家肯定大家都不陌生,搞过深度学习的人可能都会碰到一个问题,那就是没有一个好的加速硬件,例如GPU,很难做深度学习。小编今天带大家走进一篇关于机器学习加速芯片的报告,来看一下未来的机器学习加速市场。在这篇名为“加速器:下一代机器学习芯片”的报告中,德勤全球预测,“到2018年底,用于加速数据中心机器学习的所有芯片中,超过25%将是FPGA,ASIC”。报告接着说道:“这些芯片将大大提高机器学习的使用率,使应用程序能够消耗更少的功率,同时变得更具相应能力,灵活性和处理能力,这将扩大其市场”。在后来的报告中指出:“机器学习应用还将售出20万多个FPGA和10万个ASIC芯片”。

2018年3月6日, 深鉴科技宣布在亚马逊AWS正式上线基于深鉴Descartes稀疏神经网络处理架构的自动语音识别引擎DDESE (DeePhi Descartes Efficient Speech Recognition Engine), 开始面向全球用户提供加速试用服务。DDESE自动语音识别加速引擎在AWS的发布,标志着深鉴科技成为首个在AWS上线基于FPGA平台加速方案的中国人工智能公司。

FPGA芯片可定制化和多功能的灵活特性,满足了云计算便捷经济、易于扩展的需求。从2016年起,各大云服务提供商就开始部署FPGA云加速业务。全球最大的云供应商亚马逊网络服务(AWS)与FPGA龙头厂商赛灵思 (Xilinx) 达成合作,充分证明了云计算数据中心将是FPGA应用释放潜力的重要市场。同时,通过大型数据中心的影响力和服务能力,FPGA影响着数十万应用开发商和企业用户,快速成为公有云服务青睐的应用趋势。

深鉴科技 CEO 姚颂: FPGA能解决你啥问题

24岁创业,凭借基于赛灵思 FPGA 的深度学习方案,仅1年就融资数亿的国内 AI 芯片初创公司深鉴科技(Deephi Tech)公司, 其创始人兼 CEO 姚颂深谙 FPGA 对于创新创业者的意义, 他在最近接受媒体的访问的时候, 提到了 选择 FPGA 方案的必然原因,以及选择FPGA方案可以为开发者带来的优势。总结如下:

为什么选择FPGA?

第一,做一颗处理器级别芯片,姑且不论量产周期多少时间,核心架构至少也需要 3 到 4 年。而仅芯片的生产制造流程,量产的话,都得走一年半到两年,创业公司耽误不起这个时间。

第二,芯片的一次性研发投入很高。比如我们做一个 28 纳米的芯片,一次性研发投入可能是 400 多万美金,还不算人的成本和后续量产成本。如果算上人,这个钱至少要双倍。但一个公司不可能只留了工资和做这个东西的钱,这些钱一定只能是公司总预算的一小部分,还有其他很多地方要花钱。

第三,全行业都面临一个特别大的挑战:那就是怎样去定义芯片的问题。

原来定义芯片,比如 X86 的 CPU,告诉你是 X86 指令集,什么算法都能跑,这个定义比较明确。蓝牙芯片、wifi 芯片情况都差不多,芯片功能和协议固定下来,做芯片优化就可以了。

GL Research 的 Javier Garcia 于 2018 年 1 月 9 日在法兰克福举办的 XDF 2018 Edge Track 上分享了一个用例演示。Javier 讨论了 GL Research 专注于人工智能,并分享了 Xilinx All Programmable SoC 的使用心得。

在2018年及其以后,深层神经网络和机器学习在更大的人工智能(AI)领域会如何发展?我们如何能开发出越来越复杂的机器以在日常生活中帮助人类?这些都是普渡大学机器学习硬件教授尤金尼奥·库鲁尔塞罗(Eugenio Culurciello)关注的问题。请注意,本文的重点并非有关AI的预测,而是对该领域发展轨迹、趋势以及技术需求的详细分析,以帮助创造更有用的AI。当然,并非所有的机器学习都是针对AI的,还有些其他容易实现的目标,下面我们就仔细审视下。

目标
AI领域的目标是通过机器上实现人类和超人的能力,以便让它们在日常生活中帮助我们。自动驾驶车辆、智能家居、智能助理以及安全摄像头将是植入AI技术的首批目标,家庭烹饪和清洁机器人、无人侦察机和机器人则是第二批目标。其他目标还有移动设备上的助理,全职陪伴助理(可以听到和看到我们的生活经历)。而AI领域的终极目标是打造完全自主的合成实体,它可以在日常工作中以相当于人类或超越人类的水平行事。

软件

在AI算法尚不成熟的时候,可编程的灵活性给予了FPGA一定的市场优势。

但是,随着目前AI算法进一步成熟,各类全定制化的AI芯片开始陆续出现,比如搭载了寒武纪NPU的麒麟970手机芯片,又比如赛灵思投资的深鉴科技明年就要推出的AI芯片“听涛”等。定制化芯片能够提供更低的功耗与更高的能效比,其批量生产的成本也低于FPGA,那么在这样的背景下,FPGA的灵活性又是否能保持优势呢?

1.计算机视觉及机器学习算法加速,带来最快的系统响应

2.提供快速升级至传感器最佳可用类型及组合所需的可重配置性,这是其它产品没有的特性

3.可任意连接至最新机器和/或云

在赛灵思看来,人工智能和机器学习应用正在迅速扩大到越来越多的边缘市场,从云到端,从人脸识别摄像头,无人驾驶汽车,机器人、语音识别等各种新兴应用, 赛灵思全可编程的FPGA或Zynq SoC系列都能够为客户部署先进的高效神经网络、算法及应用带来更高的性能和低延迟优势。

赛灵思眼中的人工智能

赛灵思成立于1984年,总部位于美国硅谷,是FPGA的发明者,无晶圆厂(Fabless)半导体模式的开创者。

人工智能、机器学习和认知计算入门指南

几千年来,人们就已经有了思考如何构建智能机器的想法。从那时开始,人工智能 (AI) 经历了起起落落,这证明了它的成功以及还未实现的潜能。如今,随时都能听到应用机器学习算法来解决新问题的新闻。从癌症检测和预测到图像理解和总结以及自然语言处理,AI 正在增强人们的能力和改变我们的世界。

现代 AI 的历史包含一部伟大的戏剧应具有的所有要素。上世纪 50 年代,随着对思维机器及阿兰·图灵和约翰·冯·诺依曼等著名人物的关注,AI 开始崭露头角。尽管随后经历了数十年的繁荣与萧条,并被寄予了难以实现的厚望,但 AI 和它的先驱们仍然一直在努力前行。如今,AI 展现出了它的真正潜力,专注于应用并提供深度学习和认知计算等技术。

本文将探索 AI 的一些重要方面和它的子领域。我们首先会分析 AI 的时间线,然后深入介绍每种要素。

现代 AI 的时间线

同步内容