专栏 | 人工智能硬件不能遗忘的4S机遇

2017 年 1 月 11 日至 12 日，首届 AI Frontier 大会在加州硅谷 Santa Clara 召开。主办方 Silicon Valley AI and Big Data Association 邀请 Google Brain 负责人 Jeff Dean，Microsoft 人工智能首席科学家 Li Deng，Amazon Alexa 首席科学家 Nikko Storm，Facebook-Caffe 创始人 Yangqing Jia 等人工智能专家以及多家人工智能初创公司展开热烈的讨论。矽说 携手 机器之心，进驻湾区硅谷核心区域，发回了「独家」场记。

十年前，初创公司都是 e 开头的

那是互联网的时代

五年前，初创公司都是 i 开头的

那是移动终端的时代

今年，初创公司都是 N 开头的

那是人工智能的时代

N 是什么？

Neural Network

身处人工智能大潮，矽说在过去的一段时间在人工智能硬件领域，携手机器之心，多次发表评论及《脑芯编》系列。今天，在观摩了 AI frontier 后，矽说小编再次指点江山，人工智能硬件发展过程中容易被忽略的四大决胜关键趋势。（个人观点，仅供参考）

Scalable 规模化扩展

几乎每一个讲者都会提及 Scalablity，从框架到实现。无论是 Tensorflow 还是 Caffe，各个框架平台都需要考虑面向不同硬件运行深度学习网络的完整性、一致性。而那些对于需要实现成实际产品的工程，比如自动驾驶（Google Waymo 等）、语音助手（Amazon Alexa 等），高效的选择硬件规模更是一个需要攻关的主要难题。可规模化扩展的能力 (Scalable）成为每个能广为使用的人工智能实现的铲平必须具备的特性。

Reference: Y. Jia, Caffe Talk

其实，归根结底，Scalabe 是因为硬件总是有限的。过去几年，人工智能网络已经从 AlexNet、VGG-19 的浅层网络的迅速成长成超深层的 ResNet，以及多个网络相辅相成的生成对抗式网络（Generative Adversarial Network）。虽然，以 NVdia 为首的硬件公司也在不断突破，但是其增长速度恐怕无法与目前的神经网络相媲美。

因此，对于每一个深度学习神经网络的实现，在每一个层次实现时，除了计算的高效性外，将大规模网络裂解（partition）并且映射（mapping）到有限的硬件上就成为了一个踏踏实实的问题。表现在接口设计、数据结构的选择等各个层次。而只有那些可以规模化扩展的人工智能硬件，才能在算法日新月异的今天立于不败之地。

Sensable 传感，也要智能

如果你还觉得传感器和人工智能计算是两个完全独立的模块的，恭喜你，你已经被时代抛弃了。大会上，北京文安与 Bosch 都秀出了新一代的图像传感/VR 传感器。毫无例外的，人工智能算法已经与传感器拥抱，同时出现在前端。

Reference: R. Liu, Bosch Sensor Talk