位置:编程技术网 > 产品设计 > 正文 >

【DTF预告】是谁扼住了AI的咽喉?

2019年09月20日 20:27来源:未知手机版

麻风村,师母,美丽之路简谱

群情激烈的F1赛场,

一群超跑风驰电掣,有人倚仗强劲引擎一骑绝尘,

有人则因动力不足深陷泥潭。

要问一辆汽车的核心是什么?

相信很多人都能给出引擎这个答案。

在智能化发展如火如荼的当下,

各位选手正驾驶着自家AI赛车,

在赛道上争相追逐,

而决定他们以多快速度抵达终点的引擎,

正是算力。

算力限制亟待突破,

企业智能化道路挑战重重

从机器人送餐、语音语义识别、政府部门图像识别,到医疗诊断、基因辅助治疗、科研和商业防欺诈等等,人工智能和高性能计算正快速构建数字化生产力。在中国市场,“智能+”加速人工智能应用在各行各业的快速普及,5G产品化也进一步推动了工业互联网的推广。

与此同时,5G的高性能、大带宽和高容量,将给算力带来巨大挑战。尽管人工智能发展潜力无限,但开发和驱动人工智能产品和解决方案所需的计算能力,却成为限制其发展的瓶颈和壁垒,亟待突破。

01/ AI算力需求无止境

相比于传统人工智能,“智能+”主要聚焦在企业级B2B业务模式,加大消费级用户的智能应用。人工智能大量应用于工业互联网,连接设备数量的急速增长,一方面意味着海量数据的产生,另一方面,设备进行智能计算,对大量在核心、云及边缘的数据通过AI算法学习和分析,需要强大的算力和大数据分析能力来实现实时管理分析。

深度学习工作负载需要高性能和大容量,实现结构化和非结构化数据的快速分析,实时或近实时交付结果,从而达到竞争优势。随着5G商用化,人工智能加大了对低延迟的需求,同时对算力的需求也无止境,不仅要求计算能力,还需要低延迟。

02/AI训练耗资高开支大

广泛获取的海量价值数据,让企业面临大规模AI部署和实时/近实时的分析与洞见的要求。计算机模拟人的思维过程和智能行为,主要应用在训练(training)和推理(inference)两个环节,大量的人力和成本支出集中在深度学习和机器学习的训练过程中。

AI开发时,开发工程师通常需要从数十万图片、资料等数据库中训练出模型,建立输入输出的映射关系用于图形识别和推理。这个过程通常需要数周甚至数月时间,训练起来既耗时又耗资。

03/AI数据科学家才力释放

在中国,数据科学家数量缺乏,经验积累滞后,帮助企业实现数据到业务价值更为耗时耗力。而提高运算能力,建立端对端的服务和平台,可以释放数据科学家的时间和精力。

通过优化硬件和软件堆栈,AI模型和框架库中的设置可以配置到其他环境以简化流程,加速建模后的机器学习和深度学习,缩短解决方案构建时间,从而提高数据科学家工作效率以加速企业的AI计划发展。

同时,随着智能化发展,各种规模的企业也面临着计算能力上的挑战。

初创和中小型企业的算力挑战

在实现“智能+”的过程中,如何构建高效的AI平台,通过基础架构扩展,加快价值实现的速度,对以人工智能为重点的初创或中小企业来说是一项巨大的挑战。

在早期,这些初创或中小企业可能部署了基于云的人工智能服务来满足需求,但随着其向本地或混合IT环境的迁移,如何针对任何给定位置的数据量,通过迁移和驱动人工智能算法和计算,实现计算性能加速、算力增强,从而大限度降低成本和数据移动以提高生产效率,是突破AI计算瓶颈的关键。

本文地址:http://www.reviewcode.cn/chanpinsheji/77363.html 转载请注明出处!

今日热点资讯