AI 的力量会被大公司独占还是会被平均分配？.doc

《AI 的力量会被大公司独占还是会被平均分配？.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、AI的力量会被大公司独占还是会被平均分配？　　　　上周，Facebook宣布其打造了世界上最准确的目标识别系统，该系统使用了35亿张图像（全来自于Instagram）。在AI界有这么一句老话：越大越好。要训练最快的算法，必须使用最大的数据集和性能最强的处理器。这种传统观念帮助科技巨头吸引了不少人才和投资，但是斯坦福大学最近组织的一项AI竞赛表明这种观念并不一定正确。在人工智能领域，原来才智仍旧可以打败性能。　　证据来自于DAWNBench挑战赛，去年11月斯坦福大学的研究员宣布正式启动这项比赛，上周他们宣布了比赛的获胜者。我们可

2、以将DAWNBench看作是AI工程师的田径运动会，不过比赛项目不是跨栏和跳远，而是诸如目标识别和阅读理解这样的任务。来自于大学、政府部门和业内的团队和个人相互角逐，比赛项目为谁设计的算法最优秀，斯坦福大学的研究员作为裁判。每个参赛的算法都必须满足基本的准确性标准（例如：在给定数据集中识别出93%的狗），评判标准包括训练算法的时间和训练成本。　　斯坦福大学研究员MateiZaharia和CodyColeman解释称，这些评判标准可以反映AI领域的实际需求。Zaharia告诉科技媒体《TheVerge》，“如果你的团队较小，通过衡

3、量成本，你就可以知道是否需要用Google级别的基础设施来与别人竞争。通过测定训练速度，你就可以知道部署某一AI解决方案需要多长时间。也就是说，这些衡量标准可以帮助我们判断小团队是否能与科技巨头一较高下”。　　比赛的结果并不能给出直接的答案，但是却告诉我们：要在AI领域取得成功，计算能力并不是唯一要义，巧妙的算法设计至少一样重要。虽然Google和Intel这样的大型科技公司在很多任务中成绩突出，但是小型团队（甚至个人）通过使用鲜为人知的独特方法也可以名列前茅。　　拿DAWNBench的目标识别挑战赛来说，这项比赛要求参赛团队训

4、练出可以识别图片数据集CIFAR-10中的目标的算法。CIFAR-10是一个相对较旧的数据集，但是它反映了企业在现实中可能要处理的各种数据。CIFAR-10包含6万张尺寸为32×32的小图像，每张图像都归类在一个类别下，例如“狗”、“青蛙”、“船”或“卡车”，共有10个类别。　　▌“用基础的资源实现世界级的结果”　　在DAWNBench的榜单中，排名前三的获胜者都是Fast.AI的研究员，他们的算法训练时间最短而且训练成本最低。Fast.AI并不是大型研究实验室，而是一个创造学习资源的非盈利组织，致力于让所有人都能学

5、习深度学习。Fast.AI.联合创始人、企业家兼数据科学家JeremyHoward表示，他的学生的成功靠的是创新思考，这表示任何人都能“用基础的资源实现世界级的结果”。　　Howard解释称，为了设计出能解决CIFAR识别任务的算法，Fast.AI团队选择了一种相对不知名的训练方法——超收敛（superconvergence）。创建这种方法的不是资金雄厚的科技公司，而是美国海军研究实验室（NavalResearchLaboratory）研究员LeslieSmith。　　超级收敛的基本原理是，缓慢增加用于训练算法的数据流。我们可以

6、这么理解这种方法：如果你要教某人识别树木，你不会一开始就给他们一片森林。开始的时候你会教他们每一种树及其树叶的模样，慢慢地将信息灌输给他们。这样解释有点过分简化，但是Fast.AI使用超级收敛法训练的算法在训练速度上比竞争对手的算法快很多。Fast.AI团队可以在三分钟内训练出一个能对CIFAR数据集进行分类的算法，而且准确度满足比赛要求。排名第二的团队没有使用超级收敛法，他们的训练时间超过半小时。　　不过，Fast.AI没有一路赢得所有比赛。在另一项挑战赛中，参赛者需要利用目标识别算法对ImageNet数据集进行分类，结果Go

7、ogle大获全胜，包揽了训练时间最短的前三名和训练成本最低的第一名和第二名（Fsat.AI获得了成本最低的第三名和训练时间最短的第四名）。但是，Google的算法都在自家定制的AI硬件上运行，芯片也是针对任务特别设计的，即张量处理器（TPU）。事实上，Google在一些任务中使用的处理器是其自称的TPU“pod”——串联运行的64枚TPU芯片。相比之下，Fast.AI参赛团队使用的是普通电脑上用的英伟达GPU，所有人都可以买到。　　　　Google的张量处理器（TPU）是Google特别定制的芯片　　Howard表示，“Goog

8、le自家的基础设备可以轻松地训练算法，但可能价值不大。但是只花25美元用同一机器在三小时内完成相同的训练任务，价值就很大”。　　ImageNet的结果特别明显，因为评判标准很模糊。Google的硬件帮助它大获全胜，但是考虑到它是世界上最富有的科技公司，这个结果并