地平线杨铭：从无形视觉到有形芯片.doc

《地平线杨铭：从无形视觉到有形芯片.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、地平线杨铭：从无形视觉到有形芯片　　人工智能先驱阿兰.图灵曾设想过这样一个机器，它拥有电子的大脑，以摄像头为眼睛，以轮为脚，可以在乡间漫步，这其实是阿兰.图灵对人工智能走入生活的一个憧憬。而在很长的时间之内，由于硬件条件的不成熟，智能只能从无形的算法入手，随着深度学习研究的深入，在很多领域都取得了里程碑式的进展。　　然而，要想让人工智能真正融入人们的生活，则亟需解决算法在端侧落地的问题，而芯片，作为衔接算法与场景之间的桥梁，无可避免地成为了一大挑战。　　本文中，地平线联合创始人、美国西北大学杨铭博士，来和大家

2、分享“在芯片上加速神经网络用于视觉任务的挑战”。　　　　非常高兴来到VALSE，来到美丽的大连，首先和大家分享一下人工智能芯片的话题，另外介绍一下地平线在最近两年做的工作。由于最近的热点新闻，大家对芯片这个话题比较感兴趣，希望今天的分享能给大家一个概念：为什么人工智能芯片非常重要，它的研发具有哪些挑战，都需要做哪些工作。　　　　这是我要分享的几个要点，先简介一下地平线，接着介绍一下AI芯片的背景，包括AI芯片研发的必要性，以及现在主流的AI芯片的类型和选择。随后会介绍关于AI芯片的两个主要研究，一个是Goog

3、leTPU的第一代，这应该是目前公开资料最多的AI芯片，另一个是地平线研发的BPU，最后是关于AI芯片的一个总结。　　　　地平线机器人成立于2015年，我们的愿景是希望能够成为嵌入式人工智能的领导者，为大家提供高性能、低功耗、低成本、完整开放的嵌入式人工智能解决方案。主要业务面向智能驾驶、智慧城市、智慧零售等应用场景，为多种终端设备装上人工智能“大脑”，让它们具有从感知、交互、理解到决策的智能，赋能万物，让每个人的生活更方便、更安全、更美好。　　　　从2015年7月开始运作，目前地平线已经成长为500人左右的

4、公司，总部位于首都北京，主要进行算法研发、硬件研发、芯片研发；2016年在南京成立了第二个研发基地，包括应用开发、硬件开发；2017年在上海成立了第三个研发中心，主要目标是把自动驾驶产品和方案落地，同时在深圳也有一个分部，主要负责完成客户支持、销售服务工作。　　　　地平线的主要核心团队都具有计算机视觉与机器学习的背景，我们选择了从计算机视觉出发转向于硬件芯片开发。余凯博士是CEO创始人，黄畅博士负责基础算法的研发，吴强博士是在计算机体系结构以及云端后台服务器的专家，也负责南京所有的研发工作。　　　　首先谈谈我

5、们为什么需要人工智能？在经历了PC互联网和移动互联网时代以后，未来10年最大的可能就是让万事万物所有的设备本身都具备互联能力和智能功能。什么是智能功能？就是能够自主感受环境，能够根据感受环境的结果自主做出判断和控制。相信在未来的10年、20年，包括无人车、无人机，也包括摄像头和玩具，所有这些设备慢慢都会具有智能功能，都会具有自主判断能力，同时这些设备都会对人工智能提出更高的要求。过去的10年，由于人工神经网络重新焕发出活力，为我们解决这些人工智能问题提供了可能。　　　　近几年来，神经网络基本改变了我们对人工智

6、能问题解决的范式，现在的基本模式是，数据入、结果出，由神经网络解决问题，只要能够定义好数据格式，标注好数据，就很有可能在短时间内得到不错的解决方案，这也是人工智能被广泛关注的重要原因。　　同时，我们发现神经网络是一种非常灵活的建模语言，可以有效描述各种问题，之前的嘉宾也都谈到它确实能解决很多不同领域的问题。　　　　神经网络、深度学习正在慢慢改变着很多行业，首先是互联网行业的广告搜索业务，之后是语音识别、图像识别，在金融领域也开始应用神经网络。近两年来，自动驾驶领域、医学图像识别、工业控制领域都逐步应用了神经网

7、络技术。　　　　大规模地应用深度学习还需要解决哪些核心的挑战呢？我们总结了三个主要问题。　　第一：如果将AI和神经网络应用到一些行业中去，必须对行业和应用场景有非常深入的理解，这些行业和应用场景有很多痛点，它们描述问题的语言和我们研究AI的语言并不是很兼容的。比如说我们讲识别率是99%，大家就会觉得这就很准确了，而我们要表达的是在多数情况下我们的识别率是100%，少数情况的识别率是0%，平均下来才是99%。另一方面，很多行业如果需要AI的话，并不是应用技术，往往需要应用完整的解决方案或者系统，我们需要做进一步

8、深入的工作，才能把技术转化为系统应用起来，也就是让算法和行业之间能够有很好的交流和理解。　　第二：目前还没有低成本、低功耗，成本很经济的硬件平台。如果有了这样很好的硬件平台，应用范围和难度也会降低很多。在各种行业中，包括无人车、无人机或者其它设备都具有不同的限制，比如功耗、成本，以及散热性和可靠性等。因此，缺少低成本、低功耗、高性能的硬件平台限制了大规模应用AI和神经网络的解决方案。　　第三：近年来