英特尔如何开启智能视觉创新？.doc

《英特尔如何开启智能视觉创新？.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、英特尔如何开启智能视觉创新？　　如果说传统物联网更多体现的是线性思维，即物体产生数据，通过互联网传到云端，然后分析产生价值。那么今天的物联网则完全是立体三维概念，需要同时解决实时应用、成本、分析预测、精准性、人工智能、信息安全等多重问题。如何让这些元素之间产生和谐的动力，将计算浓度和计算分布变成“边云协同”的分布式架构，是当前业界最为关注的话题。　　物联网正从边缘侧趋向负载整合　　人工智能的发展离不开数据，因为它需要大量的数据进行训练。在当前这样一个万物智能互联的时代，数据量的产生速度超出了一般人的想象。以智能摄像头为例，随着摄像头的分辨率

2、从1080P转向4K，其一天所采集到的数据量将达到200GB。面临同样问题的还包括智能医院、自动驾驶和智能工厂，它们一天所产生的数据将分别超过3TB、4TB和1PB。有人做过这样的预测，到2020年，一个互联网用户平均每天将产生的数据量大概是1.5GB。　　　　然而物联网行业体量巨大，碎片化程度严重，将人工智能推向边缘侧其实并不是一件简单的事情。况且在2012年以前，人工智能在做图像识别时的准确度是低于人类的。下图中，虚线代表人类识别水平，实线代表机器识别错误率。可以看到，2012年以前机器识别的错误率还是高于人类的，但呈逐渐下降趋势，20

3、12年之后，随着AlexNet等神经网络的出现，人工智能水平才出现了质的飞跃。　　　　因此，在一个边缘协同的端到端系统中，由于不同网源的功耗、计算性能和所能承担的成本各不相同，在选取硬件架构时往往会有特定要求。英特尔副总裁兼物联网事业部中国区总经理陈伟博士对《电子工程专辑》表示，英特尔的做法是根据用户需求提供不同架构的解决方案，涵盖至强处理器、至强融核处理器、Movidius/Nervana神经网络处理器和FPGA、网络、存储技术等硬件平台，以及多种软件工具及函数库，优化开源框架，来让他们进行自主选择。　　英特尔中国区物联网事业部首席技术官

4、兼首席工程师张宇博士则强调了在边缘侧趋向负载整合是物联网演进的一个必然趋势。也就是说，原来在不同设备上分立的负载会越来越多地通过虚拟化等技术，整合到一个单一的高性能的计算平台上，来实现一个综合的复杂的功能，各个功能子系统既能分享设备提供的计算、存储、网络等资源，还能具有一定的独立性，避免彼此的相互影响，从而可以简化系统架构，降低系统总体。　　同时，负载整合实际上也为边缘计算的实现以及为实施人工智能的应用提供了条件。整合后的设备既是边缘数据的汇聚节点，同时也是边缘控制的中心，这为边缘智能提供了处理所需的数据，同时也提供了控制的入口。因此英特尔

5、认为人工智能和负载整合的结合，会在今后的边缘计算的系统里发生。　　视频是终极物联网传感器　　来自《战略师的物联网指南》的数据显示，到2021年，边缘到云行业支出预计将达到110亿美元。在这一涵盖智能制造、智慧城市等领域的巨大物联网机遇中，智能设备、传感器和互联事物捕捉的视频将会占据60亿美元的份额。　　为此，英特尔日前面向软件开发人员以及开发、监控、零售、医疗、办公自动化、自动驾驶等领域的数据科学家，最新推出了OpenVINO(OpenVisualInference&NeuralNetworkOptimization,开放视觉推理及神经网络

6、优化)软件平台。这是一个快速开发高性能计算机视觉和深度学习视觉应用的工具包，包括英特尔深度学习部署工具包，具有模型优化器、推理引擎、超过20个预先训练的模型，以及面向OpenCV和OpenVx的优化计算机视觉库。OpenVINO工具包可通过CPU、GPU、FPGA、MovidiusVPU等硬件进行部署，增强视觉系统功能和性能，轻松实现边缘到云的异构执行。　　　　测试结果显示，在英特尔酷睿i77800X处理器上运行GoogleNex网络，相应的性价比是目前市场上主流解决方案的两倍以上；如果选用FPGA，其性能、功耗、成本比值的综合考量性能大概

7、能达到1.4倍以上；而使用Movidius的话，性能可进一步提升至5倍以上。　　　　作为一家平台化的公司，英特尔锁定高性能计算机视觉和深度学习视觉两大热点领域，并提供包括CPU、核显(IntegratedGPU)和深度学习加速器(FPGA、MovidiusVPU)在内的完整硬件解决方案都不令人意外。但在陈伟看来，实际应用中，不但指望产生一个一劳永逸方案的想法是不切实际的，即便在如何深度挖掘这些硬件的计算潜力方面，也仍然存在很多壁垒。　　计算机视觉和深度学习开发工具OpenVINO　　从人工智能的演进过程中可以看到，早期的人工智能计算，无论是

8、训练还是推理都发生在数据中心，因为只有数据中心才能够提供如此惊人的计算力和电力的消耗。然而近年来，随着网络压缩算法的广泛使用，以及人工智能专用芯片的出现，使得一些深度学习运算可以