“深度學(xué)習(xí)+”、“互聯(lián)網(wǎng)+”、“人工智能+”很熱門

提到“深度學(xué)習(xí)+”，我們自然而然就會(huì)想到“互聯(lián)網(wǎng)+”，所謂“互聯(lián)網(wǎng)+”，就是當(dāng)互聯(lián)網(wǎng)技術(shù)在中國(guó)進(jìn)入全面成熟后，網(wǎng)絡(luò)、終端、平臺(tái)全面普及之后，出現(xiàn)了互聯(lián)網(wǎng)與各行業(yè)、社會(huì)生產(chǎn)生活的各方面深度融合的全新現(xiàn)象。從而創(chuàng)造了新的發(fā)展生態(tài)，涌現(xiàn)了大量發(fā)展機(jī)遇。“互聯(lián)網(wǎng)+”，既是互聯(lián)網(wǎng)產(chǎn)業(yè)的轉(zhuǎn)折點(diǎn)，也是中國(guó)數(shù)字經(jīng)濟(jì)的轉(zhuǎn)折點(diǎn)，創(chuàng)造了一系列經(jīng)濟(jì)騰飛的佳話乃至神話。

“深度學(xué)習(xí)+”的邏輯也可以這樣理解，當(dāng)深度學(xué)習(xí)的核心技術(shù)、核心開(kāi)發(fā)平臺(tái)與開(kāi)發(fā)工具、產(chǎn)業(yè)生態(tài)、應(yīng)用空間全面成熟之后，深度學(xué)習(xí)技術(shù)可以成為各行業(yè)、社會(huì)生產(chǎn)生活各領(lǐng)域能夠全面利用，深度融合的通用性技術(shù)。

從全球AI產(chǎn)業(yè)發(fā)展的角度看，深度學(xué)習(xí)的這一特性已經(jīng)清晰展露了出來(lái)，這項(xiàng)技術(shù)也成為國(guó)際頂尖科技公司與全球主要國(guó)家都在探索的戰(zhàn)略高地。整體而言，深度學(xué)習(xí)框架平臺(tái)+大模型是目前最具代表性的深度學(xué)習(xí)發(fā)展方向，也是頂級(jí)AI公司的“標(biāo)準(zhǔn)配置”。

早在2015年，谷歌發(fā)布了深度學(xué)習(xí)框架TensorFlow并很快將其開(kāi)源，如今已經(jīng)成為谷歌AI生態(tài)的基礎(chǔ)。而從2018年開(kāi)始，谷歌陸續(xù)發(fā)布了BERT、Muse等大模型，積極探索預(yù)訓(xùn)練大模型在AIGC、文本對(duì)話等領(lǐng)域的可能性。另一家受到全球關(guān)注的科技公司Meta，也積極發(fā)展自身的深度學(xué)習(xí)框架。2018年，Meta將Caffe2代碼并入PyTorch，推動(dòng)PyTorch進(jìn)入了發(fā)展快車道。而在大模型方面，Mate AI實(shí)驗(yàn)室發(fā)布了NLP大模型OPT等一系列成果，推動(dòng)Meta在深度學(xué)習(xí)領(lǐng)域保持競(jìng)爭(zhēng)活力。

從最早的 AlexNet 模型，就是在 AI 分類比賽中讓卷積神經(jīng)網(wǎng)絡(luò)一戰(zhàn)成名，是影響 AI 進(jìn)程冠軍模型，到 AlphaGo Zero 模型，即打敗韓國(guó)圍棋九段棋手李世石的 AlphaGo 增強(qiáng)版，七年里，兩者之間參數(shù)指標(biāo)增長(zhǎng) 30 萬(wàn)倍。

那些同時(shí)期堪稱 " 最大 " 的 AI 訓(xùn)練模型所使用的計(jì)算量，呈指數(shù)型增長(zhǎng)，平均 3.4 個(gè)月就會(huì)倍增，比芯片摩爾定律還要快。

國(guó)內(nèi)也是一樣，百度 2016 年用于語(yǔ)音識(shí)別的 DeepSpeech 訓(xùn)練模型的參數(shù)是億級(jí)，到了今天的用于繪畫(huà)、寫(xiě)作、聊天的文心大模型中，也有多個(gè)模型參數(shù)達(dá)到了千億級(jí)別。

簡(jiǎn)單來(lái)說(shuō)，大模型突出的就是一個(gè) " 力大磚飛 "，讓 AI 的能力在參數(shù)增加到某個(gè)階段就突然獲得從量變到質(zhì)變突破性進(jìn)展。

這種 " 突現(xiàn)能力 " 的具體原因科學(xué)家還在研究，可能是代碼、指令上的微調(diào)，還可能是 AI 在預(yù)訓(xùn)練的海量數(shù)據(jù)中偶然學(xué)到了類似問(wèn)題的思維鏈參數(shù)。

似乎只要參數(shù)夠大，一切皆有可能。

如果有一天 AI 像人腦一樣，有百萬(wàn)億個(gè)參數(shù)，那 AI 的智能可能真的可以和人類比肩。

但這并沒(méi)有那么容易。

面對(duì)這么大的參數(shù)量，不管是百度還是谷歌，都認(rèn)為自然語(yǔ)言處理對(duì)整個(gè)人工智能的未來(lái)都是非常大的挑戰(zhàn)。

因?yàn)檎麄€(gè) AI 框架的設(shè)計(jì)是否合理，芯片之間如何分配工作量，如何讓更多的芯片滿負(fù)荷運(yùn)作，這些在實(shí)際應(yīng)用中是很難同時(shí)達(dá)到完美狀態(tài)的。

IoT時(shí)代，MCU再進(jìn)化

邊緣端AI的要求與云端不同。邊緣端AI只處理由邊緣產(chǎn)生的數(shù)據(jù)，主要面向圖像分析、聲音分析、波形識(shí)別等工作。對(duì)于終端單一應(yīng)用來(lái)說(shuō)，算力要求不會(huì)很高。

但在另一方面，在物聯(lián)網(wǎng)環(huán)境中計(jì)算對(duì)功耗和成本則更加敏感。

處于邊緣的物聯(lián)網(wǎng)設(shè)備對(duì)功耗非常敏感，如傳感器、安防攝像頭等設(shè)備要求長(zhǎng)期在線工作，但提供傳統(tǒng)人工智能算力的FPGA或GPU在邊緣端很難滿足這樣的工作要求。

ADI MCU產(chǎn)品線資深業(yè)務(wù)經(jīng)理李勇說(shuō)：“傳統(tǒng)意義上的AI芯片的特點(diǎn)是算力強(qiáng)但功率和尺寸較大，針對(duì)的更多是對(duì)計(jì)算速度、算力較高的應(yīng)用。如果將FPGA或者GPU用到邊緣端，一是成本受不了，二是沒(méi)有辦法用電池進(jìn)行供電。”

李勇用一個(gè)例子形象的解釋了這種需求錯(cuò)配：終端一個(gè)安防攝像頭的工作往往只是拍攝一幅圖片再分析一次，然后再拍衣服圖片并再分析一次，這并不需要很高的算力，反而需要的是能夠滿足長(zhǎng)時(shí)間待機(jī)需求的長(zhǎng)續(xù)航。

在邊緣應(yīng)用的新要求下，AI正在尋找新的出路，MCU則是這個(gè)問(wèn)題的一個(gè)可能解。

早在上世紀(jì)60年代末，MCU產(chǎn)品的雛形就已經(jīng)出現(xiàn)。某種程度上，通用型MCU的廣泛應(yīng)用為上世紀(jì)后五十年的電子設(shè)備創(chuàng)新打下了基礎(chǔ)。