二號站下載_AI “新基建”聚焦算力提升 滿足應用泛化需求

3月4日,中共中央政治局常務委員會召開會議,提出要發力於科技端的基礎設施建設,“新基建”不同於“鐵公基”傳統思路,其本質是信息数字化的基礎設施建設,用於支撐傳統產業向網絡化、数字化、智能化方向發展。人工智能作為“新基建”七大版塊中的重要一項,人工智能基礎設施應該建什麼、怎樣建?作為人工智能先落地的安防行業又將從人工智能新基建中得到哪些發展機遇?

目前新基建的角度看人工智能主要包含了硬件、AI能力多個層面的支持。其中在硬件層面,AI芯片不僅涉及到邊緣加速、雲端推理、邊緣計算、端側加速等,還包括相關的傳感器,激光雷達、毫米波雷達、監控a攝像機和紅外芯片等;在通用AI能力中,計算機的視覺能力較為常見,如人臉人形識別檢測、檢測車牌,在此基礎上,還包含軟硬件平台的服務,包括物聯網雲平台、雲端數據標註和雲端訓練平台、邊雲協同平台等。

聚焦算力提升

從中國信息通信研究院王蘊韜在通信世界網發表的文章了解,人工智能基礎設施建設一方面是繼續夯實通用算力基礎。當前算力供給已經無法滿足智能化社會構建,根據OpenAI統計,從2012年至2019年,隨着深度學習“大深多”模型的演進,模型計算所需計算量已經增長30萬倍,無論是計算機視覺還是自然語言處理,由於預訓練模型的廣泛使用,模型所需算力直接呈現階躍式發展。據斯坦福《AIINDEX2019》報告,2012年之前,人工智能的計算速度緊追摩爾定律,算力需求每兩年翻一番,2012年以後,算力需求的翻番時長則直接縮短為3、4個月、。面對已經每過20年才能翻一番的通用計算供給能力,算力捉襟見肘已經不言而喻。

另一方面則是全面提升專屬計算能力。經過近兩年的研究及應用實踐沉澱,產業界逐漸發現以機器學習為代表的人工智能計算具有獨特性,一是機器學習計算大部分場景僅需要低精度計算即可,經過推測,一般應用場景下8比特即可滿足95%以上需求,無需FP32、FP16等高精度計算;二是機器學習只需要高性能運行矩陣乘法、向量計算、卷積核等線性代數計算即可;三是分佈式特性,隨着模型不斷增大,深度學習“大深多”模型已經無法在單片芯片完成計算,多芯片多場景的異構計算需求使得機器學習計算須考慮分佈式的計算通信以及計算任務的協同調度,實現密集且高效的數據傳輸交互。

滿足應用泛化需求

為了更好滿足應用泛化的需求,未來人工智能應用及產業發展將呈現多平台多系統協同態勢,以實現更為廣泛的賦能。可以看到,當前階段,人工智能的主要賦能方式還是通過通用平台,以聚合提供人工智能基礎技術能力的方式進行賦能,面向端側的一些成熟應用場景也出現了軟硬一體的端側應用系統,如自動駕駛平台、智慧安防攝像頭、基於智能語音語義的智能音箱、終端翻譯機等。但是通用平台無法實現廣泛賦能,目前市面上的端側應用也是功能單一且能力固化。

在通用領域,通用平台將進一步分化為提供人工智能基礎能力的基礎平台和融合行業基礎應用的行業平台兩個方向。實際上,現在阿里的城市大腦、騰訊的醫療優圖等平台,就已經開始呈現出從基礎通用功能平台向行業應用能力平台演進的態勢。

在專用領域,現有的端側應用無論是功能還是可擴展性上都遠遠達不到實際的泛化應用需求,因此未來面向泛化應用將呈現專用系統這個形態,專用系統特點是它不僅僅是端側應用的軟硬件固化,而是通用平台、行業平台和端側應用的協同組合,以軟硬一體的方式實現具體應用的功能定製和擴展。

安防應用模範體現優勢

一直以來,人工智能芯片和框架都屬於通用平台和端側應用範疇,其生態主體是提供人工智能技術的科技企業,而提到專用系統,系統協同將成為主流,融合通用能力、行業能力、業務邏輯的專用系統將由垂直行業來牽頭打造,人工智能的生態主體也將逐漸變成人工智能技術的使用者,即各個垂直行業的傳統企業。

在人工智能領域,真正在商業中應用落地的技術主要是深度學習在圖像及語音方面的識別分析。由於藉助機器視覺及深度學習能夠迅速對視頻進行結構化處理、對人、車、物進行快速識別比對,這也與安防對智能化的需求不謀而合。

目前,安防已經進入了AI時代,不但激發潛在的安全需求,促進安防新技術、新產品的開發,實現新的應用模式和市場。同時帶來更多企業參与。眾多傳統安防製造企業,通過藉助AI賦能,實現傳統安防產業智能化升級外;以擁有優異算法的AI創業企業,持續湧入安防領域,實現安防應用場景的不斷落地。並且可以發現人工智能在安防行業已不僅僅存在於計算機視覺領域,ISP、傳輸、存儲、運維等單個環節,越來越多的企業推出集成AI技術的系列化、平台類產品。

因此在新基建的背景下,人工智能將通過基礎設施的完善,持續撬動整個安防行業,繼續推進安防為生活、企業生產和社會協作方式帶來巨大的變化。