雷鋒網(wǎng)按：本文根據(jù)余凱在微軟亞洲研究院召開的“讓世界充滿 AI-人工智能研討會(huì)”上所做的報(bào)告《 “AI Inside”無(wú)處不在的未來(lái) 》編輯整理而來(lái)，在未改變?cè)獾幕A(chǔ)上略有刪減。

我總在思考，如果當(dāng)一個(gè)風(fēng)口到了的時(shí)候，我再進(jìn)入這個(gè)風(fēng)口，我會(huì)沒有滿足感。

我始終在想，下一個(gè)機(jī)會(huì)在什么地方？它現(xiàn)在可能處于邊緣狀態(tài)，但我相信某個(gè)邊緣的機(jī)會(huì)，會(huì)成為一個(gè)未來(lái)的機(jī)會(huì)，而這個(gè)未來(lái)的機(jī)會(huì)就是下一個(gè)風(fēng)口。

這個(gè)思考過程非常痛苦，因?yàn)樾枰粩喾穸ㄗ约海ヌ魬?zhàn)自己，而且不被大多人理解。

2012 我們?cè)谇迦A大學(xué)以及百度內(nèi)部推深度學(xué)習(xí)，別人會(huì)質(zhì)疑：投入這么大的資源去做這個(gè)事情是否值得。而現(xiàn)在，很多項(xiàng)目都是基于深度學(xué)習(xí)，并且應(yīng)用非常的廣泛。

這其實(shí)就是一個(gè)從邊緣到中心的典型案例。

我繼續(xù)在思考，是不是該到邊緣去，看看將來(lái)有沒有機(jī)會(huì)成為撬動(dòng)世界的力量。這就是我的 AI Inside，之前有個(gè)概念叫 Intel Inside，它創(chuàng)造了摩爾定律，撬動(dòng)了整個(gè) IT 產(chǎn)業(yè)。

2002 年我在微軟實(shí)習(xí)，當(dāng)時(shí)我、何曉飛、顏水成是團(tuán)隊(duì)里為數(shù)不多較為關(guān)注機(jī)器學(xué)習(xí)的人，因?yàn)橹就篮衔覀兙统蔀榱撕门笥选Ｓ幸馑嫉氖?，之后我們?nèi)死锩?，我?chuàng)立了百度深度學(xué)習(xí)研究院，曉飛創(chuàng)立了滴滴研究院，而水成則創(chuàng)辦了 360 人工智能研究院。

驅(qū)動(dòng)人工智能進(jìn)展的三大因素

我認(rèn)為驅(qū)動(dòng)人工智能的進(jìn)展主要有三個(gè)因素：

• 大數(shù)據(jù)：線下的數(shù)據(jù)不斷線上化。

• 大算法：深度學(xué)習(xí)和增強(qiáng)學(xué)習(xí)的發(fā)展，深度學(xué)習(xí)用來(lái)感知、處理信號(hào)，增強(qiáng)學(xué)習(xí)則做于決策。二者相輔相成。

• 大計(jì)算：按照摩爾定律，2030 年一千美金買到的計(jì)算資源跟人腦相似。當(dāng)然，現(xiàn)在英特爾宣布摩爾定律開始變慢。所以預(yù)測(cè)沒法這樣下去，另外一方面，從宏觀上講，對(duì)處理器架構(gòu)的改版不僅僅是工藝層面，架構(gòu)的變化也為計(jì)算帶來(lái)變化。

深度學(xué)習(xí)為何取得成功？

從統(tǒng)計(jì)學(xué)習(xí)理論角度講，分析一個(gè)學(xué)習(xí)算法的性能一般用推廣誤差來(lái)分析它。如果我們對(duì)推廣誤差的來(lái)源做分析，我們就能找到更好的方法去控制算法中一些不恰當(dāng)?shù)牡胤?，以便找到更好的手段?/p>

這其中有一個(gè)經(jīng)典的統(tǒng)計(jì)角度分析方法，就是把推廣誤差分解為：近似誤差（Approximation error） 和估計(jì)誤差（Estimation error）。

近似誤差（Approximation error）主要會(huì)做一些假設(shè)，由于假設(shè)的不完美，所以帶來(lái)了近似誤差，另外一種由于數(shù)據(jù)的不完美，所導(dǎo)致估計(jì)誤差（Estimation error）的出現(xiàn)。

這樣分析存在一個(gè)問題，就是你假設(shè)的計(jì)算資源是無(wú)限的，所以可以得到這樣一個(gè)分析的結(jié)果。但從計(jì)算機(jī)科學(xué)的角度上來(lái)講的話，我們會(huì)考慮計(jì)算的不完美，所以引入第三個(gè)誤差：Optimization error，也就是算法。

考慮到計(jì)算的不完美，我們得到一些引導(dǎo)。

• Model Class Bias：我們用大模型，模型越來(lái)越大，Bias 就越來(lái)越小。

• 用更多的數(shù)據(jù)。

• 設(shè)計(jì)一個(gè)合適的算法。
  

深度學(xué)習(xí)處于一個(gè)非常幸運(yùn)的區(qū)間，從統(tǒng)計(jì)性能來(lái)講，他的 Model Bias 很小，但從計(jì)算效果來(lái)講，它可以看到大數(shù)據(jù)。

這是一個(gè)很幸運(yùn)的事情，過去深度學(xué)習(xí)在視覺和語(yǔ)音上有著很多的應(yīng)用，而在互聯(lián)網(wǎng)行業(yè)中主要應(yīng)用在搜索和廣告中，當(dāng)然，機(jī)器人也是一大落地方式，深度學(xué)習(xí)在機(jī)器人的作用主要在于決策。

深度學(xué)習(xí)成功應(yīng)用的案例

在百度期間，我們利用很大的模型和 1000 億個(gè)訓(xùn)練樣本，去改善搜索引擎的檢索，比谷歌的 Ranknet 早兩年。

包括在數(shù)據(jù)中心用深度學(xué)習(xí)改善運(yùn)行效率，把 PUE（評(píng)價(jià)數(shù)據(jù)中心能源效率的指標(biāo)）降低，這比 Deepmind 今年做出的結(jié)果早一到兩年時(shí)間。 

除了這些以及自動(dòng)駕駛外，深度學(xué)習(xí)還能提升廣告收入。這是百度當(dāng)年的股票曲線：

圖中那個(gè)節(jié)點(diǎn)，是百度對(duì)外公布基于深度學(xué)習(xí)的百度蜂巢網(wǎng)絡(luò)（廣告系統(tǒng)）的節(jié)點(diǎn)。

剛加入百度的時(shí)候，我在自我介紹環(huán)節(jié)提到，希望在兩三年時(shí)間內(nèi)讓外界在討論 Google 人工智能時(shí)也會(huì)討論百度。

站在今天這個(gè)時(shí)間點(diǎn)上，我想跟大家分享。

深度學(xué)習(xí)很熱了，它的下一個(gè)機(jī)遇在哪兒？

我的回答說(shuō) AI Inside，過去我們?cè)谠贫瞬渴鹚惴ê头?wù)，但是現(xiàn)在有個(gè)機(jī)會(huì)是，把運(yùn)算放在嵌入式和前端中。

比如是否可以在前端實(shí)現(xiàn)語(yǔ)音識(shí)別？

這樣在跟太太說(shuō)的話不一定要傳在云端里面，隱私能更好保護(hù)，體驗(yàn)更好。

再比如說(shuō)在自動(dòng)駕駛，如果有個(gè)小孩子突然橫穿馬路，傳感器需要把這個(gè)信號(hào)傳送至云端，然后做決策，但如果這個(gè)時(shí)候網(wǎng)絡(luò)信號(hào)不好呢？

這就涉及到如何在前端嵌入式地解決人工智能的問題。

（顏水成博士曾在雷鋒網(wǎng)承辦的 CCF-GAIR 大會(huì)中提到，如果將運(yùn)算任務(wù)直接下發(fā)到智能設(shè)備終端上，這些瓶頸就會(huì)迎刃而解。但是，把運(yùn)算載荷放到設(shè)備上，顯然要克服諸多問題。其中最大的一個(gè)就是：終端設(shè)備的運(yùn)算能力存在天花板。由于智能設(shè)備成本有限，大多不可能配備頂級(jí)運(yùn)算芯片）。

在中國(guó)有很多應(yīng)用場(chǎng)景，中國(guó)每年需要新部署一億的安防攝像頭，大概到 2021 年，其中 30% 的是智能安防攝像頭。這就必須要求低功耗，如果功耗很高，在陽(yáng)光照射下，溫度能達(dá)到 70 到 80 度，這種情況下就不能很好地處理計(jì)算。

平均每輛自動(dòng)駕駛汽車擁有 8 到 10 個(gè)攝像頭，再加上傳感器、雷達(dá)、激光雷達(dá)等等，每一秒產(chǎn)生 TB 的級(jí)的數(shù)據(jù)，這種計(jì)算怎么去處理？ 

孫正義預(yù)測(cè)，2040 年會(huì)有 100 億個(gè)機(jī)器人，當(dāng)然這種機(jī)器人指的是廣義上的智能機(jī)器，而不僅僅是人形機(jī)器人。

歷史總是在不斷重復(fù)，首先是 Enabling Technology Businees ，然后是 Technology Tnabled Business。

前者賣的是技術(shù)本身，當(dāng)這些技術(shù)成熟后，一些公司做開發(fā)直接采用別人的技術(shù)，在這基礎(chǔ)上，這些公司賣的是其他產(chǎn)品。

互聯(lián)網(wǎng)時(shí)代，思科的市值一度高達(dá)到 3000 億美金。雖然當(dāng)時(shí)我們不知道互聯(lián)網(wǎng)有什么用，但得先鋪好網(wǎng)絡(luò)，等網(wǎng)絡(luò)鋪好后，在這上面出現(xiàn)了 Google、Facebook 這些應(yīng)用。正如圖中顯示，谷歌在后面成長(zhǎng)起來(lái)。

移動(dòng)互聯(lián)網(wǎng)，雖然不知道移動(dòng)應(yīng)用在哪里，但移動(dòng)網(wǎng)絡(luò)需要 CDMA，鋪好后蘋果成為了巨無(wú)霸。

過去三四年時(shí)間，有個(gè)規(guī)律正在發(fā)生。

2011 年谷歌做大規(guī)模的深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練，最后識(shí)別出貓臉，其實(shí)這件事是失敗的。當(dāng)時(shí)他們相信用 CPU 可以做所有事情，后面 Jeff Dean 意識(shí)到做神經(jīng)網(wǎng)絡(luò)訓(xùn)練用 CPU 是錯(cuò)誤的。在百度，我們大規(guī)模用 GPU 做深度學(xué)習(xí)訓(xùn)練，在 2014 年，我們和微軟都意識(shí)到 GPU 只適合做訓(xùn)練，不適合推斷和預(yù)測(cè)，所以在大規(guī)模部署FPGA。今年我們也看到了其他產(chǎn)品如 TPU 和 BPU。

我再給大家看一個(gè)曲線，這個(gè)曲線是我一個(gè)禮拜之前畫的：

這是英偉達(dá)的股價(jià)曲線，從去年七月開始到現(xiàn)在漲了四倍。在全球所有的高科技公司里面沒有一家可以像它一樣如此高速成長(zhǎng)。為什么？現(xiàn)在無(wú)論 AI 大公司還是小公司，總需要買 GPU 訓(xùn)練模型。這就是 Enabling Technology 先行，Technology Enabled Business 順勢(shì)崛起的一個(gè)典型案例。

地平線正在建立一個(gè)軟件和處理器的深度神經(jīng)網(wǎng)絡(luò)平臺(tái)，讓上層應(yīng)用的表現(xiàn)有 1000 倍的提升，不是跟 CPU 比，我們是跟 GPU 比。

面向的應(yīng)用場(chǎng)景主要包括自動(dòng)駕駛和智能家居。

和英偉達(dá)的業(yè)務(wù)相比，他們的工作區(qū)域是在 20 瓦到 300 瓦，地平線的目標(biāo)是 0.5 瓦到 5 瓦，他們的核心競(jìng)爭(zhēng)力是價(jià)格優(yōu)勢(shì)和服務(wù)，我們的定位策略是芯片+算法、解決方案和設(shè)備。

一直到今天為止，谷歌和百度的無(wú)人車在測(cè)試時(shí)每行駛一小時(shí)就需要在樹蔭下休息，知道為什么嗎？因?yàn)橐?，無(wú)人車的功耗是非常大的。

假如我們涉及處理自動(dòng)駕駛這樣一個(gè)計(jì)算，跟英偉達(dá)的計(jì)算相比，我們的不同在哪里。

地平線的優(yōu)勢(shì)在于我們跑這個(gè)運(yùn)算時(shí)少于 1 瓦特，但他們用了 100 瓦特，這就是我們的區(qū)別，也是地平線機(jī)器人正在做的事情。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。