广告

AI 技术在算法、数据、框架和算力四个方面的进展

2021-05-24 德勤 阅读:
计算机视觉、自然语言处理和语音识别是 AI 技术落地需求最大、速度最快的三个方向。在成长型 AI 企业中,有三成多的企业也涉足了这三个领 域,采用算法模型时它们更偏向于 Attention、CTC 和 Resnet 等热门模型。

AI 技术发展的重要环节涵盖了算法、数据、框架和算力四个方面,人们取得的进展如下:FOwednc

  • 在算法方面,人类取得了前所未有的突破,特别是视觉和语音技术方面的成就尤为突出。
  • 在数据方面,移动互联网时代的到来使数据 量迎来了爆炸式增长。
  • 在框架方面,国内外各大 IT 企业不断推陈出新,TensorFlow、PyTorch、PaddlePaddle 等已经占领大量市场。
  • 在算力方面,GPU、CPU 和 AI 加速芯片在市面上被广泛使用,其中推理部分 CPU 占比 较大,训练部分 GPU 占据主导。

通过平台化的整合,AI 技术的进步推动了政务、金融、医疗、制造等各领域 的发展。在上述业务的发展过程中,除了大型头部互联网企业以外,也出现了成长型 AI 企业的身影。由于成长 型 AI 企业体量相对较小、资金储备不如大型企业,因此其自研技术所占的比例有限,会更倾向于选用时下热门的技术。FOwednc

对于行业内技术的观察和追踪,成长型 AI 企业有很大的参考价值。FOwednc

近些年,成长型 AI 企业更加青睐 Attention、CTC、Resnet 和 BERT 等热门算法,以及 TensorFlow 和 Pytorch 等热门深度学习框架,而在产品的部署方式上则更倾向于选择大型通用平台。FOwednc

图:AI 平台底层技术与应用场景FOwednc

 FOwednc

FOwednc

 FOwednc

计算机视觉、自然语言处理和语音识别是 AI 技术落地需求最大、速度最快的三个方向,近些年来学界和业界在目标识别、对话交互等领域都有大量的投入和产出。FOwednc

在成长型 AI 企业中,有三成多的企业也涉足了这三个领 域,采用算法模型时它们更偏向于 Attention、CTC 和 Resnet 等热门模型。FOwednc

计算机视觉和自然语言处理分别聚焦目标识别和机器学习 

计算机视觉关注目标检测与分类、迁移与小样本学习和人体识别。FOwednc

CVPR 会议是计算机视觉领域的顶级 年度峰会,在 2020 年的会议上公布的数据显示:2020 年所有提交的论文中,目标检测与识别相关的论文数量 多于其他领域,此外迁移与小样本学习以及人脸/手势/姿态识别相关的论文数量也相对较多。FOwednc

图:CVPR 2020 年论文数量统计FOwednc

自然语言处理聚焦机器学习、对话交互系统和机器翻译。ACL 是计算语言学学会一年一度的年会,也是 该领域最重要的学术会议。2020 年组织方公布的数据显示:论文数量最多的 3 个领域分别是机器学习、对话 交互和机器翻译,分别占总论文比重 6% 至 9%,尽管这些领域的论文数量排名靠前,但并未与其他领域拉开 差距。FOwednc

成长型 AI 企业多采用计算机视觉算法及各种热门模型

在成长型 AI 企业的自研算法中,计算机视觉方向的算法数量居多。截至 2021 年 2 月,中国境内成长 型 AI 企业采用的算法中偏向计算机视觉方向的占 24%,偏向自然语言处理方向的占 10%,其余为偏向其他领 域或方向不明。由于计算机视觉领域数据丰富,模型效果更好,所以成长型 AI 企业会更倾向采用计算机视觉 算法。 FOwednc

图:中国成长型 AI 企业自研 CV、NLP 算法占比FOwednc

FOwednc

成长型 AI 企业更愿意采用 Resnet、CTC、Attention 等模型。FOwednc

通过对 520 家成长型 AI 企业的统计和 调研可以看到,成长型 AI 企业使用各类模型的数量和比例比较平均。计算机视觉领域,Resnet 框架、Fast R-CNN 和 Yolov3 分别有接近 30% 的使用率;语音识别领域,CTC、HMM 和 GMM 模型得到更多的使用,同时 其他马尔可夫模型也饱受欢迎;自然语言处理领域内,Attention、LSTM、RNN 模型使用率较高。FOwednc

上述这些模 型经过过去几年多方的验证,被认为是成熟的模型,且大多是由早期模型改进而来,优势明显。网络平台有诸 多对于这些热门模型的数学背景介绍和使用方法指导,加速了他们的推广。FOwednc

图:最常用在 DL 应用的模型FOwednc

FOwednc

 FOwednc

智能边缘的崛起 

AI、5G、边缘计算的融合能够在边缘端提供网络、计算、存储和应用,将 AI 工作流的推理部分从云或数据中 心转移到就近部署的边缘计算终端,从而降低延迟,节约网络带宽,同时满足隐私性和安全性等方面的要求。 FOwednc

SAR Insight & Consulting 的最新 AI/ML 嵌入式芯片数据库显示,在 2019-2024 年期间,全球拥有边缘计算能 力的 AI 设备的数量将以 64.2% 的复合年增长率增长22。FOwednc

德勤也预测,全球在 2020 年将售出超过 7.5 亿个边缘 人工智能芯片,在未来四年内,企业市场的增长速度将超过消费者市场,复合年增长率为 50%23。 FOwednc

边缘侧的负载整合,以及 5G 的高带宽、低时延、广泛连接等特性为 AI 在边缘计算的应用找到了突破口。这些 特性可以将在不同设备上独立的负载整合到统一的高性能计算平台上,实现各个子系统在保持一定独立性的同 时,还能通过高速的 5G 网络有效分享计算、存储和网络等资源。边缘侧经过负载整合,产生的节点既是数据 的一个汇总节点,同时也是一个控制中心。FOwednc

人工智能可以在节点处采集和分析数据,也能在节点提取洞察做出 决策。同时,由于边缘 AI 负载的复杂性与多样性,CPU+iGPU+VPU 的异构化处理芯片协同运行将会成为常 态,越来越多的企业需要实现 AI 应用的跨硬件架构开发、部署与运行,以实现更高的敏捷性与灵活性。 FOwednc

得益于此,“AI+5G+边缘计算”的融合应用近年来在零售、制造和教育等行业得到了广泛应用。例如,在智慧 交通应用中,科技企业开发无人巡检车、红绿灯检测等车路协同的解决方案,基于信控算法减少溢流问题,最 后将这些信息经过 5G 的快速传递推送到用户手机的地图和车载装置,从而便于近即时地感知道路状态,并进 行智能化控制。FOwednc

 FOwednc

 FOwednc

责编:胡安FOwednc

本文为EDN电子技术设计 原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
  • 微信扫一扫
    一键转发
  • 最前沿的电子设计资讯
    请关注“电子技术设计微信公众号”
广告
热门推荐
广告
广告
EE直播间
在线研讨会
广告
广告
面包芯语
广告
向右滑动:上一篇 向左滑动:下一篇 我知道了