治疗白癜风专科医院 http://m.39.net/baidianfeng/a_4910787.html

敬 　　一、论首家「学院派」AI芯片公司如何倒掉？筹了2亿美元却止步于市场

　　摘要：美国AI芯片公司WaveComputing接近倒闭，已申请破产保护，中国区工厂全部关闭。

　　WaveComputing，年成立于美国加利福尼亚坎贝尔，公司愿景是「数据追踪」，定位云计算市场，从数据中心到边缘云，对客户的数据进行深度学习训练。核心产品是基于dataflow技术架构的芯片DPU，每项技术都处在行业研究前沿，在加速神经训练上甚至能够超越GPU倍。可以称得上最早的一批AI芯片公司。

　　这家明星公司一度被誉为全球最有前途的AI公司之一，从资本市场中共获得超过2亿美元投资。

　　但与资本市场高歌猛进的态势相反，WaveComputing的市场表现很惨淡，一直没能做出相应的成绩。

　　像WaveComputing一样的公司其实是牺牲了通用性来获得某个领域的专用加速……

　　专用于某个特定领域的芯片牺牲通用性完全没有问题，但对WaveComputing来说，过分追求性能、功耗会造成在实际应用上的编程困难和不可移植，很难在实际应用中发挥效果，更难建立生态。

　　换句话说，DPU再好，但客户用不上。

　　疯狂过后，AI芯片走下神坛

　　摘要：作为一名资深的芯片从业者，蓝宝王还记得5年前的“AI芯片热”。那时，这个代表未来的概念让很多同事都动了心，且不少AI芯片企业方都能开出高于传统芯片职位一半、乃至翻倍的薪水更是让人诱惑。彼时，他身边的许多人都选择了跳槽，加入到那些雨后春笋一样崛起的AI芯片创业企业。

　　往日的热闹逝去已久。尽管AI芯片的市场规模稳步上升，相关调研称，整体AI市场规模将在年达到.2亿美元，但蛋糕日益向巨头们倾斜。而那些曾试图在这一波热潮中崛起的创业公司，正在变得愈发尴尬。

　　在一些投资人眼中，AI芯片的创业企业不再是好的投资标的。

　　整个AI芯片行业亏损严重、方向不明、商业落地难等问题，昭然若揭。

　　两大困境：亏损和落地难

　　“在这一波AI芯片创业企业里面，无论是从影响力、技术来看，寒武纪肯定都是最好的，”一位芯片从业者表示，“如果说有能赚钱的企业，应该也就是这一家。”

　　但他没有预料到，寒武纪同样是亏损的。

　　高投入是芯片研发的特质，而在AI芯片这一细分领域上，显得尤为明显。根据亿欧智库调查，以28nm制程为例，国内AI芯片的开发费用约为万美元，AI协处理器开发费用约为万美元。

　　芯片设计是一个漫长的过程，开发周期短则一年，长则两三年，这是一段几乎没有收入的时间，“烧钱”是所有企业的共性。

　　即使研发成功，如何把自研芯片卖出去，是企业面临的另一个困境，这甚至比前一个更为困难。

　　“很多AI芯片的创业公司，对下游的需求和沟通方式并不熟悉，”……“多数初创企业经常是从硬件角度做，不考虑软件感受，缺乏可编程性。经常出现和下游企业没有共同语言，难以达成共识的现象。”

　　“落地难”的原因有无数个，例如芯片研发比AI语言的更迭速度慢，当芯片面市时，其采用的AI语言可能已经过时了；再例如，很多人将AI芯片的落地希望寄托于自动驾驶，但这是一个至今尚未爆发的市场。

　　“理解一个场景，深挖和精准研发，甚至整合这个场景的解决方案，企业还是有机会活下去。”

　　不过……如若能做到，这些企业也许已转型为某个场景方案解决商，而不再是“AI芯片企业”。

　　点评：AI芯片从一出生就处在一个尴尬的境地，人工智能本就是一个软件的问题，且处于发展的初期，发展模式完全没有确定，即到底应如何去发展，还需要业界不断探索，此时硬要将软件问题弄到硬件上去解决，恐怕并不是正确的路子。深度学习现在虽然看上去是主流，但其算法日新月异、层出不穷，芯片设计根本难以跟上其发展，就如文章所说：“当芯片面市时，其采用的AI语言可能已经过时了”。而且，更重要的是，深度学习本身也面临窘境，很可能其并不是人工智能继续发展的正确道路，需要全新的思路来替代。但现在的AI芯片可以说是完全基于深度学习，真为它们捏一把汗……

　　现阶段人工智能发展在硬件方面，还是应该多立足于通用的CPU、GPU，立足于从软件本质上去解决人工智能问题，因为我们离真正的人工智能还差得很远，需要新的思路、算法，否则寄托于芯片的加速是难以走出目前人工智能的困境，毕竟再快的运算速度，也不可能产生智能。

　　至于那些用于特定场景的所谓AI芯片，比如用于自动驾驶的，恐怕就只是个加速器，称为AI芯片、人工智能是否有些哗众取宠之嫌。就如文章说：这些企业也许已转型为某个场景方案解决商，而不再是“AI芯片企业”。

　　参考阅读：人工智能芯片，又一个汉卡

　　二、两位图灵奖得主：自我监督学习是使AI达到人类智能的关键

　　摘要：在年的ICLR大会上，两位深度学习领域里的明星科学家，同时也是图灵奖的获得者YoshuaBengio（约书亚·本吉奥）和YannLeCun（杨立昆）在谈到深度学习领域里的研究趋势时都表示，自我监督学习是让人工智能推理更像人类的关键。

　　在深度学习领域，监督学习需要在标记好的数据集上训练AI模型。实际上，由于有用数据的可用性有限，以及处理该数据的计算能力不足，深度学习直到几年前才成为领先的AI技术。而自我监督学习可以做到不再依赖标记数据，而是通过学习数据之间的关系来生成标签，进行训练。……这一步骤也被认为是实现人类智能的关键。

　　“人类和动物是通过自我监督的模式获得大多数知识的，而不是强化模式。自我监督学习主要是观察世界，并与之互动。这种观察是自发的，而不是在测试条件下完成的。但我们不知道如何让机器获得这样的学习能力。”杨立昆说。

　　重点在于如何让机器自动生产数据标签。其中最大的阻碍来自不确定性。通常来说，数据是这样的，它将变量所有可能的值与其出现的概率联系起来。在变量是离散的情况下，它们可以很好地表示不确定性。但目前，研究人员尚未找到一种方法来有效地表示连续变量的分布。

　　“通过与基础语言学习相结合，我们可以取得很多进展，归根结底我们都在打造能够理解这个世界的模型，以及高层次的概念是如何相互关联的。这是一种联合式的分布。”Bengio说：“人类的意识处理过程，利用的是有关世界如何变化的假设，这些假设可以理解成为一种更高层次的表达方式。简单来讲，就是我们看到世界的变化，然后想到一句话来解释这种变化。”

　　缺失的背景知识也是人工智能无法达到人类智能水平的阻碍之一。

　　“显然，我们需要能够构建模型来学习世界，这就是进行自监督学习的原因——运行预测世界模型，能够让系统进行更快地学习。从概念上讲，这相当简单，除非是在那些我们无法完全预测的不确定环境中。”

　　但是Bengio相信，机器最终将能够在无需体验的情况下获得关于世界的各种知识的能力，这很可能是通过习得可以语言化的知识来实现。

　　“我认为这也是人类的一个巨大优势，相比于其他动物来说，人类之所以聪明，是因为我们有我们自己的文化，让我们能够解决这个世界的问题。要想让人工智能在现实世界中发挥作用，我们需要它不仅仅是能够翻译的机器，而是能够真正理解自然语言的机器。”

　　点评：终于，专家们开始意识到，事物之间的关系才是人工智能的关键所在。通过事物之间的关系，机器可以学会认识事物，因为这实际上也就是我们人类，包括动物，认识事物和世界的方式。一旦机器能够真正认识事物和世界，那么智能，或者说通用人工智能、强人工智能，也就不是问题了。至于这到底应该叫自我监督学习，还是无监督学习，其实并不重要。

　　不过，专家们还没有完全走出原有的思维模式，他们总是希望“找到一种方法来有效地表示连续变量的分布”。但实际上这个世界是复杂的，其本质是离散的，就像语言是离散的一样。换句话说，像语言这种极其复杂、离散的事物，是不可能找到连续变量的分布，也就是不可能找到一个公式或方程解决其所有问题。

　　想想我们大脑是如何对待这类极其复杂、离散的事物，我们并不是在寻找一个统一的方法去解决所有问题，而是兵来将挡、水来土掩，用复杂对复杂，离散对离散，一个问题用一个方法，理解诗歌与理解小说，是不同的思维方式。这也是我们大脑会如此复杂的原因，而不是“一根筋”式地用一个方法去解决所有问题，因为只有如此复杂的大脑才能面对如此复杂的世界。

　　不过在这些方法背后确实存在统一的东西，一个是常识，另一个是关系。

　　另外，“机器最终将能够在无需体验的情况下获得关于世界的各种知识的能力，这很可能是通过习得可以语言化的知识来实现”，这基本上也是对的，因为我们人类已经积累了丰富的知识，机器通过自然语言理解学习这些知识，可以避免犯很多错误。不过这里要注意一点，不光是语言，还应与图片、声音、视频等等结合起来，才能更好地理解这些知识。但最关键的，还是不能完全抛弃机器对现实的体验，首先这种体验是能够像人类一样理解自然语言和知识所必须的；第二，人类的知识也不是都是正确的，很多问题，我们人类也有各种学说和纷争，很多知识是相互矛盾的，尤其是在社会、经济等不确定性大的领域；第三，我们不仅需要机器成为我们的一个工具，去代替我们做一些我们也能做、只是不想做或比较危险的工作，我们还需要他们有创新和探索的能力，去做那些我们根本就不知道如何去做的事情，想要有这种能力，机器不去对世界进行其自己的体验，是不可能做到的。

　　最后强调一下，语言、文化到底是智能的结果，还是原因，亦是值得探讨的问题，虽然语言和文化能能够加速智能的进化是毋庸置疑的。

　　参考阅读：通用人工智能思考、通用人工智能再思考

　　三、如果卷积神经网络存在根本性的缺陷，你会怎么看?

　　摘要：如果有人告诉你卷积神经网络存在根本性的缺陷，你会怎么看呢？而这一点是被誉为“深度学习鼻祖”和“神经网络之父”的GeoffreyHinton教授在年度人工智能顶级会议–AAAI大会上作的主题演讲中提出的……

　　“卷积神经网络（CNNs）充分利用了端对端的学习方式。事实证明，如果一项功能在某个地方不错，那么在其他地方也会很不错，因此他们赢得了巨大的成功。这使得它们可以结合证据，并很好地在不同位置进行泛化。然而，它们与人类的感知非常不同。”

　　计算机视觉的关键挑战之一是处理现实世界中的数据差异。我们的视觉系统可以从不同的角度、不同的背景和不同的光照条件下识别物体。当物体被其他物体部分遮住或以古怪的方式着色时，我们的视觉系统利用线索和其他知识来填补缺失的信息以及我们这样看的理由。

　　“卷积神经网络（CNNs）是为解决物体的平移问题而设计的”。这意味着一个训练有素的卷积神经网络可以识别一个对象，而不管其在图像中的位置如何。但是他们并不能很好地处理视点变化的其他效果，例如旋转和缩放。

　　深度学习开发人员通常试图通过应用一个称为“数据增强”的过程来解决这个问题，在这个过程中，他们在训练神经网络之前翻转图像或少量旋转图像。

　　然而，数据增强无法涵盖卷积神经网络和其他神经网络无法处理的极端情况，比如说，一张上翘的椅子，或者放在床上的一件皱巴巴的T恤衫。这些都是现实生活中像素操纵无法实现的情况。

　　已经有人通过创建能够更好地表示现实世界的混乱现实的计算机视觉基准和训练数据集来解决这一泛化问题。但是，尽管它们可以改进当前人工智能系统的结果，但它们并不能解决跨视点泛化的根本问题。总会有新的角度、新的照明条件、新的颜色和姿势，而这些新的数据集并不能包含所有这些情况。这些新情况甚至会使最大、最先进的人工智能系统陷入混乱。

　　如果我们的计算机视觉系统以与人类视觉根本不同的方式工作，它们将是不可预测且不可靠的……

　　点评：还是老问题，机器没有常识，所有这些事情都会遇到类似问题，因为它们不知道看（听、摸、闻）到的究竟是什么，这些东西对于它自己、人类、世界等究竟意味着什么，那么它们就不可能有高水平的智能，也就永远不可能解决Hinton所提出的这些问题。

　　解决的办法只有一条路可以走，让机器自己学会常识和知识，那么这些问题就能迎刃而解了。

　　参考阅读：让机器具有常识

　　四、资讯

　　1、我国人工智能抗疫产品测试工作启动

　　日前，中国人工智能产业发展联盟、中国信息通信研究院（以下简称“中国信通院”）在工信部科技司的组织和指导下启动“人工智能抗疫产品”测试工作。主要针对肺炎人工智能影像辅助诊断系统产品、AI人体测温系统、疫情防控（实体）机器人三类产品。

　　2、南沙自贸区5年科技投入57.2亿集聚家人工智能企业

　　随着《粤港澳大湾区发展规划纲要》落实推进，南沙区携手中科院共建南沙科学城、中科院明珠科学园，为大湾区前沿科学基础研究和高技术创新打造了重要载体，形成了以南方海洋科学与工程广东省实验室（广州）为龙头、大科学装置为核心的海洋科学国家实验室预备队体系。香港科技大学（广州）、粤港澳大湾区精准医学产业基地等一批重大项目也已动工建设，核心科创平台正在南沙加速成型。

　　而备受 　　3、华人视觉宗师，ThomasS.Huang（黄煦涛）先生去世！

　　计算机视觉之父，华人视觉宗师ThomasS.Huang（黄煦涛）在美东时间年4月25日夜间去世，享年84岁。

　　黄煦涛，年出生于上海，年从台湾大学毕业后赴美留学，在MIT获得硕士、博士学位并在MIT留美任教，是继傅京孙之后，在计算机视觉、模式识别、多媒体等领域最资深的华人科学家。

　　在八十年代中后期，黄煦涛的研究偏向了运动视觉，代表性工作是在80年代后期建立的从二维图象序列中估计三维运动的公式，这为图像处理和计算机视觉开启了新领域。

　　4、美国专利商标局裁定：人工智能不能被列为发明人

　　美国专利商标局（USPTO）公布了一项裁定结果，声称人工智能不能被列为发明人。目前，只有“自然人”才有权利获得专利。去年，两项相对平凡的专利---一种可变形的食品容器和一种应急手电筒---给全世界的国际专利法规提出了一个存在的问题：发明人必须是人吗？

　　这两项发明是物理学家和人工智能研究者StephenThaler创造的人工智能系统DABUS的作品。现在，USPTO已经裁定，DABUS和其他任何人工智能都不能被列为专利申请中的发明人。

　　Thaler和一群专利法专家认为，由于Thaler在容器或手电筒方面没有任何专业知识，也没有帮助DABUS制造这些发明，因此他被列为发明人是不合适的。

　　5、国家将出台首个自动驾驶公路技术规范

　　近日，交通部公开发布了《公路工程适应自动驾驶附属设施总体技术规范（征求意见稿）》，这是国家层面首次出台自动驾驶相关的公路技术规范。

　　针对服务于自动驾驶的公路附属设施，《意见稿》对定位设施、通信设施、交通标志线、交通控制与诱导设施、交通感知设施、路侧计算设施、供能与照明设施等七个方面作出了具体的标准规范，同时对高精度地图、自动驾驶检测与服务、网络安全等软件层面也做出标准规定。

　　《意见稿》称，考虑到高速公路和一级公路的交通环境相对封闭、路面结构更平整、道路线型更平顺，相比其它等级的公路，更有利于车辆实现部分或完全自动驾驶功能，并且高速公路和一级公路的安全设施和管理设施更加完备、更易于升级改造，以及自动驾驶的发展阶段、技术经济性等方面的因素，当前阶段，宜首先从高速公路和一级公路的自动驾驶专用道以及自动驾驶专用公路方面进行技术规范。

　　6、四川首条“自动驾驶”高速公路试验段（都汶高速龙池段）9月建成

　　“这段试验段长2.6公里，将在完全封闭的情况下进行测试和试验。”四川交投川高高路信息公司总经理陈非说，测试段为山地场景的高速公路段，具备高速公路通行条件，目前正在将实现自动驾驶的体系，全部“装备”到这段公路上，包括感知体系、数据交互体系、路测单元等，还将实现和车联网、路联网平台的结合。建成后的试验段，有实现自动驾驶的设备、测试单元、标识等，“是一条’未来之路’的缩小版。”

　　7、弗吉尼亚理工大学进行研究在动态场景中测试自动驾驶系统

　　弗吉尼亚交通研究与创新中心主管CathyMcGhee表示，“我们将研究自动驾驶汽车及其与工作区域和事故现场的交互，这对于减少执法人员、消防员、紧急医疗人员、安全服务巡逻队和其他保护公众安全的工作人员的伤害和死亡至关重要。”

　　8、紧急更新下降难度，《王者荣耀》绝悟AI难倒一片玩家

　　在5月1日~5月4日期间，玩家通过《王者荣耀》最新版本客户端进入游戏，即可与绝悟AI对战。一时间哀鸿遍野，普通玩家、游戏主播、职业选手，纷纷表示被绝悟AI虐到体无完肤。

　　在进行了游戏不停机修复后，有不少玩家表示，修复后第六关的人机难度降低了非常多，正常阵容都能打赢。

　　9、Google的AI诊断在临床受挫，同行：在实验室达到准确度只是第一步

　　近日，Google发表的令人有些挫败感的研究成果，其AI诊断系统据称在实验室里能达到“专家水准”，但在临床中护士甚至不推荐患者使用AI系统。

　　泰国是Google选定的测试地区。该国卫生部希望在一年时间内完成对该国60%的糖尿病人进行糖尿病性视网膜病变（DR）筛查的任务……

　　Google研究人员此前建了一个有12.8万幅图片的数据集，每张图片记录了3-7名眼科医生的评估结果，然后训练算法。……这套系统通过扫描眼睛，利用图像分析来显示是否有血管堵塞或者渗漏，以此识别DR的症状，据称准确率超过90%，GoogleHealth研究小组称之为“人类专家水平”，原则上，十分钟内就能出结果。

　　算法拒绝了21%的图像。……护士说：“系统给出了确定的结果，但也有一定的局限性。有些图像比较模糊，我还能看清，但是系统看不清。”

　　10、阿里云AI计算斩获四项第一，自研软硬件大幅提升计算效率

　　近日，斯坦福大学公布了最新的DAWNBench深度学习榜单，阿里云打破谷歌等企业创造的记录，包揽了图像识别比赛的四项第一，这是国内AI计算服务首次在顶级赛事里同时斩获AI任务的四项第一。

　　据了解，阿里云采用了自研了飞天AI加速引擎AIACC以及平头哥含光。AIACC主要解决框架层面的大规模深度学习的统一性能加速和统一调度问题，它是业界首次统一加速Tensorflow、PyTorch、MXNET、Caffe等主流开源框架的性能加速引擎。

　　11、我国科学家开发出一种可准确地诊断新冠肺炎和评估预后的人工智能系统

　　建立了一种能够准确诊断NCP并协助放射科医生和临床医生进行诊断的AI系统。观察到根据CT参数评估的NCP肺部病灶与多器官临床和生化标志物之间存在良好的相关性，这突出了COVID-19中观察到的多器官衰竭。结合它的临床预后估计功能，这种AI系统可以帮助放射科医生和急诊科医生、肺科医生等内科医生快速准确诊断患者，并通过产生的预后估计，可以帮助医生确定需要密切监测和早期干预/支持的患者亚群，以及这些需求的估计时间。

　　12、美芯片巨头英特尔拟10亿美元购人工智能公司Moovit

　　Moovit是一家应用人工智能和大数据分析来跟踪交通流量，并向全球约8亿人提供驾驶路线、导航建议的初创公司。

　　这将是英特尔继年底以20亿美元收购芯片制造商HabanaLabs之后，近几个月来在以色列的第二笔重大收购。

　　五、视频

　　1、你还在因为养宠物犬的各种琐事而烦心么，中国制造的机械狗已经可以溜大街了，还可以帮你拍照，遇到同类还会打架。

　　2、国外先进的仿生机器人，现在的机器人越来越有灵性了。

为爱车换LED大灯，