德勤報告 | 2018 AI趨勢：AI芯片更豐富，用(yòng)機器學習(xí)的(de)企業翻倍

2018 AI趨勢：AI芯片更豐富，用(yòng)機器學習(xí)的(de)企業翻倍

這(zhè)是一個(gè)急速變化(huà)但又有很強發展銜接性的(de)時(shí)代。

德勤在報告Technology, Media and ecommunications Predictions（科技、傳媒和(hé)通(tōng)訊的(de)預測）開頭這(zhè)樣說。

這(zhè)份報告中，德勤預測了(le)增強現實（AR）、智能手機、AI芯片、機器學習(xí)、互聯網、數字傳媒等領域在2018年的(de)大(dà)趨勢。總體來(lái)講，科技、傳媒和(hé)通(tōng)訊領域内将呈現指數級進步，生活中的(de)方方面面也(yě)将發生不易察覺的(de)變化(huà)。

這(zhè)份報告長(cháng)達80頁，我們将其中與人(rén)工智能相關的(de)兩部分(fēn)編譯整理(lǐ)如下(xià)。在2017年的(de)尾巴，我們提前去2018年預覽一下(xià)。

  AI芯片

強大(dà)的(de)運算(suàn)力對(duì)訓練和(hé)推理(lǐ)神經網絡來(lái)說*。

2009年，*塊GPU問世，這(zhè)種專門爲密集型計算(suàn)、高(gāo)度并行計算(suàn)設計的(de)芯片，比CPU更能滿足機器學習(xí)任務的(de)要求。自此，越來(lái)越多(duō)的(de)類型開始豐富“AI芯片”這(zhè)個(gè)新名詞。

德勤預測，2018年，GPU和(hé)CPU仍是機器學習(xí)領域的(de)主流芯片。

GPU的(de)市場(chǎng)需求量大(dà)概在50萬塊左右，在機器學習(xí)任務中對(duì)FPGA的(de)需求超過20萬塊，而ASIC芯片的(de)需求量在10萬塊左右。

△ GPU、FPGA和(hé)ASIC芯片需求與2016年對(duì)比圖

在年底，超過25%的(de)數據中心中用(yòng)來(lái)加速機器學習(xí)的(de)芯片将爲FPGA和(hé)ASIC芯片。

△ FPGA和(hé)ASIC芯片的(de)*超過25%

那麽，每種類型的(de)芯片到底向什(shén)麽方向發展，德勤給出了(le)詳細的(de)預測：

機器學習(xí)優化(huà)的(de)GPU：在2018年，GPU制造者将推出專門優化(huà)機器學習(xí)任務的(de)特别版GPU。其實現在已經能看到這(zhè)樣的(de)案例，英偉達稱自己的(de)Volta架構将使深度學習(xí)訓練加速12倍，在深度學習(xí)推理(lǐ)任務上比Pascal架構還(hái)要快(kuài)6倍。

機器學習(xí)優化(huà)的(de)CPU：在GPU市場(chǎng)蒸蒸日上的(de)同時(shí)，我們也(yě)可(kě)以看到CPU公司推出機器學習(xí)的(de)CPU芯片。比如英特爾Knights Mill芯片，比非機器學習(xí)優化(huà)芯片的(de)性能提升了(le)4倍。

機器學習(xí)優化(huà)的(de)FPGA：在2016年，FPGA芯片的(de)銷售額已經超過40億美(měi)元。在2017年年初報告《Can FPGAs Beat GPUs in Accelerating Next-Generation Deep Neural Networks?》中，研究人(rén)員(yuán)表示在某些情況下(xià)，FPGA的(de)速度和(hé)運算(suàn)力可(kě)能比GPU還(hái)要強。

目前，微軟、亞馬遜AWS和(hé)百度也(yě)稱将FPGA用(yòng)于機器學習(xí)的(de)相關任務中。總體來(lái)說，2018年機器學習(xí)任務對(duì)FPGA的(de)需求超過了(le)20萬。

機器學習(xí)優化(huà)的(de)ASIC芯片：ASIC是隻執行單一任務的(de)芯片，目前ASIC芯片的(de)制造廠商很多(duō)。在2017年，整個(gè)産業的(de)總收益大(dà)約在150億美(měi)元左右。

綜合各芯片廠商放出的(de)消息，英特爾的(de)收購(gòu)的(de)Nervana，能在2018年生産出自己的(de)芯片。此外，日本富士通(tōng)也(yě)計劃在2018年推出一款名爲深度學習(xí)單元（DLU）的(de)芯片。

TPU：TPU是谷歌(gē)爲适應機器學習(xí)任務推出的(de)ASIC芯片，适用(yòng)于處理(lǐ)在開源的(de)TensorFlow中的(de)任務。在谷歌(gē)數據中心的(de)推理(lǐ)任務中，TPU已經顯示出良好的(de)性能，和(hé)CPU相比，性能可(kě)以提升10到50倍。據谷歌(gē)預測的(de)數據顯示，2018年對(duì)TPU的(de)需求大(dà)約在10萬塊左右。

低能耗機器學習(xí)加速芯片：德勤預測，在2018年，手機、平闆和(hé)其他(tā)移動設備對(duì)機器學習(xí)芯片的(de)需求量在5億左右。移動端芯片的(de)zui大(dà)特點就是低能耗，GPU芯片的(de)功率大(dà)緻在250瓦左右，相比之下(xià)TPU芯片需要的(de)功率僅爲75瓦。對(duì)傳感器網絡來(lái)說，所需功率需要低于10毫瓦。

德勤預測，可(kě)能再過兩三年，低功率的(de)機器學習(xí)芯片才能有突破性進展。

光(guāng)流芯片：除了(le)上面幾種，還(hái)有一種特殊的(de)芯片類型，IBM的(de)True North芯片就是一種光(guāng)流芯片，它能加速機器學習(xí)任務，并且非常。不過德勤表示，現在還(hái)很難預測這(zhè)種光(guāng)流芯片在2018年的(de)體量，但整體來(lái)說可(kě)能低于10萬塊，甚至低于1萬塊。

  機器學習(xí)

德勤預測，在2018年，大(dà)中型企業将更加看重機器學習(xí)在行業中的(de)應用(yòng)。和(hé)2017年相比，用(yòng)機器學習(xí)部署和(hé)實現的(de)項目将翻倍，并且2020年将再次翻倍。

△ 翻倍再翻倍

在報告中，德勤重點提出了(le)讓機器學習(xí)更廣泛應用(yòng)企業中的(de)5個(gè)重要推動力，分(fēn)别爲數據科學的(de)自動化(huà)、訓練數據需求的(de)減少、訓練速度的(de)加快(kuài)、解釋結果和(hé)本地部署等。

1. 數據科學自動化(huà)：像數據開發和(hé)特征工程這(zhè)種耗時(shí)的(de)機器學習(xí)任務，可(kě)能會占用(yòng)數據科學家80%的(de)時(shí)間。好消息是，這(zhè)種繁瑣的(de)工作正在逐步被自動化(huà)取代。從耗時(shí)的(de)工作解放出來(lái)後，數據科學家執行機器學習(xí)試驗的(de)時(shí)間從幾個(gè)月(yuè)縮短到了(le)幾天。自動化(huà)在一定程度上緩解了(le)數據科學家的(de)短缺，爲企業賦予和(hé)更多(duō)活力。

2. 減少訓練數據的(de)需求：訓練一個(gè)機器學習(xí)模型可(kě)能需要數以百萬計的(de)數據元素，爲訓練數據獲取标記數據也(yě)是一件耗時(shí)且成本高(gāo)的(de)事情。目前，已經湧現出緻力于減少機器學習(xí)需要的(de)訓練數據的(de)技術，包括數據合成、算(suàn)法生成的(de)模拟真實數據特征等。

3. 加速訓練：正如上面所說，像GPU、FPGA等機器學習(xí)專有硬件的(de)出現可(kě)以縮短機器學習(xí)模型的(de)訓練時(shí)間，加速研究進展。

4. 解釋結果：雖然機器學習(xí)的(de)進展日新月(yuè)異，但機器學習(xí)模型通(tōng)常存在關鍵缺陷，比如黑(hēi)箱，意味著(zhe)我們無法解釋其中的(de)原理(lǐ)。這(zhè)些不清楚讓模型無法适應更多(duō)的(de)應用(yòng)。如果黑(hēi)箱消失、結果都可(kě)解釋，是機器學習(xí)應用(yòng)的(de)一大(dà)進步。

5. 本地部署：機器學習(xí)将随著(zhe)部署能力一同成長(cháng)。德勤去年曾經預測，機器學習(xí)正在走進移動設備和(hé)智能傳感器，帶來(lái)智能家庭、智慧城(chéng)市、無人(rén)駕駛、可(kě)穿戴技術和(hé)物(wù)聯網技術。

像谷歌(gē)、微軟、Facebook等科技*正在嘗試将機器學習(xí)模型壓縮到便攜設備上，比如谷歌(gē)的(de)TensorFlow Lite、Facebook的(de)Caffe2Go和(hé)蘋果的(de)Core ML。