德勤報告 | 2018 AI趨勢：AI芯片更豐富，用機器學(xué)習(xí)的企業(yè)翻倍

2018 AI趨勢：AI芯片更豐富，用機器學(xué)習(xí)的企業(yè)翻倍

這是一個急速變化但又有很強發(fā)展銜接性的時代。

德勤在報告Technology, Media and ecommunications Predictions（科技、傳媒和通訊的預(yù)測）開頭這樣說。

這份報告中，德勤預(yù)測了增強現(xiàn)實（AR）、智能手機、AI芯片、機器學(xué)習(xí)、互聯(lián)網(wǎng)、數(shù)字傳媒等領(lǐng)域在2018年的大趨勢。總體來講，科技、傳媒和通訊領(lǐng)域內(nèi)將呈現(xiàn)指數(shù)級進步，生活中的方方面面也將發(fā)生不易察覺的變化。

這份報告長達80頁，我們將其中與人工智能相關(guān)的兩部分編譯整理如下。在2017年的尾巴，我們提前去2018年預(yù)覽一下。

  AI芯片

強大的運算力對訓(xùn)練和推理神經(jīng)網(wǎng)絡(luò)來說*。

2009年，*塊GPU問世，這種專門為密集型計算、高度并行計算設(shè)計的芯片，比CPU更能滿足機器學(xué)習(xí)任務(wù)的要求。自此，越來越多的類型開始豐富“AI芯片”這個新名詞。

德勤預(yù)測，2018年，GPU和CPU仍是機器學(xué)習(xí)領(lǐng)域的主流芯片。

GPU的市場需求量大概在50萬塊左右，在機器學(xué)習(xí)任務(wù)中對FPGA的需求超過20萬塊，而ASIC芯片的需求量在10萬塊左右。

△ GPU、FPGA和ASIC芯片需求與2016年對比圖

在年底，超過25%的數(shù)據(jù)中心中用來加速機器學(xué)習(xí)的芯片將為FPGA和ASIC芯片。

△ FPGA和ASIC芯片的*超過25%

那么，每種類型的芯片到底向什么方向發(fā)展，德勤給出了詳細的預(yù)測：

機器學(xué)習(xí)優(yōu)化的GPU：在2018年，GPU制造者將推出專門優(yōu)化機器學(xué)習(xí)任務(wù)的特別版GPU。其實現(xiàn)在已經(jīng)能看到這樣的案例，英偉達稱自己的Volta架構(gòu)將使深度學(xué)習(xí)訓(xùn)練加速12倍，在深度學(xué)習(xí)推理任務(wù)上比Pascal架構(gòu)還要快6倍。

機器學(xué)習(xí)優(yōu)化的CPU：在GPU市場蒸蒸日上的同時，我們也可以看到CPU公司推出機器學(xué)習(xí)的CPU芯片。比如英特爾Knights Mill芯片，比非機器學(xué)習(xí)優(yōu)化芯片的性能提升了4倍。

機器學(xué)習(xí)優(yōu)化的FPGA：在2016年，F(xiàn)PGA芯片的銷售額已經(jīng)超過40億美元。在2017年年初報告《Can FPGAs Beat GPUs in Accelerating Next-Generation Deep Neural Networks?》中，研究人員表示在某些情況下，F(xiàn)PGA的速度和運算力可能比GPU還要強。

目前，微軟、亞馬遜AWS和百度也稱將FPGA用于機器學(xué)習(xí)的相關(guān)任務(wù)中。總體來說，2018年機器學(xué)習(xí)任務(wù)對FPGA的需求超過了20萬。

機器學(xué)習(xí)優(yōu)化的ASIC芯片：ASIC是只執(zhí)行單一任務(wù)的芯片，目前ASIC芯片的制造廠商很多。在2017年，整個產(chǎn)業(yè)的總收益大約在150億美元左右。

綜合各芯片廠商放出的消息，英特爾的收購的Nervana，能在2018年生產(chǎn)出自己的芯片。此外，日本富士通也計劃在2018年推出一款名為深度學(xué)習(xí)單元（DLU）的芯片。

TPU：TPU是谷歌為適應(yīng)機器學(xué)習(xí)任務(wù)推出的ASIC芯片，適用于處理在開源的TensorFlow中的任務(wù)。在谷歌數(shù)據(jù)中心的推理任務(wù)中，TPU已經(jīng)顯示出良好的性能，和CPU相比，性能可以提升10到50倍。據(jù)谷歌預(yù)測的數(shù)據(jù)顯示，2018年對TPU的需求大約在10萬塊左右。

低能耗機器學(xué)習(xí)加速芯片：德勤預(yù)測，在2018年，手機、平板和其他移動設(shè)備對機器學(xué)習(xí)芯片的需求量在5億左右。移動端芯片的zui大特點就是低能耗，GPU芯片的功率大致在250瓦左右，相比之下TPU芯片需要的功率僅為75瓦。對傳感器網(wǎng)絡(luò)來說，所需功率需要低于10毫瓦。

德勤預(yù)測，可能再過兩三年，低功率的機器學(xué)習(xí)芯片才能有突破性進展。

光流芯片：除了上面幾種，還有一種特殊的芯片類型，IBM的True North芯片就是一種光流芯片，它能加速機器學(xué)習(xí)任務(wù)，并且非常。不過德勤表示，現(xiàn)在還很難預(yù)測這種光流芯片在2018年的體量，但整體來說可能低于10萬塊，甚至低于1萬塊。

  機器學(xué)習(xí)

德勤預(yù)測，在2018年，大中型企業(yè)將更加看重機器學(xué)習(xí)在行業(yè)中的應(yīng)用。和2017年相比，用機器學(xué)習(xí)部署和實現(xiàn)的項目將翻倍，并且2020年將再次翻倍。

△ 翻倍再翻倍

在報告中，德勤重點提出了讓機器學(xué)習(xí)更廣泛應(yīng)用企業(yè)中的5個重要推動力，分別為數(shù)據(jù)科學(xué)的自動化、訓(xùn)練數(shù)據(jù)需求的減少、訓(xùn)練速度的加快、解釋結(jié)果和本地部署等。

1. 數(shù)據(jù)科學(xué)自動化：像數(shù)據(jù)開發(fā)和特征工程這種耗時的機器學(xué)習(xí)任務(wù)，可能會占用數(shù)據(jù)科學(xué)家80%的時間。好消息是，這種繁瑣的工作正在逐步被自動化取代。從耗時的工作解放出來后，數(shù)據(jù)科學(xué)家執(zhí)行機器學(xué)習(xí)試驗的時間從幾個月縮短到了幾天。自動化在一定程度上緩解了數(shù)據(jù)科學(xué)家的短缺，為企業(yè)賦予和更多活力。

2. 減少訓(xùn)練數(shù)據(jù)的需求：訓(xùn)練一個機器學(xué)習(xí)模型可能需要數(shù)以百萬計的數(shù)據(jù)元素，為訓(xùn)練數(shù)據(jù)獲取標記數(shù)據(jù)也是一件耗時且成本高的事情。目前，已經(jīng)涌現(xiàn)出致力于減少機器學(xué)習(xí)需要的訓(xùn)練數(shù)據(jù)的技術(shù)，包括數(shù)據(jù)合成、算法生成的模擬真實數(shù)據(jù)特征等。

3. 加速訓(xùn)練：正如上面所說，像GPU、FPGA等機器學(xué)習(xí)專有硬件的出現(xiàn)可以縮短機器學(xué)習(xí)模型的訓(xùn)練時間，加速研究進展。

4. 解釋結(jié)果：雖然機器學(xué)習(xí)的進展日新月異，但機器學(xué)習(xí)模型通常存在關(guān)鍵缺陷，比如黑箱，意味著我們無法解釋其中的原理。這些不清楚讓模型無法適應(yīng)更多的應(yīng)用。如果黑箱消失、結(jié)果都可解釋，是機器學(xué)習(xí)應(yīng)用的一大進步。

5. 本地部署：機器學(xué)習(xí)將隨著部署能力一同成長。德勤去年曾經(jīng)預(yù)測，機器學(xué)習(xí)正在走進移動設(shè)備和智能傳感器，帶來智能家庭、智慧城市、無人駕駛、可穿戴技術(shù)和物聯(lián)網(wǎng)技術(shù)。

像谷歌、微軟、Facebook等科技*正在嘗試將機器學(xué)習(xí)模型壓縮到便攜設(shè)備上，比如谷歌的TensorFlow Lite、Facebook的Caffe2Go和蘋果的Core ML。