Select Language

AI社区

数据要素产业

实现人工智能的三要素

12-06 08:52 TAG: 实现 人工智能 要素

人工智能,一个熟悉又陌生的名词。对于外行人员来说,人工智能就是所看到的应用产品,比如人脸识别、智能语音、智能机器人等,但是对于业内人员来讲,人工智能的本质是数据、算力、算法这些必须的元素所构成的。数据、算力、算法已经构成了目前实现人工智能的三要素,并且缺一不可。接下来,我们就来逐一分析构成人工智能的这三个要素。

数据人工智能的粮食

实现人工智能的首要因素是数据,数据是一切智慧物体的学习资源,没有了数据,任何智慧体都很难学习到知识。自从有记录以来,人类社会发展了数千年,在这期间,人类社会不断发展变化,从最早的原始社会到奴隶社会,再到封建社会、资本主义社会、社会主义社会,未来还会发展到共产主义社会,在这漫长的发展过程中,都少不了数据做为人类社会发展的动力。

人类社会之所以发展的越来越高级文明,离不开学习知识,而知识的传播流传越快,则社会发展也越快,在封建社会以前,知识的传播从口口相传到甲骨文,再到竹简记录,就算是封建社会后期的纸质记录,其知识的传播速度也无法和今天的互联网知识的传播速度相提并论。

一般来说,知识的获取来自两种途径,一种是通过他人的经验而获得的知识,也就是他人将知识整理成册,然后供大家学习,这也是目前的主流学习方式;另一种就是通过自己的探索而获得的知识,这种学习方式目前只存在高精尖领域的知识学习,由于在已有的开放社会资源中,找不到可以学习的知识,只有自我探索获龋

无论哪种学习方式,都要通过学习载体来传播知识,无论是面对面讲述,实践操作,还是书本记录,或是电子刊物,亦或者影像资料等,这些都是学习载体,我们都可以称其为数据,学习数据的质量从根本上影响了学习的效果,所以对于人类学习而言,找一个好的老师,有一本好的书籍都是非常重要的学习选择。

既然人类的学习非常依赖于数据的质量,那么AI学习知识的时候,是否也会存在同样的问题呢?答案当然是肯定的,不仅如此,而且AI学习知识的时候对于数据的依赖还要高于人类。人类相比目前的AI而言,是具有推理能力的,在学习某些具有关联性知识的时候,通过推理联想可以获得更多的知识。从另一角度来讲,在某种特定场景下,即使数据不够完整全面,对于人类的学习影响也不会太大,因为人类会利用推理和想象来完成缺失的知识。而目前AI的推理能力还处于初级研究阶段,更多的难题还等着业内技术人员来攻克。

由此可见,目前AI学习知识大部分基本都是依赖于数据的质量的,在这种情况下,连人工智能专家吴恩达都发出人工智能=80%数据+20%算法模型的感慨,可见人工智能的“粮食安全”问题还是非常紧迫的,如果“粮食”出现了质量安全问题,那么最终将会导致人工智能“生病”。可见数据的好坏基本上大概率的决定了智能化的高低,有人会说,我可以通过提高算法模型来提高效果啊,不幸的是,在数据上稍微不注意造成了质量问题,需要在算法上历尽千辛万苦来提高效果,而且还不一定弥补得上,数据对于人工智能最终的发展结构可见一斑。

算力人工智能的身体

算力是实现人工智能的另一个重要因素,算力在一定程度上体现了人工智能的速度和效率。一般来说算力越大,则实现更高级人工智能的可能性也更大。算力是依附于设备上的,所以一般谈论算力,都是在说具体的设备,比如CPU、GPU、DPU、TPU、NPU、BPU等,都是属于算力设备,只是他们有各自不同的能力而已。具体介绍可以阅读上一篇文章:CPU、GPU、DPU、TPU、NPU...傻傻分不清楚?实力扫盲安排!一文,介绍相当全面,从APU到ZPU,各种PU全部介绍完了,扫盲是够了。

算力设备除了上面的各种PU之外,每一种设备下面还会分不同的系列,比如英伟达的GPU在PC端有消费级的GeForce系列,专业制图的Quadro 系列、专业计算的Tesla系列等,而GeForce系列细分还可以分为GT、GTX、RTX等,当然每种子系列下还可以继续细分,比如GTX下面有GTX1050、GTX1050Ti......GTX1080、GTX1080Ti,还有GTX Titan等更强大的系列,RTX下面也一样包括了更详细的等级划分,具体选择哪个系列要看具体使用场景而定,当然还和自身的消费实力相关,算力性能越强大也意味着更多的真金白银。

下面是RTX20系列的各种显卡的性能对比:

RTX30系列的各种显卡的对比:

此外,英伟达还有嵌入式端的各种显卡系列,比如适用于自主机器AI平台的JetSon系列、DRIVE AGX系列、Clara AGX系列等,以及云端的一些计算资源。同样每种系列还是做了进一步的细分,比如Jetson下面就根据其算力核心数就分成了Jetson Nano、Jetson TX2、Jetson Xavier NX、Jetson AGX Xavier等四款设备。

对于厂家而言,产品分的越细,越利于宣传和推广,对于消费者而言,可选择性也大大增加,但是也对消费者的基本知识也有了要求,如果不清楚各种产品的差异,那么就很容易选择错误,而现在的显卡市场就是如此,需要一些专业的知识才能够选对自己所需的显卡类型。希望大家经过科普后都能够选对自己的显卡型号,是打游戏、制图、还是计算,心里要有一个对应的系列型号才行,不然可要陷入选择困难症中了。

以目前人工智能主流技术深度学习为例,它的学习过程就是将需要学习的数据放在在算力设备上运行,经过神经网络亿万次的计算和调整,得到一个最优解的过程。如果把数据当成人工智能的“粮食”,那么算力就是撑起人工智能的“身体”,所有的吃进去的“粮食”都需要“身体”来消化,提取“营养”帮助成长。同样,人工智能的数据也是需要经过算力来逐一运算,从而提取数据的特征来作为智能化程度的标志的。

算法人工智能的大脑

算法是人工智能程序与非人工智能程序的核心区别,可以这么理解,就算有了数据、有了算力,但是如果没有核心算力,也只能算是一个看起来比较高大上的资源库而已,由于没有算法的设计,相当于把一大堆的资源堆积了起来,而没有有效的应用。而算法就是使得这对资源有效利用的思想和灵魂。

算法和前两者比起来,算法更加的依赖于个人的思想,在同一家公司里,公司可以给每个算法工程师配备同样的数据资料和算力资源,但是无法要求每个算法工程师设计出来的算法程序的一致性。而算法程序的不一致性,也导致了最终智能化的程度千差万别。

相对于数据是依赖于大众的贡献,算力是依赖于机构组织的能力,而算法更加的依赖于个人,虽然很多公司是算法团队,但是真正提出核算算法思想的也就是那么一两个人,毫不夸张的说其他人都是帮助搬砖的,只是这种算法层面的搬砖相对纯软件工程的搬砖,技能要求要更高而已。这点和建筑设计一样,很多著名的建筑设计,其思想都是来自于一个人或者两个人,很少见到一个著名的设计其思想是由七八个人想出来的。

由于算法设计的独特性,和数据与算力相比,在人工智能的三个要素中,算法对人工智能的影响更大,这是因为在平时的工作当中,只要大家花上时间和费用,基本都可以找到好一些的数据和算力设备,但是算法由于其独特性,很多的算法是有专利或者没有向外界开源的,这个时候的差异就要在算法上体现出来了。

现在的大学和培训机构的人工智能专业,其学习方向也主要是以算法为主。因为数据是由大众产生,又由一些互联网大厂存储的,一般个人很少会去做这一块;而算力设备是由芯片公司控制着的;做为独立的个人最能够发挥效力的就在人工智能的算法方向了。培养优秀的算法人才对于人工智能的发展至关重要。目前市场上关于图像视觉、语音信号、自然语言、自动化等方向的算法工程师供不应求,薪资水平也是远超其他互联网软件行业的岗位。

后记:

当前,国内人工智能发展正处于高速成长期,未来将会进入爆发期,无论从业者是处于人工智能的数据处理方向,还是人工智能的算力设备研发方向,或者是人工智能的算法研发方向,都将会迎来巨大的行业红利和丰厚的回报。而人工智能算法方向又是学习回报比最高的一个方向,做为没有背景的个人,是进入人工智能行业的最佳选择

最后希望想进入人工智能的朋友都能愿望成真,关注微信公众号 深度人工智能学院,我们长期致力于人工智能的技术传播和人才发展计划。

文/deep man