人工智能商業(yè)化加速將深刻改變?nèi)祟惿鐣?huì)

　　1、 從學(xué)術(shù)研究走向商業(yè)應(yīng)用

　　人工智能最早可追溯到上世紀(jì)的四五十年代，被譽(yù)為“人工智能之父”的艾倫·圖靈，在其論文《計(jì)算機(jī)器與智能》中，提出了非常著名的圖靈測(cè)試，即被測(cè)試的機(jī)器是否能夠表現(xiàn)出與人類等價(jià)或無法區(qū)分的智能。

　　人工智能概念正式提出是在1956年，在美國(guó)達(dá)特茅斯學(xué)院舉辦的夏季學(xué)術(shù)研討會(huì)上，約翰·麥卡錫、馬文·閔斯基、克勞德·香農(nóng)等學(xué)者參與討論“讓機(jī)器像人一樣認(rèn)知、思考和學(xué)習(xí)”，這次會(huì)議上首次使用了“人工智能”這一術(shù)語。因此，業(yè)內(nèi)也一般都認(rèn)為1956年是人工智能元年。

　　▲人工智能發(fā)展的三次浪潮在過去的六十多年里，人工智能發(fā)展跌宕起伏，經(jīng)歷了三次大的浪潮：

　　第一次浪潮(20世紀(jì)50～80年代)：人工智能的起步階段，期間提出了人工智能的概念，取得了一些突破性的研究成果，如機(jī)器定理證明、跳棋程序、LISP編程語言、首個(gè)聊天機(jī)器人等，但當(dāng)時(shí)的算法理論、計(jì)算機(jī)的性能等因素，無法支持人工智能應(yīng)用的推廣。

　　第二次浪潮(20世紀(jì)80～90年代)：這階段主要以專家系統(tǒng)和日本的第五代計(jì)算機(jī)為代表。專家系統(tǒng)促使人工智能從理論研究走向?qū)嶋H應(yīng)用，并在醫(yī)療、氣象、地質(zhì)等領(lǐng)域取得成功。但隨著人工智能應(yīng)用范圍的擴(kuò)大，專家系統(tǒng)的缺點(diǎn)也逐漸顯現(xiàn)：應(yīng)用領(lǐng)域狹窄、推理方法單一、缺乏常識(shí)性知識(shí)等，人工智能的發(fā)展又進(jìn)入了停滯狀態(tài)。在這階段也出現(xiàn)了神經(jīng)網(wǎng) 絡(luò)算法，但是由于當(dāng)時(shí)計(jì)算機(jī)的性能限制，最終也沒有較好的落地效果。

　　第三次浪潮(2000年～現(xiàn)在)：隨著信息技術(shù)蓬勃發(fā)展，為人工智能的發(fā)展提供了基礎(chǔ)條件。這階段人工智能的理論算法也在不斷的沉淀，以統(tǒng)計(jì)機(jī)器學(xué)習(xí)為代表的算法，在互聯(lián)網(wǎng)、工業(yè)等諸多領(lǐng)域取得了較好的應(yīng)用效果。2006年，多倫多大學(xué)Hinton教授提出了深度學(xué)習(xí)的概念，對(duì)多層神經(jīng)網(wǎng)絡(luò)模型的一些問題給出了解決方案。標(biāo)志性事件是在2012年，Hinton課題組參加ImageNet圖像識(shí)別大賽，以大幅領(lǐng)先對(duì)手的成績(jī)?nèi)〉昧斯谲?，使深度學(xué)習(xí)引起了學(xué)術(shù)界和工業(yè)界的轟動(dòng)。

　　近幾年，以深度學(xué)習(xí)為代表的人工智能算法，在圖像分類和識(shí)別、語音識(shí)別、自然語言處理等領(lǐng)域取得了巨大的進(jìn)步。究其原因，一方面計(jì)算機(jī)的性能得到了極大的提升，新型人工智能芯片、云計(jì)算技術(shù)都為大規(guī)模神經(jīng)網(wǎng)絡(luò)計(jì)算提供了基礎(chǔ)平臺(tái);另一方面是互聯(lián)網(wǎng)、大數(shù)據(jù)技術(shù)的發(fā)展，積累了大量的數(shù)據(jù)資源。算法、算力和數(shù)據(jù)三者的結(jié)合，直接促成了這次浪潮，將人工智能再次推向繁榮期。

　　根據(jù)人工智能的研究領(lǐng)域、周邊技術(shù)和涉及的產(chǎn)業(yè)，可以將人工智能的技術(shù)體系分為三個(gè)層次，如圖2所示，具體包括：基礎(chǔ)層、技術(shù)層和應(yīng)用層。

　　應(yīng)用層：人工智能技術(shù)與行業(yè)深度結(jié)合，針對(duì)具體的場(chǎng)景來實(shí)現(xiàn)智能化的方案，目前主要的應(yīng)用行業(yè)領(lǐng)域包括安防、金融、醫(yī)療、交通、教育、制造、互聯(lián)網(wǎng)、電力等，未來將會(huì)拓展到更多的領(lǐng)域。

　　當(dāng)前，人工智能產(chǎn)品種類也比較多，比如機(jī)器人方面，包括家用機(jī)器人(掃地、陪伴、教育等用途)、工業(yè)機(jī)器人等;再如自動(dòng)駕駛汽車，其中就使用到了大量的人工智能技術(shù)，包括通過計(jì)算機(jī)視覺技術(shù)來識(shí)別車道線、交通標(biāo)志、信號(hào)燈等，進(jìn)一步利用人工智能算法進(jìn)行決策分析，做出正確的動(dòng)作指令。未來將會(huì)有更多的人工智能產(chǎn)品進(jìn)入生產(chǎn)生活當(dāng)中。

　　技術(shù)層：產(chǎn)業(yè)界和學(xué)術(shù)界都比較關(guān)注的層面。底層包括各種機(jī)器學(xué)習(xí)/深度學(xué)習(xí)的開源框架等。以學(xué)術(shù)界為代表，對(duì)人工智能的底層理論算法的研究，包括近年來比較主流的深度神經(jīng)網(wǎng)絡(luò)算法、傳統(tǒng)機(jī)器學(xué)習(xí)算法，正是因?yàn)檫@些基礎(chǔ)理論取得突破，才使得當(dāng)下人工智能技術(shù)在產(chǎn)業(yè)化方面取得突飛猛進(jìn)的發(fā)展。應(yīng)用算法層主要的研究領(lǐng)域包括計(jì)算機(jī)視覺、語音識(shí)別、自然語言處理、決策規(guī)劃等，涉及感知、認(rèn)知、決策不同的智能方向。

▲人工智能技術(shù)體系層級(jí)在每個(gè)研究領(lǐng)域中，又有很多細(xì)分技術(shù)研究領(lǐng)域，比如計(jì)算機(jī)視覺領(lǐng)域，包括圖像識(shí)別、目標(biāo)跟蹤、視頻理解、行為分析、圖像超分、多維特征識(shí)別等等。技術(shù)層是人工智能中最為令人關(guān)注的，也是最具挑戰(zhàn)的，其優(yōu)劣直接決定了行業(yè)應(yīng)用落地的成效。

　　基礎(chǔ)層：作為人工智能產(chǎn)業(yè)的底座支撐，包括硬件、軟件和數(shù)據(jù)的技術(shù)支持。硬件主要是為人工智能應(yīng)用提供強(qiáng)大的算力支撐，包括計(jì)算資源如GPU、FPGA、ASIC等加速芯片，網(wǎng)絡(luò)資源，存儲(chǔ)資源，以及各種傳感器件;系統(tǒng)平臺(tái)包括操作系統(tǒng)、云計(jì)算平臺(tái)、大數(shù)據(jù)平臺(tái)等;數(shù)據(jù)資源是人工智能技術(shù)(尤其是深度學(xué)習(xí))獲得長(zhǎng)足發(fā)展不可或缺的組成部分，猶如為發(fā)動(dòng)機(jī)提供充足的“燃料”。

　　2016年，谷歌AlphaGo以4:1的成績(jī)戰(zhàn)勝了人類頂尖圍棋選手李世石，讓人工智能走進(jìn)了大眾的視野。人工智能如今已不再停留在學(xué)術(shù)研究階段，開始大規(guī)模的應(yīng)用到商業(yè)環(huán)境中。

　　人工智能技術(shù)只有在實(shí)踐中解決了具體的問題，才能產(chǎn)生價(jià)值。因此合適的商業(yè)場(chǎng)景是人工智能技術(shù)落地的關(guān)鍵。當(dāng)前人工智能技術(shù)主要是以深度學(xué)習(xí)方法為主，通過大規(guī)模數(shù)據(jù)驅(qū)動(dòng)的機(jī)制，挖掘數(shù)據(jù)中蘊(yùn)含的潛在規(guī)律。這種方法，機(jī)器并沒有真正的推理和思考的能力，并沒有人類所具有的高階智能，一般只能解決特定領(lǐng)域內(nèi)的問題。

　　目前取得較好成效的主要在單任務(wù)、單領(lǐng)域的視覺感知方面上，有些已經(jīng)做到了非常極致，甚至超越人類，比如圖像識(shí)別技術(shù)在安防、交通流量監(jiān)測(cè)、閘機(jī)身份驗(yàn)證等特定場(chǎng)景中，可以代替人工完成這些重復(fù)性的工作，取得了很好的效果。

　　但在認(rèn)知方面目前效果不盡人意，還達(dá)不到像視覺感知領(lǐng)域的效果。隨著谷歌BERT等算法的突破，對(duì)于自然語言語義的理解和認(rèn)知方面，也漸有起色。

　　由于目前人工智能算法機(jī)制對(duì)數(shù)據(jù)集的重度依賴，需要有足夠的數(shù)據(jù)，而數(shù)據(jù)都是在行業(yè)場(chǎng)景中積累產(chǎn)生的，比如醫(yī)療影像數(shù)據(jù)、金融交易數(shù)據(jù)等。因此，將人工智能技術(shù)與行業(yè)場(chǎng)景結(jié)合才能發(fā)揮人工智能的價(jià)值。并且只有在場(chǎng)景歷練通過不斷的反饋機(jī)制，使數(shù)據(jù)形成閉環(huán)，才能持續(xù)不斷迭代優(yōu)化和提升算法精準(zhǔn)度。

　　2、 對(duì)人類社會(huì)產(chǎn)生深遠(yuǎn)影響

　　人工智能對(duì)企業(yè)變革影響巨大，在未來15年內(nèi)，人工智能和自動(dòng)化技術(shù)將取代40-50%崗位，同時(shí)也帶來效率的提升。

　　例如，在工業(yè)制造領(lǐng)域，AI技術(shù)將深度賦能工業(yè)機(jī)器，將會(huì)帶來生產(chǎn)效率和質(zhì)量的極大提升。采用AI視覺檢測(cè)替代工人來識(shí)別工件缺陷，帶來的益處：

　　識(shí)別精度，基于圖像數(shù)字化，可以達(dá)到微米級(jí)的精度;

　　無情緒影響，可以長(zhǎng)時(shí)間保持穩(wěn)定工作;

　　檢測(cè)速度，毫秒級(jí)就能完成檢測(cè)任務(wù)。

　　隨著人工智能技術(shù)的普及，人們的居住、健康、出行、教育、娛樂等多方面的生活方式都將從中受益。

　　智能家居將會(huì)是人工智能技術(shù)應(yīng)用的一個(gè)重要突破口。未來，智慧家居助理會(huì)統(tǒng)籌管理所有智能家居設(shè)備，使其協(xié)同工作，根據(jù)不同的活動(dòng)場(chǎng)景，為人們營(yíng)造更加舒適和安全的居住環(huán)境。人們不再是通過雙手去操作使用各種電器，而是通過更加自然的方式與智慧家居助理交流，輕松地讓各種電器完成任務(wù)。

　　醫(yī)療也將是人工智能大展身手的領(lǐng)域。AI技術(shù)的推廣，可以很大程度緩解當(dāng)下的醫(yī)療資源緊缺、醫(yī)護(hù)人員工作強(qiáng)度大等問題，使更多的民眾受益。另外，通過健康穿戴設(shè)備，監(jiān)測(cè)人們的生理數(shù)據(jù)，對(duì)人們的日常健康狀況進(jìn)行檢測(cè)管理，做到疾病的提前預(yù)防。

　　人工智能在糧食保障、能源利用、氣象預(yù)測(cè)、環(huán)境污染、自然資源保護(hù)等領(lǐng)域上應(yīng)用，可有效改善人類生存環(huán)境，促進(jìn)人與自然和諧共生。

　　農(nóng)業(yè)是人類賴以生存的基礎(chǔ)，為人類提供每天所需的食物。據(jù)《2019年全球糧食危機(jī)報(bào)告》顯示，全球仍有1億多人處于重度饑餓狀態(tài)。自然災(zāi)害和氣候變化是導(dǎo)致糧食不安全的部分關(guān)鍵因素。人工智能在一定程度上可以改善農(nóng)業(yè)所面臨的問題。例如2019年底在全球較大范圍內(nèi)發(fā)生的非洲蝗蟲自然災(zāi)害，造成部分地區(qū)糧食大幅減產(chǎn)。

　　有些機(jī)構(gòu)組織開始著手研究如何利用人工智能技術(shù)結(jié)合衛(wèi)星遙感地理信息，對(duì)類似的自然災(zāi)害進(jìn)行預(yù)警，減少農(nóng)業(yè)損失。另外，利用人工智能技術(shù)對(duì)小地域范圍內(nèi)實(shí)時(shí)、精準(zhǔn)的氣象預(yù)測(cè)，可以指導(dǎo)農(nóng)業(yè)實(shí)施過程，在什么時(shí)間適合進(jìn)行播種、施肥、灌溉、采摘等。人工智能還可以用于篩選優(yōu)良種子，達(dá)到糧食增產(chǎn)的目的。

　　3、 人工智能面臨的挑戰(zhàn)

　　正因?yàn)槿斯ぶ悄芗夹g(shù)能夠?qū)θ祟惿鐣?huì)產(chǎn)生巨大效益，國(guó)家政策、資本等方面也大力支持，企業(yè)積極布局人工智能戰(zhàn)略，增加研發(fā)投入、加快商業(yè)落地。人工智能產(chǎn)業(yè)一片向好的景象。但在繁榮的背后，人工智能也面臨諸多挑戰(zhàn)。據(jù)《IDC中國(guó)人工智能軟件及應(yīng)用市場(chǎng)半年度研究報(bào)告，2019H1》顯示，面臨的挑戰(zhàn)主要有缺乏人工智能技術(shù)人員、缺乏高質(zhì)量數(shù)據(jù)集、應(yīng)用場(chǎng)景、成本等多個(gè)方面。

▲《IDC中國(guó)人工智能軟件及應(yīng)用市場(chǎng)半年度研究報(bào)告，2019H1》市場(chǎng)調(diào)研面對(duì)這些挑戰(zhàn)，我們應(yīng)該理性對(duì)待，尋找合適的解決方法，打造有利于人工智能健康發(fā)展的良好環(huán)境。

　　場(chǎng)景化落地面臨的挑戰(zhàn)。目前，人工智能商業(yè)落地效果比較好的是安防、金融等行業(yè)領(lǐng)域，在其他領(lǐng)域的部分場(chǎng)景中，落地效果并不是太理想。究其原因，一方面是安防、金融等落地效果好的領(lǐng)域，都是有良好的數(shù)字化基礎(chǔ)的，多年來積累了大量有價(jià)值的數(shù)據(jù)，利用人工智能技術(shù)來挖掘數(shù)據(jù)價(jià)值自然是水到渠成。

　　另一方面，是對(duì)當(dāng)前人工智能算法所能解決問題的邊界沒有厘清，與用戶期望的有偏差，用戶期待的效果，可能當(dāng)前AI算法還達(dá)不到成熟標(biāo)準(zhǔn)，而AI算法能解決問題的場(chǎng)景，還有待進(jìn)一步挖掘。對(duì)此，建議各行業(yè)領(lǐng)域的企業(yè)，在實(shí)施人工智能應(yīng)用落地過程中，優(yōu)先完成數(shù)字化改造，積累行業(yè)數(shù)據(jù)，然后再實(shí)施合理的智能化業(yè)務(wù)。

　　技術(shù)方面的挑戰(zhàn)。 在人工智能技術(shù)層面上，也面臨一定程度的風(fēng)險(xiǎn)，主要表現(xiàn)在數(shù)據(jù)和算法上。首先， 當(dāng)前算法嚴(yán)重依賴有標(biāo)注的數(shù)據(jù)。數(shù)據(jù)在人工智能商業(yè)化落地中有著不可替代的作用，目前人工智能算法以有監(jiān)督的深度學(xué)習(xí)為主，即需要標(biāo)注數(shù)據(jù)對(duì)學(xué)習(xí)結(jié)果進(jìn)行反饋，在大量數(shù)據(jù)訓(xùn)練下，算法才能取得預(yù)期的效果。算法從大量數(shù)據(jù)中進(jìn)行學(xué)習(xí)，挖掘數(shù)據(jù)中蘊(yùn)含的規(guī)律。數(shù)據(jù)決定了人工智能模型精度的上限，而算法則是不斷逼近這個(gè)上限。

　　其次， 高質(zhì)量數(shù)據(jù)需求導(dǎo)致數(shù)據(jù)成本高昂。為了提高數(shù)據(jù)的質(zhì)量，原始數(shù)據(jù)需要經(jīng)過數(shù)據(jù)采集、清洗、信息抽取、標(biāo)注等處理環(huán)節(jié)。得益于大數(shù)據(jù)技術(shù)的快速發(fā)展，當(dāng)前采集、存儲(chǔ)海量數(shù)據(jù)已經(jīng)不再是難事。在時(shí)間和成本上，數(shù)據(jù)標(biāo)注成了制約環(huán)節(jié)。目前數(shù)據(jù)標(biāo)注主要是人工標(biāo)記為主，機(jī)器自動(dòng)化標(biāo)注為輔助。但是人工標(biāo)注數(shù)據(jù)的效率并不能完全滿足算法的需求，研究提升機(jī)器自動(dòng)化標(biāo)注的精度，是提高效率的重要思路，也是數(shù)據(jù)標(biāo)注的一個(gè)重要趨勢(shì)。

　　數(shù)據(jù)噪聲、數(shù)據(jù)污染會(huì)帶來人工智能安全問題。人工智能訓(xùn)練模型時(shí)用到的訓(xùn)練數(shù)據(jù)，如果數(shù)據(jù)本身有較大的噪聲，或者數(shù)據(jù)受到人為破壞，都可能會(huì)導(dǎo)致模型決策出現(xiàn)錯(cuò)誤。由于一些客觀因素，訓(xùn)練數(shù)據(jù)中不可避免含有噪聲，如果算法模型處理的不得當(dāng)，可能會(huì)導(dǎo)致模型漏洞，模型不夠健壯，給黑客有了可乘之機(jī)。

　　另外，也存在黑客故意在訓(xùn)練數(shù)據(jù)中植入惡意數(shù)據(jù)樣本，引起數(shù)據(jù)分布的改變，導(dǎo)致訓(xùn)練出來的模型決策出現(xiàn)偏差，進(jìn)而按照黑客的意圖來執(zhí)行。從數(shù)據(jù)源角度進(jìn)行攻擊，會(huì)產(chǎn)生嚴(yán)重的后果。例如在無人駕駛車輛上，會(huì)誘使車輛違反交通規(guī)則導(dǎo)致事故。

　　當(dāng)前深度學(xué)習(xí)算法有一定局限性。深度學(xué)習(xí)算法通過構(gòu)建大規(guī)模多層次的神經(jīng)網(wǎng)絡(luò)模型，從大量數(shù)據(jù)中學(xué)習(xí)經(jīng)驗(yàn)規(guī)則，從而達(dá)到擬合復(fù)雜的函數(shù)來解決實(shí)際問題。深度學(xué)習(xí)模型的學(xué)習(xí)能力強(qiáng)，效果也非常好，但在實(shí)際應(yīng)用過程中依然面臨資源消耗、可解釋性、安全等方面的挑戰(zhàn)。

　　深度學(xué)習(xí)訓(xùn)練的時(shí)候需要處理大量的數(shù)據(jù)，模型單元也會(huì)做大量的計(jì)算，所以會(huì)耗費(fèi)大量的存儲(chǔ)和計(jì)算資源，成本高昂。即使是在模型推理階段，計(jì)算量相對(duì)較小，但在邊緣、端側(cè)部署深度學(xué)習(xí)模型，仍然需要對(duì)模型經(jīng)過壓縮、剪枝等出來，來進(jìn)一步降低計(jì)算量。目前國(guó)內(nèi)很多企業(yè)在研究端側(cè)的AI芯片，提升邊緣側(cè)的計(jì)算能力，相信未來計(jì)算力的問題會(huì)得到解決。

　　人工智能模型的可解釋性，是指人類能夠理解機(jī)器做出決策原因的程度。由于深度神經(jīng)網(wǎng)絡(luò)模型異常復(fù)雜，參數(shù)量巨大，導(dǎo)致模型成為“黑箱”，我們很難獲知模型預(yù)測(cè)結(jié)果的準(zhǔn)確原因，也不知道模型會(huì)在什么時(shí)候或條件下會(huì)出錯(cuò)。這就導(dǎo)致了在一些如醫(yī)療、無人駕駛等關(guān)鍵場(chǎng)合中，使用深度學(xué)習(xí)都比較謹(jǐn)慎。當(dāng)然在學(xué)術(shù)界，也在積極研究可解釋性的人工智能，包括如何改善用戶理解、信任與管理人工智能系統(tǒng)。

　　深度神經(jīng)網(wǎng)絡(luò)非常容易受到對(duì)抗樣本的攻擊的。一些圖像或語音的對(duì)抗樣本，僅有很輕微的擾動(dòng)，以至于人類無法察覺這種擾動(dòng)。但對(duì)于模型卻很容易覺察并放大這個(gè)擾動(dòng)，進(jìn)而處理后輸出錯(cuò)誤的結(jié)果。這個(gè)問題對(duì)于在一些關(guān)鍵場(chǎng)合下危害非常大。對(duì)抗與攻擊也是深度學(xué)習(xí)研究領(lǐng)域的一個(gè)熱點(diǎn)，已經(jīng)有很多防范攻擊的方法來降低風(fēng)險(xiǎn)。

　　4、 社會(huì)規(guī)范方面的挑戰(zhàn)

　　人工智能技術(shù)是一把雙刃劍，一方面能推動(dòng)社會(huì)進(jìn)步和經(jīng)濟(jì)發(fā)展，另一方面也會(huì)帶來法律、隱私保護(hù)、倫理等的風(fēng)險(xiǎn)。人工智能技術(shù)的運(yùn)作效率極高，如果被不法分子利用了，發(fā)起網(wǎng)絡(luò)攻擊或者竊取機(jī)密信息，將會(huì)產(chǎn)生巨大的危害。

　　另外，深度學(xué)習(xí)依賴于數(shù)據(jù)，在數(shù)據(jù)采集過程中，不可避免的會(huì)收集到用戶的一些隱私數(shù)據(jù)，涉及個(gè)人的生活習(xí)慣、健康等數(shù)據(jù)，如果這些數(shù)據(jù)不加以監(jiān)管被亂用，勢(shì)必會(huì)造成隱私侵犯。針對(duì)這方面風(fēng)險(xiǎn)，國(guó)家也在研究應(yīng)對(duì)措施。

　　在《新一代人工智能發(fā)展規(guī)劃》中明確指出，到2025年，我國(guó)初步建立人工智能法律法規(guī)、倫理規(guī)范和政策體系，形成人工智能安全評(píng)估和管控能力。在2019年6月，《新一代人工智能治理原則——發(fā)展負(fù)責(zé)任的人工智能》發(fā)布，提出了人工智能治理的框架和行動(dòng)指南。

　　相信隨著技術(shù)上的進(jìn)步，法律、社會(huì)規(guī)范的出臺(tái)，人工智能將會(huì)朝著安全可靠、公平、保護(hù)隱私等正向發(fā)展，促進(jìn)人類福祉。

　　人工智能產(chǎn)業(yè)化落地ICT技術(shù)是關(guān)鍵支撐

　　1、 算力突破推動(dòng)算法創(chuàng)新，促成第三次AI浪潮

　　在2012年，Hinton課題組參加ImageNet圖像識(shí)別大賽，其AlexNet模型以大幅領(lǐng)先對(duì)手的成績(jī)?nèi)〉昧水?dāng)年的冠軍，使得深度學(xué)習(xí)算法一時(shí)間轟動(dòng)整個(gè)學(xué)術(shù)界和工業(yè)界。

　　深度學(xué)習(xí)算法本質(zhì)上也是神經(jīng)網(wǎng)絡(luò)，早在上世紀(jì)80年代就已經(jīng)誕生。AlexNet模型使用了比以前更加深層的網(wǎng)絡(luò)，參數(shù)量高達(dá)千萬級(jí)，使用了大規(guī)模的圖像樣本進(jìn)行訓(xùn)練，當(dāng)然也有一些細(xì)節(jié)上的算法創(chuàng)新。

　　當(dāng)時(shí)支撐AlexNet模型的實(shí)現(xiàn)，是基于兩塊英偉達(dá)GTX 580的GPU，完成了當(dāng)時(shí)CPU難以短時(shí)間完成的任務(wù)。從此，業(yè)內(nèi)普遍認(rèn)同了兩方面的事實(shí)：一方面是神經(jīng)網(wǎng)絡(luò)的模型規(guī)模增大有助于提升識(shí)別效果;另一方面，GPU卡可以提供非常高效的算力，用來支撐大規(guī)模神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。

　　近幾年，業(yè)內(nèi)各廠家意識(shí)到算力的重要性，分別推出多種加速卡如GPU、谷歌的TPU等，用于加速人工智能計(jì)算，直接推動(dòng)了人工智能算法飛躍式的創(chuàng)新。從2012年到2018年期間，以計(jì)算機(jī)視覺為主的感知類智能取得了突飛猛進(jìn)的發(fā)展，有些領(lǐng)域如多維特征識(shí)別等，其識(shí)別率遠(yuǎn)遠(yuǎn)超越了人類水平。

　　在2018年末，谷歌發(fā)布的BERT模型，在11項(xiàng)不同的NLP測(cè)試取得最佳成績(jī)，直接推動(dòng)了NLP認(rèn)知類智能的突破。在這驚人成績(jī)的背后，是強(qiáng)大算力提供的支撐。跟據(jù)作者描述，BERT-Large模型是在33億詞量的數(shù)據(jù)集上訓(xùn)練的，擁有3億多的參數(shù)。試想一下，如果沒有能支撐這么大計(jì)算量的算力資源，也許很難驗(yàn)證算法的效果，算法創(chuàng)新也就更加不易。

　　另外，數(shù)據(jù)的爆發(fā)式增長(zhǎng)，對(duì)算力的依賴也十分強(qiáng)烈。根據(jù)IDC報(bào)告顯示，“數(shù)據(jù)總量正在以指數(shù)形式增長(zhǎng)。從2003年的5EB，到2013年的4.4ZB，在2020年將達(dá)到44ZB”。面對(duì)海量的數(shù)據(jù)，使用人工智能算法挖掘其中的價(jià)值，也必須有強(qiáng)大的算力支撐才能實(shí)現(xiàn)，這也直接關(guān)系到人工智能應(yīng)用的創(chuàng)新和發(fā)展。

　　當(dāng)前這種以深度學(xué)習(xí)訓(xùn)練算法為主的時(shí)期，對(duì)算力和數(shù)據(jù)的需求是驚人的。OpenAI對(duì)近年來的模型訓(xùn)練和算力需求做過一個(gè)分析總結(jié)，自2012年以來，最大規(guī)模的AI訓(xùn)練運(yùn)行中使用的計(jì)算量呈指數(shù)增長(zhǎng)，且翻倍時(shí)間為3.4個(gè)月，遠(yuǎn)快于芯片工藝的摩爾定律。

　　為了支撐巨大的算力需求，一種行之有效的方法就是采用異構(gòu)計(jì)算集群。在人工智能領(lǐng)域中，異構(gòu)計(jì)算是指聯(lián)合了通用的CPU和面向AI運(yùn)算加速的GPU/FPGA/ASIC等不同計(jì)算體系結(jié)構(gòu)處理器的計(jì)算系統(tǒng)。另外，單顆芯片的計(jì)算能力是有限的，且隨著摩爾定律失效，僅從芯片角度來提升算力相對(duì)來說比較困難。

　　業(yè)界一般采用計(jì)算集群的方式來擴(kuò)展算力，通過把成千上萬顆計(jì)算芯片，整合在一個(gè)系統(tǒng)中，為人工智能模型的訓(xùn)練和推理應(yīng)用提供支持。目前，鑒于GPU的通用性、性能和生態(tài)等因素，面向人工智能的異構(gòu)計(jì)算集群，仍然以CPU+GPU的方式為主流，但在一些特定應(yīng)用場(chǎng)景中，CPU+FPGA/ASIC的方式也有一定的優(yōu)勢(shì)。

　　另外，異構(gòu)計(jì)算集群實(shí)現(xiàn)算力的擴(kuò)展，不單是硬件設(shè)備上堆砌。由于人工智能特有的計(jì)算模式，設(shè)計(jì)面向人工智能計(jì)算的集群需要區(qū)別傳統(tǒng)通用計(jì)算集群，如在進(jìn)行模型訓(xùn)練的時(shí)候，集群計(jì)算節(jié)點(diǎn)間需要大量且頻繁的周期性數(shù)據(jù)同步等，都是需要考慮的因素。

　　為了提升性能，需要考慮系統(tǒng)軟件和計(jì)算框架層面上的優(yōu)化，如何合理的調(diào)度AI任務(wù)來最大化地利用計(jì)算資源。同時(shí)也還需要考慮高性能的網(wǎng)絡(luò)和存儲(chǔ)，來保障集群整體性能。

　　提升算力的另一條途徑，就是從芯片層面去實(shí)現(xiàn)。相對(duì)于傳統(tǒng)程序，AI計(jì)算有著明顯的特征，導(dǎo)致傳統(tǒng)處理器無法滿足：當(dāng)前很大一部分AI應(yīng)用，處理的是視頻、語音、圖像等非結(jié)構(gòu)化數(shù)據(jù)，計(jì)算量巨大且多數(shù)為矩陣運(yùn)算，非常適合并行處理;另外，深度學(xué)習(xí)模型參數(shù)量非常多，對(duì)存儲(chǔ)單元訪問的帶寬和時(shí)延直接決定了其計(jì)算的性能。

　　為此，一方面可以通過不斷的改進(jìn)優(yōu)化現(xiàn)有計(jì)算體系芯片的計(jì)算能力，從早期的CPU，到專用于并行加速計(jì)算的GPU，以及在特定場(chǎng)景應(yīng)用的FPGA和ASIC芯片，都是在朝著適應(yīng)AI計(jì)算模式的方向優(yōu)化，加速AI運(yùn)算過程。

　　這種方式是目前AI計(jì)算加速的主流方式。另一方面可以采用新型計(jì)算架構(gòu)，如類腦芯片、量子計(jì)算等，從根本上顛覆現(xiàn)有計(jì)算模式。2019年8月，清華大學(xué)類腦計(jì)算研究中心研制的Tianjic芯片登上了《自然》雜志，展示了類腦芯片的潛力，是未來AI芯片的一個(gè)重要方向。

       ▲AI加速芯片及應(yīng)用場(chǎng)景不同的計(jì)算場(chǎng)景對(duì)算力的需求特點(diǎn)是有差異的：

　　在云端/數(shù)據(jù)中心的訓(xùn)練場(chǎng)景中，更多的關(guān)注算力的性能、精度、擴(kuò)展性、通用性、可編程、能耗效率等;

　　在云端/數(shù)據(jù)中心的推理場(chǎng)景中，對(duì)算力考量的側(cè)重于吞吐率、延時(shí)、擴(kuò)展性、能耗效率等;

　　在邊緣端的推理場(chǎng)景中，考慮更多的是延時(shí)、能效、成本等。

　　隨著市場(chǎng)的強(qiáng)勁需求和國(guó)家政策的引導(dǎo)，國(guó)內(nèi)研發(fā)AI芯片呈“井噴”趨勢(shì)，眾多廠家加入到了造芯行列當(dāng)中。針對(duì)不同的人工智能應(yīng)用場(chǎng)景，各個(gè)廠家都在打造各具特色的芯片。尤其是隨著物聯(lián)網(wǎng)的普及，端側(cè)應(yīng)用場(chǎng)景更加繁雜，AI芯片百家爭(zhēng)鳴的態(tài)勢(shì)，有助于解決AI多樣化的算力需求。

　　2、大規(guī)模AI訓(xùn)練場(chǎng)景，對(duì)網(wǎng)絡(luò)和存儲(chǔ)提出挑戰(zhàn)

　　數(shù)據(jù)、算法、算力是人們常說的AI發(fā)展三要素，必然在AI中起著至關(guān)重要的作用。那么除了這些，是否還有其他因素關(guān)系其發(fā)展呢?我們?cè)囅?，AI是一輛火車，數(shù)據(jù)、算法、算力、好比其燃料、發(fā)動(dòng)機(jī)，有更多，更好質(zhì)量的燃料，才能讓火車跑的更遠(yuǎn)，更先進(jìn)的發(fā)動(dòng)機(jī)才能使火車跑的更快。不過，在實(shí)際火車運(yùn)營(yíng)中，僅僅這些是不夠的。

　　火車要在鐵軌上運(yùn)行，也就是有了更好的路，火車才能四通八達(dá)、通暢無阻。AI面對(duì)實(shí)際應(yīng)用也是如此，其爆棚的數(shù)據(jù)量和超高的算力要求都不是一臺(tái)普通的服務(wù)器能夠完成的，需要大規(guī)模的集群，集群中服務(wù)器、存儲(chǔ)設(shè)備間的互聯(lián)網(wǎng)絡(luò)就是AI中的“路”，而這些當(dāng)前的“路”是不能滿足大規(guī)模AI訓(xùn)練場(chǎng)景需求的。

　　除了“路”之外，火車是用來運(yùn)輸貨物或者人，那車廂本身的存儲(chǔ)容量以及裝卸車的速度也是火車運(yùn)營(yíng)的重要指標(biāo)。對(duì)應(yīng)到AI應(yīng)用中就是存儲(chǔ)容量及數(shù)據(jù)讀寫訪問技術(shù)。

　　大規(guī)模AI訓(xùn)練場(chǎng)景對(duì)網(wǎng)絡(luò)之“路”要求很高，有多方面原因。

　　首先，AI相關(guān)業(yè)務(wù)通常包含大量的圖像、視頻等非結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)量上有一個(gè)指數(shù)級(jí)的增長(zhǎng)，需要保證這些海量非結(jié)構(gòu)化數(shù)據(jù)順暢、快速通過才能使AI系統(tǒng)平穩(wěn)運(yùn)行。

　　其次，AI運(yùn)算相比以往運(yùn)算更加復(fù)雜，一次智能化業(yè)務(wù)背后要幾百個(gè)模型計(jì)算，每次計(jì)算并非一臺(tái)服務(wù)器能完成的，需要龐大算力和復(fù)雜的異構(gòu)計(jì)算，背后實(shí)現(xiàn)往往是通過大規(guī)模集群并行處理的，那么集群中的服務(wù)器快速通信就成為完成一次計(jì)算任務(wù)的關(guān)鍵要素之一。

　　第三，AI業(yè)務(wù)很多需要實(shí)時(shí)學(xué)習(xí)，算法在框架層和應(yīng)用層需要保持高精度一致。這些要求都是現(xiàn)存以太網(wǎng)所不具備的，其中千分之一的網(wǎng)絡(luò)丟包對(duì)AI的影響都是巨大的。這個(gè)如同以前的馬車走土路，壓過一塊小石頭，或許就是有個(gè)小顛簸，不會(huì)發(fā)生什么大問題，但是如果鐵軌上有一塊小石頭，可能就會(huì)造成火車的出軌，后果不堪設(shè)想。

　　當(dāng)前鋪設(shè)的這條網(wǎng)絡(luò)“路”主要技術(shù)有TCP/IP及以太網(wǎng)，這是最常用的網(wǎng)絡(luò)傳輸技術(shù)，其優(yōu)點(diǎn)是應(yīng)用范圍廣，成本低，兼容性好，缺點(diǎn)也很大，網(wǎng)絡(luò)利用率低，傳輸速率不穩(wěn)定等。InfiniBand是一個(gè)用于高性能計(jì)算的網(wǎng)絡(luò)標(biāo)準(zhǔn)，服務(wù)器間、 服務(wù)器與存儲(chǔ)設(shè)備間、存儲(chǔ)設(shè)備之間均可以使用其進(jìn)行傳輸。

　　它的優(yōu)點(diǎn)就是傳輸性能好，可惜在大規(guī)模應(yīng)用中支持不好，而且需要特定網(wǎng)卡和交換機(jī)的支持，成本相對(duì)高昂。還有諸如Intel提出的Omni-Path等技術(shù)，都是為了優(yōu)化網(wǎng)絡(luò)性能，不過均存在各種兼容、成本等問題。

　　要滿足AI的大規(guī)模訓(xùn)練需求，我們需要一種綜合的網(wǎng)絡(luò)解決方案，既能廣泛大規(guī)模使用，價(jià)格低廉、成本可控，又能夠完成高性能AI計(jì)算的需求。這首先要保證網(wǎng)絡(luò)達(dá)到90%以上的帶寬有效利用率的同時(shí)，網(wǎng)絡(luò)中無丟包，并確保低時(shí)延。

　　通過RoCEv2、Lossless無損網(wǎng)絡(luò)流控技術(shù)綜合方案可以實(shí)現(xiàn)上述需求。RoCEv2即RoCE(RDMAover Converged Ethernet，基于以太網(wǎng)的遠(yuǎn)程直接內(nèi)存訪問)的第二個(gè)版本，較第一個(gè)版本支持跨IP子網(wǎng)的通信能力。該技術(shù)主要解決兩大問題：

　　1、 通過遠(yuǎn)程直接的內(nèi)存訪問繞過操作系統(tǒng)內(nèi)的多次內(nèi)存拷貝，遠(yuǎn)程節(jié)點(diǎn)的CPU無需介入，降低CPU負(fù)載，數(shù)據(jù)直達(dá)對(duì)端應(yīng)用buffer。測(cè)試顯示數(shù)據(jù)從CPU到網(wǎng)卡出口時(shí)間通過RoCEv2技術(shù)可以有效提升8倍，RoCEv2在提高網(wǎng)絡(luò)吞吐量的同時(shí)極大的降低了數(shù)據(jù)包傳輸延時(shí)。如圖5所示，傳統(tǒng)TCP/IP與RDMA方式的數(shù)據(jù)移動(dòng)對(duì)比。

　　2、 RoCEv2是RDMA在以太網(wǎng)上傳輸?shù)膶?shí)現(xiàn)，部署時(shí)僅兩端點(diǎn)需要采用專用的網(wǎng)卡硬件，中途路徑采用原有以太網(wǎng)線路及設(shè)備即可，相較InfiniBand等技術(shù)大大降低了成本。

▲傳統(tǒng)TCP/IP與RDMA方式數(shù)據(jù)移動(dòng)對(duì)比RoCEv2解決了成本、延時(shí)、吞吐等問題，這樣還是不夠的，上面提到面對(duì)大規(guī)模AI計(jì)算，網(wǎng)絡(luò)中是不能出現(xiàn)丟包。這就需要Lossless無損網(wǎng)絡(luò)流控技術(shù)來保證。如圖6所示，無損網(wǎng)絡(luò)解決方案部署參考。

▲無損網(wǎng)絡(luò)部署參考其實(shí)現(xiàn)包括如下幾個(gè)方面：

　　1、需要支持PFC流控能力，當(dāng)某一優(yōu)先級(jí)報(bào)文發(fā)送速率超過接收速率時(shí)，通過向上一跳發(fā)Pause幀通知上一跳設(shè)備暫停發(fā)送本優(yōu)先級(jí)報(bào)文，實(shí)現(xiàn)不丟包機(jī)制;

　　2、開啟快速ECN能力，向服務(wù)端快速進(jìn)行通告反壓，保證流量將要出現(xiàn)丟包時(shí)，快速通知發(fā)送端進(jìn)行降速;

　　3、用戶可選擇開通ETS將網(wǎng)絡(luò)中的流量?jī)?yōu)先級(jí)分成不同的優(yōu)先級(jí)組，為每組分配一定帶寬，如果一個(gè)組未消耗完為其分配的帶寬其他組可以使用這些未使用的帶寬，達(dá)到資源的合理分配及充分使用;

　　4、交換機(jī)與服務(wù)器網(wǎng)卡之間，通過開啟LLDP協(xié)議的DCBX TLV，其報(bào)文中攜帶ETS/PFC配置狀態(tài)，實(shí)現(xiàn)全網(wǎng)的DCBX能力通告和協(xié)商，保證網(wǎng)絡(luò)無丟包。

　　5、通常的一個(gè)訓(xùn)練模型需要千萬甚至上億的文件數(shù)量，面對(duì)這樣的海量數(shù)據(jù)訪問，傳統(tǒng)分布式文件存儲(chǔ)架構(gòu)(如HDFS，MooseFS等)就顯得相形見絀了;

　　6、 很多的訓(xùn)練模型都依賴于圖片、音視頻片段，為了進(jìn)行更有效的特征分析，即便是大文件也會(huì)被切片成小文件。有些特征文件小到幾十、幾百字節(jié)，也有很多都在幾KB到幾MB之間。而傳統(tǒng)分布式存儲(chǔ)是針對(duì)大文件設(shè)計(jì)的，集群容量是其首要考慮的問題，面對(duì)AI訓(xùn)練場(chǎng)景，80%以上是小文件，首要解決的是文件系統(tǒng)支持海量小文件的問題;

　　7、 業(yè)務(wù)部門數(shù)據(jù)組織存儲(chǔ)的不確定性，導(dǎo)致系統(tǒng)管理員不知道數(shù)據(jù)怎么存儲(chǔ)的，很可能將大量文件放在同一個(gè)目錄節(jié)點(diǎn)上，這樣在AI進(jìn)行訓(xùn)練時(shí)，會(huì)同時(shí)讀取一批數(shù)據(jù)，數(shù)據(jù)所在目錄的元數(shù)據(jù)節(jié)點(diǎn)成為“熱點(diǎn)”被大量訪問，從而導(dǎo)致訓(xùn)練性能出現(xiàn)問題。

　　這幾個(gè)問題就如同過去的綠皮車時(shí)代，車次少，乘客少，停車時(shí)間還長(zhǎng)，那么上下車就沒什么特別要求，大家慢慢上，慢慢下，反正時(shí)間很充裕。而現(xiàn)代高鐵時(shí)代，車次多，有的地方甚至十五分鐘左右一班車，車廂長(zhǎng)了，乘客還都滿員，每站停車時(shí)間幾分鐘，有些甚至1分鐘，這樣就要求有合理的上下車次序和分流等手段進(jìn)行優(yōu)化。

　　針對(duì)AI對(duì)存儲(chǔ)訪問的特殊應(yīng)用需求，同樣需要針對(duì)性的進(jìn)行優(yōu)化。如將單點(diǎn)MDS(Metadata server，元數(shù)據(jù)服務(wù)器)進(jìn)行橫向擴(kuò)展，形成MDS集群。MDS集群可以緩解CPU、內(nèi)存壓力，同時(shí)存儲(chǔ)更多的元數(shù)據(jù)信息，并提高海量文件并發(fā)訪問性能。

　　這點(diǎn)像火車乘車進(jìn)站以前的一個(gè)兩個(gè)檢票口，現(xiàn)在擴(kuò)充到十個(gè)左右，減輕一兩個(gè)檢票口的壓力，同時(shí)能夠一起進(jìn)出更多的乘客。針對(duì)小文件，可進(jìn)行小文件內(nèi)聯(lián)、聚合，客戶端讀緩存等優(yōu)化手段。這點(diǎn)可以理解為，老人小孩的，一家人一起提前檢票進(jìn)站。

　　而“熱點(diǎn)”訪問問題，可采用目錄鏡像擴(kuò)展或增加虛擬子目錄的方式。同樣映射到坐火車場(chǎng)景，可以理解為乘車時(shí)點(diǎn)餐服務(wù)。以前是大家都到餐車排隊(duì)購(gòu)買，現(xiàn)在是將二維碼都貼到每個(gè)座位上，自己使用手機(jī)掃碼就可以點(diǎn)餐，到時(shí)乘務(wù)員會(huì)按照座位把餐送來。

　　綜上，我們可以看到，真正的AI時(shí)代，不僅僅是其三要素?cái)?shù)據(jù)、算法、算力技術(shù)發(fā)展就能滿足的，同時(shí)對(duì)AI的運(yùn)行環(huán)境也提出了更多挑戰(zhàn)。當(dāng)前是把AI效能發(fā)揮最大的一系列技術(shù)共同發(fā)展的時(shí)代，而非僅AI技術(shù)本身，相關(guān)技術(shù)要合力前行。無論是網(wǎng)絡(luò)還是存儲(chǔ)技術(shù)應(yīng)走到更前面，在全球產(chǎn)業(yè)智能化轉(zhuǎn)型中充當(dāng)開路者的重要角色，為AI提供更順暢的運(yùn)行環(huán)境。

　　3、 云邊端協(xié)同，滿足多樣化的AI應(yīng)用場(chǎng)景

　　云計(jì)算的核心依靠云端超強(qiáng)的計(jì)算能力來完成計(jì)算要求很高的任務(wù)。進(jìn)入云計(jì)算時(shí)代，由于云計(jì)算在成本、效益、規(guī)模、自動(dòng)化和集中性等方面給企業(yè)帶來的好處，大量人工智能服務(wù)完全部署在云上或者在很大程度上依賴于云。與此同時(shí)，隨著物聯(lián)網(wǎng)等技術(shù)的不斷發(fā)展、數(shù)據(jù)的不斷增加，如何在數(shù)據(jù)從生成到?jīng)Q策再到執(zhí)行的整個(gè)過程中，保持盡可能小的延遲，就顯得尤為關(guān)鍵。在一個(gè)只有“云”的世界中，數(shù)據(jù)可能要傳輸幾千甚至上萬公里，較大的延遲是在所難免的。

　　對(duì)于一些時(shí)延敏感的人工智能應(yīng)用場(chǎng)景，如自動(dòng)駕駛汽車，對(duì)實(shí)時(shí)性要求極高，純粹依靠云端的能力是難以滿足的。另外，一些數(shù)據(jù)敏感的場(chǎng)景中，將數(shù)據(jù)上傳到云端進(jìn)行智能計(jì)算，也會(huì)面臨一定程度的風(fēng)險(xiǎn)。云端服務(wù)在這些人工智能場(chǎng)景中的應(yīng)用效果大打折扣，而邊緣計(jì)算則可以有效解決這一問題。

　　邊緣計(jì)算作為云計(jì)算的延伸拓展，是一種分布式處理和存儲(chǔ)的體系結(jié)構(gòu)，它更接近數(shù)據(jù)的源頭。它是將計(jì)算任務(wù)從數(shù)據(jù)中心遷移到靠近數(shù)據(jù)源的邊緣設(shè)備上，因此它更擅長(zhǎng)處理實(shí)時(shí)性、安全性要求較高的計(jì)算任務(wù)?；谶吘売?jì)算的方式，大大降低了網(wǎng)絡(luò)延遲，處理數(shù)據(jù)更加快速，支持企業(yè)更快更好的做出決策。

▲邊緣計(jì)算模型在人工智能應(yīng)用場(chǎng)景中，將一些重量級(jí)的AI訓(xùn)練任務(wù)，或者對(duì)時(shí)延不敏感的任務(wù)，放置在云上進(jìn)行，而將一些輕量級(jí)、或者對(duì)時(shí)延敏感、或者對(duì)數(shù)據(jù)安全有要求的AI計(jì)算任務(wù)，下沉到邊緣設(shè)備或者終端設(shè)備中執(zhí)行，通過邊緣、終端和云端協(xié)同來實(shí)現(xiàn)快速?zèng)Q策、實(shí)時(shí)響應(yīng)。在萬物智聯(lián)時(shí)代，只有云、邊、端緊密協(xié)同工作，才能更好地滿足各種AI應(yīng)用場(chǎng)景的需求，從而最大化AI的價(jià)值。

　　云邊端協(xié)同工作將成為人工智能應(yīng)用部署的重要方式，可以滿足云端AI短板，即時(shí)延或數(shù)據(jù)安全等方面，為支持更多有嚴(yán)苛要求的AI應(yīng)用場(chǎng)景鋪平道路，提升應(yīng)用效果。

▲云邊協(xié)同的智能安防應(yīng)用在智慧安防場(chǎng)景中，傳統(tǒng)方式下需要將大量攝像終端采集到的視頻數(shù)據(jù)，通過網(wǎng)絡(luò)直接傳輸至云端或服務(wù)器進(jìn)行存儲(chǔ)和處理，不僅加重了網(wǎng)絡(luò)的負(fù)載，也難以滿足業(yè)務(wù)低時(shí)延快速響應(yīng)的需求。通過增加邊緣計(jì)算節(jié)點(diǎn)，將攝像采集終端采集的數(shù)據(jù)匯聚到邊緣節(jié)點(diǎn)，從而有效降低網(wǎng)絡(luò)傳輸壓力和業(yè)務(wù)端到端時(shí)延。

　　此外，智慧安防與人工智能相結(jié)合，在邊緣計(jì)算節(jié)點(diǎn)上搭載AI人工智能視頻分析模塊，面向智能安防、智慧安防、軌跡跟蹤、多維特征識(shí)別等AI典型業(yè)務(wù)場(chǎng)景，以低時(shí)延、大帶寬、快速響應(yīng)等特性彌補(bǔ)當(dāng)前基于云端AI的視頻分析中產(chǎn)生的時(shí)延大、用戶體驗(yàn)較差的問題，實(shí)現(xiàn)本地分析、快速處理、實(shí)時(shí)響應(yīng)。

▲云邊協(xié)同的智能水利應(yīng)用在智慧水利場(chǎng)景中，5G、智慧安防、邊緣云和AI分析緊密結(jié)合，可以智能的識(shí)別出水利業(yè)務(wù)中的異常場(chǎng)景(河道漂浮物、釣魚、游泳、非法采砂等)，做到無人值守，實(shí)時(shí)告警。采用邊緣計(jì)算(MEC)的網(wǎng)絡(luò)結(jié)構(gòu)在河道附近部署無線攝像頭，在運(yùn)營(yíng)商本地機(jī)房部署MEC平臺(tái)。

　　實(shí)時(shí)性要求高的業(yè)務(wù)部署在邊緣云，其他業(yè)務(wù)部署在中心云，實(shí)現(xiàn)云邊協(xié)同。視頻流經(jīng)MEC分流后，將流量進(jìn)行本地化分流，在本地完成AI智能分析，實(shí)施將告警信息上送中心云。在本地進(jìn)行業(yè)務(wù)流量的分流和處理，不僅提高了響應(yīng)速度，而且減輕對(duì)運(yùn)營(yíng)商核心網(wǎng)絡(luò)的數(shù)據(jù)傳輸壓力。

　　在智能家庭場(chǎng)景中，邊緣計(jì)算節(jié)點(diǎn)通過各種異構(gòu)接口就近匯聚、存儲(chǔ)和處理邊緣節(jié)點(diǎn)上的各類異構(gòu)數(shù)據(jù)，執(zhí)行AI任務(wù)，對(duì)敏感數(shù)據(jù)就地處理，不出本地，有力地保護(hù)數(shù)據(jù)隱私，同時(shí)將處理后的非敏感數(shù)據(jù)統(tǒng)一上傳到云平臺(tái)。用戶不僅僅可以通過網(wǎng)絡(luò)連接邊緣計(jì)算節(jié)點(diǎn)，對(duì)家庭終端進(jìn)行智能控制，還可以通過訪問云端，對(duì)過往非敏感數(shù)據(jù)進(jìn)行訪問。

　　在智慧交通場(chǎng)景中，汽車作為邊緣計(jì)算節(jié)點(diǎn)，通過集成的采集裝置采集實(shí)時(shí)數(shù)據(jù)，并與路側(cè)邊緣節(jié)點(diǎn)進(jìn)行交互。邊緣計(jì)算節(jié)點(diǎn)進(jìn)行視頻的就地處理和識(shí)別，將識(shí)別的車輛和位置信息通過5G等通信手段回傳到云計(jì)算中心。云計(jì)算中心通過大數(shù)據(jù)和人工智能算法，為邊緣節(jié)點(diǎn)、交通信號(hào)系統(tǒng)和車輛下發(fā)合理的調(diào)度指令，從而提高交通系統(tǒng)的運(yùn)行效率，最大限度的減少道路擁堵。

　　4、人工智能應(yīng)用普及，安全備受關(guān)注

　　人工智能技術(shù)發(fā)展迅速，目前在各行各業(yè)的應(yīng)用已經(jīng)日益普及，但人工智能系統(tǒng)和技術(shù)自身的安全風(fēng)險(xiǎn)也越來越成為不能回避和不可忽視的風(fēng)險(xiǎn)，甚至在某些場(chǎng)景下還會(huì)帶來很大的問題。

▲人工智能系統(tǒng)自身面臨的安全風(fēng)險(xiǎn)目前人工智能在智能手機(jī)、辦公設(shè)備、智能家居上的應(yīng)用越來越多，很多人家里都有了智能音箱，另外不少電視、冰箱、電飯煲、空調(diào)、窗簾等都具備了人工智能的功能，人們使用語音或者手勢(shì)就可以指揮它們幫人們完成查詢天氣預(yù)報(bào)、查找信息，甚至燒飯做菜，調(diào)節(jié)室內(nèi)環(huán)境等。由于這些智能設(shè)備為了隨時(shí)響應(yīng)主人的召喚，需要實(shí)時(shí)在線，加上其日益強(qiáng)大和不斷升級(jí)的語音、圖像和視頻的感知、認(rèn)知能力，有可能對(duì)主人家里每個(gè)人的一舉一動(dòng)了如指掌，用戶在享受了人工智能帶來的便捷服務(wù)的同時(shí)也帶來了自己和家庭隱私泄露的隱患。

　　人工智能平臺(tái)和模型泄密風(fēng)險(xiǎn)主要有：模型竊取攻擊和用戶數(shù)據(jù)竊取攻擊。指的是攻擊者基于反復(fù)查詢并分析人工智能系統(tǒng)的輸入、輸出參數(shù)和其它外部信息，從而推測(cè)和猜測(cè)出系統(tǒng)的模型參數(shù)、訓(xùn)練參數(shù)和訓(xùn)練數(shù)據(jù)等信息。

　　目前很多云服務(wù)商提供了AI即服務(wù)(AIaaS)，由AI服務(wù)商負(fù)責(zé)模型訓(xùn)練、識(shí)別等服務(wù)，對(duì)公眾開放，用戶可使用開放接口進(jìn)行各種人工智能識(shí)別等操作。但通過反復(fù)調(diào)用AIaaS的識(shí)別接口，有經(jīng)驗(yàn)的攻擊者就可能通過多次返回的信息從而還原出AI模型的各種參數(shù)等關(guān)鍵特性，從而把AI模型竊取到?；蛘呒词共荒芡耆`取到原模型，也可以通過竊取到的信息構(gòu)建機(jī)器學(xué)習(xí)的對(duì)抗樣本或模型，從而對(duì)人工智能系統(tǒng)進(jìn)行下一步更深層次的攻擊。

　　在用戶提供訓(xùn)練數(shù)據(jù)的情況下，攻擊者可能通過反復(fù)查詢訓(xùn)練好的機(jī)器學(xué)習(xí)模型，獲取到用戶的隱私數(shù)據(jù)。

　　當(dāng)前的人工智能模型和算法非常依賴于輸入數(shù)據(jù)的真實(shí)性、完整性和全面性。從攻擊者視角，惡意的數(shù)據(jù)注入是進(jìn)行對(duì)抗樣本攻擊的重要手段。數(shù)據(jù)真實(shí)性風(fēng)險(xiǎn)主要體現(xiàn)在訓(xùn)練數(shù)據(jù)真實(shí)性和判斷數(shù)據(jù)真實(shí)性兩個(gè)方面。

　　攻擊者在訓(xùn)練數(shù)據(jù)中摻入的惡意數(shù)據(jù)，可能會(huì)大大影響機(jī)器學(xué)習(xí)模型訓(xùn)練的有效性，降低人工智能模型的推理能力。例如，研究者發(fā)現(xiàn)，只需要在訓(xùn)練樣本中摻雜少量的惡意樣本(藥餌攻擊)，就能很大程度感染AI模型的準(zhǔn)確率。通過加入藥餌數(shù)據(jù)，在人工智能健康數(shù)據(jù)庫(kù)應(yīng)用中，攻擊者可以使模型對(duì)超過一半的患者的用藥量建議闡述超過四分之三的變化量。

　　在機(jī)器模型的判斷階段，對(duì)被判斷數(shù)據(jù)樣本加入少量噪音，即可能大幅改變判斷結(jié)果的準(zhǔn)確性，甚至出現(xiàn)風(fēng)馬牛不相及的結(jié)果。比如著名人工智能科學(xué)家Ian Goodfellow曾發(fā)布論文，通過圖像生動(dòng)闡述了基于判讀數(shù)據(jù)投毒的對(duì)抗樣本攻擊概念，一張?jiān)臼切茇埖膱D片，在加入了少量干擾白噪聲后，人眼看還是熊貓，但機(jī)器學(xué)習(xí)模型直接將其識(shí)別為長(zhǎng)臂猿，且可信度高達(dá)99.3%。

　　包括TPU等AI專用芯片，GPU，CPU，F(xiàn)PGA，還有大到AI計(jì)算服務(wù)器集群，小到我們的智能手機(jī)、終端，都可能存在軟硬件設(shè)計(jì)缺陷、安全漏洞、后門。例如處理器硬件的安全風(fēng)險(xiǎn)，可能很多人并不陌生，如2018年全球最大處理器生產(chǎn)商英特爾爆出的Meltdown漏洞，該漏洞被認(rèn)為是史上最嚴(yán)重的處理器漏洞之一，本質(zhì)上是英特爾處理器的預(yù)測(cè)執(zhí)行技術(shù)設(shè)計(jì)缺陷，但由于預(yù)測(cè)執(zhí)行讀取的數(shù)據(jù)防護(hù)不當(dāng)，破壞了位于用戶和操作系統(tǒng)之間的基本隔離，從而可能允許惡意代碼訪問主機(jī)任意內(nèi)存，進(jìn)而竊取其他應(yīng)用程序以及操作系統(tǒng)內(nèi)核的敏感信息。這個(gè)漏洞“熔化”了由硬件來實(shí)現(xiàn)的安全邊界。允許低權(quán)限用戶級(jí)別的應(yīng)用程序“越界”訪問系統(tǒng)級(jí)的內(nèi)存，從而造成數(shù)據(jù)泄露。

　　而且漏洞修復(fù)會(huì)不可避免地造成處理器性能的降低。另外，研究人員發(fā)現(xiàn)，在芯片制造過程中也可植入后門，或者硬件木馬。攻擊者只需要通過短時(shí)間在處理器上運(yùn)行一系列看上去非常安全的命令，就能夠地觸發(fā)處理器的某個(gè)隱藏邏輯，從而獲得操作系統(tǒng)的高級(jí)權(quán)限。而更加讓人擔(dān)心的是，這種非常微小的硬件后門基本無法通過任何硬件檢測(cè)和安全分析手段檢測(cè)出來，并且可能只需要芯片工廠中的某位普通員工就能完成此項(xiàng)任務(wù)。

　　至于軟件設(shè)計(jì)、編碼過程中由于不小心、不遵守設(shè)計(jì)和編程規(guī)范等，無心埋入的軟件Bug，甚至別有用心的軟件后門的植入，一直都是軟件開發(fā)和應(yīng)用全生命周期中需要解決的重大課題，在人工智能軟件系統(tǒng)中也不例外。而且由于人工智能系統(tǒng)的黑盒性和不可解釋性，使得軟件后門更難以被檢測(cè)。

　　騰訊安全平臺(tái)部預(yù)研團(tuán)隊(duì)曾發(fā)現(xiàn)某著名人工智能系統(tǒng)框架存在自身安全風(fēng)險(xiǎn)，可被黑客利用，生成惡意模型文件，對(duì)使用該框架和平臺(tái)的人工智能研究者進(jìn)行攻擊，受害者自身的人工智能應(yīng)用可能被竊取或惡意篡改、破壞。

　　該漏洞危害面較大，一方面攻擊成本低，不需要太高深的人工智能技術(shù)能力，普通攻擊者即可實(shí)施攻擊;另一方面迷惑性強(qiáng)，使用該平臺(tái)的大部分人工智能研究者可能毫無防備;同時(shí)因?yàn)槔昧嗽摽蚣茏陨淼目缙脚_(tái)機(jī)制，其在PC端和移動(dòng)端版本均會(huì)受到影響。

　　人工智能架構(gòu)、操作模式和運(yùn)作流程設(shè)計(jì)的不合理。比較典型的例子有，去年某著名快遞企業(yè)的快遞柜，被人發(fā)現(xiàn)使用用戶的照片就可以輕松通過其多維特征識(shí)別系統(tǒng)的安全驗(yàn)證，從而取走物品;目前還有一些企業(yè)的無接觸考勤系統(tǒng)也未能基于三維特征來進(jìn)行識(shí)別，也存在類似問題，這種由于各種原因?qū)е碌募軜?gòu)或工作流程設(shè)計(jì)缺陷使得人工智能系統(tǒng)的安全性存在漏洞，容易被不法分子利用。

　　另外，AI模型的可檢測(cè)性、可驗(yàn)證性、可解釋性普遍不足，在目前AI應(yīng)用優(yōu)勢(shì)領(lǐng)域的語音、圖像、棋類競(jìng)技類場(chǎng)景，可解釋性差可能問題不大，因?yàn)榻Y(jié)果一般是可以快速取得并且顯而易見的，只要AI系統(tǒng)識(shí)別的結(jié)果是好的，人們可以忍受它繼續(xù)以黑盒形式存在。但對(duì)于有些場(chǎng)景，不可解釋性則會(huì)帶來一些法律上或者業(yè)務(wù)邏輯上的關(guān)鍵風(fēng)險(xiǎn)。例如在銀行給用戶發(fā)放貸款前的AI評(píng)估系統(tǒng)中，如果AI模型無法給出做出相應(yīng)判斷的依據(jù)和來龍去脈，那就無法獲得用戶的充分信任，如果連其深層次的判斷原理和規(guī)則都無法得知，該系統(tǒng)也就很難說是一個(gè)安全的系統(tǒng)。

　　綜上可見，人工智能技術(shù)是一把雙刃劍，用好了可以造福人類，而如果用不好，甚至被惡意利用，也會(huì)給個(gè)人、企業(yè)、社會(huì)甚至國(guó)家的安全帶來危害。未來我們需要更多地從基礎(chǔ)技術(shù)到頂層設(shè)計(jì)上，從AI應(yīng)用的全流程上考慮，對(duì)人工智能系統(tǒng)和技術(shù)進(jìn)行端到端的安全設(shè)計(jì)和優(yōu)化，以使人工智能技術(shù)能朝向構(gòu)建信任和理解，尊重人權(quán)和隱私的方式進(jìn)一步蓬勃發(fā)展。

　　近幾年來，隨著數(shù)字化基礎(chǔ)設(shè)施的不斷完善，再加上以深度學(xué)習(xí)為代表的算法上的突破，人工智能技術(shù)日漸成熟，已經(jīng)在安防、金融、客服、工業(yè)制造等領(lǐng)域，取代了大量重復(fù)性高、繁瑣枯燥或者大量使用人工并不經(jīng)濟(jì)的工作，不僅降低成本，而且生產(chǎn)效率提升也十分顯著。隨著5G商用落地，高帶寬、低延遲、大接入的特性將會(huì)進(jìn)一步拓寬人工智能應(yīng)用場(chǎng)景的邊界，未來3-5年，為人工智能技術(shù)在產(chǎn)業(yè)智能化的爆發(fā)奠定堅(jiān)實(shí)的基礎(chǔ)。