2017年2月的末了一天,北京大学“人工智能前沿与家当趋势”研究生课的第二讲如约和大家见面。
课程依旧由北大人工智能创新中央主任、百度七剑客之一、酷我音乐创始人雷鸣老师坐镇,而约请的高朋则是“千人操持”国家特聘专家、原百度 IDL 常务副院长、地平线机器人创始人余凯老师。
本将环绕的主题是嵌入式人工智能,涉及了嵌入式人工智能的实质特色、软硬件结合联合优化、应由场景及未来的发展机会等等,亮点颇多。

余凯老师首先以“人工智能的边缘机会”为切入点,做了时长50分钟的演讲。
之后雷鸣老师登台,和余凯老师就“人工智能的专用性和通性”、“在软硬件联合优化的过程中如何良好同步”等问题展开了对话和谈论。
下面是最完全课程实录。

余凯在北大AI公开课演讲

余凯演讲实录

北大年夜 AI 公开课第2讲实录雷鸣u0026余凯座谈嵌入式AI超级完整版

感激雷鸣,我的老朋友,好哥们儿。
实在雷鸣老师是我们所有百度人的前辈,百度的七剑客之一。
本日我也非常冲动,能来到北大和在座的老师和同学们分享一些关于人工智能的意见。
我记得很早之前也来北大做过深度学习的讲座,间隔现在也有些韶光了,这期间我个人的身份也发生了一些转变。

在过去的两年间,人工智能变成了一个非常 sexy 的话题。
那么,What’s the hype? 这里面是否真正有一些实在的成分在推动?我昨天到本日一贯在非常负责地在准备本日这个讲座,由于这也是雷鸣老师给我支配的一个作业。
在座的从事人工智能干系学习或研究的有不少。
我记得我自己大学一、二年级的时候是在学习用 FORTUNE,C 措辞编程,而今日来找我请教的大一、大二的同学会跟我磋商如何建模去识别女孩子饰品这类的问题,以是说 computing science 在过去讲的是 computing,而如今关注的是 data science,变成了 data-driven 的 computingscience,统计的、大数据的、打算的建模越来越多。
过去是 Bigdata, big model, big computing 这三个成分在推动学术研究和家当发展。
所有的打算从 PC 到移动设备有一种聚合的趋势,聚合到云打算、数据中央。
但是天下之事,分久必合合久必分,在未来的十到二十年,我认为很多打算会到互联网的边缘,会到我们的 device 端,乃至有些还是在不联网或无线联网环境下,依赖电池或本地的动力支持如发动机去进行本地的打算。

本日我想跟大家更多地分享一下我个人关于家当向前发展的思考,一些“干货”。
我本日提出一个新的种别,叫做嵌入式人工智能,意为不是在云打算或数据中央而是在互联网的边缘。
我认为从现在开始,我们会看到从边缘开始的一种革命,正如从2012开始深度学习所引起的革命,一样平常来说,革命都是从边缘开始的。
2012年4月我在西安一次会议上作了一个关于深度学习的讲座,那时深度学习还是一个处于边缘的课题,而如今已发展为风暴的中央。
当今人工智能的打算大多数都在 BAT 的数据中央,在云上面,但我们会创造,有一个巨大的机会阔别数据中央,在互联网的边缘。

我这个想法是从哪里来的呢?先从我个人的经历谈起,我自己在深度学习这个领域事情了二十多年,之前在美国硅谷的NEC Labs领导一个打算机视觉小组,也是天下上第一个做干系项目的小组。
我的小组在2010年第一届ImageNet Challenge上拿到环球第一名。
2012年返国加入百度,创立了业界首个人工智能中央 IDL Center,如今已是业界最具影响力的人工智能中央,我至今还认为它非常出色,汇聚了很多精良的人才,包括百度的自动驾驶团队,中国最早的自动驾驶项目。
虽然我博士毕业以来一贯在工业领域发展,但我与学术界一贯保持着紧密的联系。
分享一个小片段,2009年参与 ICML(International Conference of Machine Learning,)时我和几位朋友共同组织了一个关于深度学习的 workshop,日后这几位朋友分别加入了 APPLE、Google、Facebook 这样的大企业去建立人工智能中央,可以看到这样一个征象,便是深度学习在很短的韶光内迅速影响了天下上最伟大的高科技公司。
2014年我也引荐 Andrew Ng,也是我多年的朋友,加入了百度,这是首次有环球有名的 technical leader 加入中国公司,在国内外都引发巨大震撼,我至今都引以为傲。
时至今日,腾讯或者阿里巴巴都难以找到这样一位级别的技能专家。
我个人认为未来原创技能改变天下的创举一定会从中国发生,这也是我加入百度的缘故原由,我初到百度做自我介绍时谈过,我希望未来大家谈到人工智能领域的顶级公司不仅只想到 Google,也会商到百度。
我想这点在今日该当已经实现了,中国人工智能领域处于前沿位置的公司便是百度。

本日我们不谈深度学习的算法,而是去磋商一个正在发生或是下一个发生的风暴是什么。
我从2013年年底开始思考未来,认为未来有三大趋势,第一个我称之为新摩尔定律。
摩尔定律在过去的二三十年推动全体环球科技界在向前发展。
摩尔定律指每十八至二十四个月,打算机的本钱会低落一半,性能则会提升一倍,使打算和运用不断发展,按此规律推算,到2045年,每1000美元可以买到的打算资源险些就等同于本日人脑的打算能力,即目前天河二号的打算能力,天河二号的功耗为1000瓦,而人脑只有20瓦。
到2045年是不是会这样呢?Intel 已经于去年正式宣告摩尔定律已经守不住了,速率已经放缓。
那么到底是什么成分会去推动全体打算向前发展呢?全体摩尔定律已经在按其余一个轨道在发展,已经不是每个单位面积上晶体管的数目,而是架构的改进,使得打算由逻辑运算向人工智能运算演进。
那么人工智能运算是提升 CPU 工艺向前发展,还是设计一个新架构,这是个问题。

让我们来看一下人脑是若何事情的。
我们的人脑是 general 的、像 CPU 一样的 computer,还是一个 special purpose 的 computer?人脑是一个分外硬件还是一个通用打算的硬件?认为是通用打算的请举手(不少同学都举起手来)。
还是有不少同学这么认为。
人脑确实很发达,有很强的打算能力,但如果你认为这样人脑便是通用打算的硬件了,那我来问一下,你看你能回答这个问题吗?(PPT 上显示:1729×568=?) 你会创造,面对这样一个大略的问题,你会以为如此的无奈。
你会创造,人脑不是无所不能的,它的能力明显有边限。
当然人脑有它善于的东西,比如这个(PPT 上涌现了一段在一定程度上打乱了顺序的笔墨,现场不雅观众惊异地创造,这并不影响阅读,乃至有人都没有创造顺序被打乱了)。
我们创造,原来大脑是这么奇妙,这么分外,它的机制可能和现在显示器的逐行扫描、顺序扫描是完备不同的机制。
它对图像是并行处理的,因此对顺序是不敏感的。
但是背后又有一个 language model,还有一个类似于 recurrent neural net 的东西在进行 correct。
我们创造,原来人脑是有所长、有所短的。
在漫长的进化过程中,人在不断地发展和自己生存有关的能力,而和生存无关的能力,发展则是不敷的。
以是说,人脑是一个分外设计的硬件。
同时人脑还有很多个不同的子系统,比如有一部分是专门对听觉优化的,有一部分是专门对视觉优化的,前几年有一个得到诺贝尔奖的创造,创造人脑中有一块是专门卖力定位的,相称于 GPS。

我们看到,如果我们做通用途理器,做 CPU,那么它可能非常 flexible,由于它可以做很多任务。
但它全体 efficiency 并不高。
但如果针对每个人物做专门的优化,会把 efficiency 提高两到三个数量级。

给大家讲一个我自己经历的故事。
2011年,谷歌大脑的项目,当时都是用 CPU 来做的打算。
当时我们加入百度,开始在百度做深度学习打算,用的是 GPU。
我们私下里不断的比较,比较 CPU 跟 GPU 的效率。
2012年的 GPU 比 CPU 效率大概要快四十倍旁边,但是 Google 的一些人见告我们,他们的 CPU 优化的非常好,听说能达到 CPU 跟 GPU 只是六倍的difference。
但是我们以为很难相信,这一点就跟我们的数据太不一样了。
我们以为 GPU 做深度神经网络的性能明显要更高嘛。
不管怎么说,我们开始 launch 我们的系统,大规模利用 GPU 来做打算,到后来证明我们是对的。
Google 后来也开始大规模地利用GPU。
以是实际上,百度比 Google 更早利用 GPU。
以是 Andrew 在2014年5月份加入百度,他接管采访时说,当时加入百度的缘故原由,当然除了余凯,其余还有一个缘故原由,便是可以随便买 GPU。

到了14年,广告系统上线跟语音系统上线都须要实时打算,并且它的流量特殊大,特殊是广告,这种情形下 CPU 跟 GPU 实在都扛不住,以是我们当时用 FPGA 去做专门的硬件加速。
这时我们更加复苏地认识到,硬件对打算力有多么主要。

好,我们现在看其余一个趋势,这个趋势便是从中央到边缘。

我们可以看到从 PC 互联网到移动互联网到 internet of smart things,实际上对 AI 的哀求越来越高。
对 PC 互联网来说,对 AI 的哀求实在没有那么高,但在移动互联网上,这种哀求涌现了。
比如说最近我们看到今日头条的新闻,它跟百度一个很不一样的地方是百度是即搜即得,而今日头条是不搜即得。
这个“不搜即得”,在移动设备上,由于它有一个主动去做推举的机制,使得人机交和信息的获取更加智能更加的高效。
未来,这些移动设备上,会有越来越强的AI需求。
我们有很多的打算,会从数据中央往这些移动设备上去转移。
在这些设备上,做 perception,做人机交互,还有决策等事情。

这些打算哀求 low latency,没有延迟,并且是实时的,low power,low cost,并且是 privacy protect 的。
那我们看到,便是说在汽车上面的话呢,就说这是一个很大的一个运用处景。
不可能前面有小孩子溘然横穿马路,你还要把数据传上数据中央,处理完了往后再传回来,这是不可想象的。
以是一定要本地打算,要实时处理没有延迟。
很多移动设备,比如 Amazon 的 Echo,便是把很多打算往边缘设备上去推,使得它全体的用户体验会更好,这也是未来的一个趋势。
又比如监控摄像头,中国去年一共支配了一亿个。
监控摄像头的资料,实在存3个月就扔掉了。
未来,对付所有这些摄像头,都会有专门的处理器,去处理实时的视频,这是一个大的趋势。
孙正义认为,很多打算未来会在边缘进行,边缘的这些设备上的打算,使得这些设备变成了机器人。
他认为,15年往后,机器人的数目会超过人类,达到一百亿个。
孙正义基正是基于这样一个逻辑,他以极高的溢价收购了英国的 ARM,300多亿美金。
以是这因此 VC 的思维去做几百亿美金的巨型并购。

第三个趋势,是在边缘的竞赛,便是更快更高更强。
比如本日的每辆车,有1个摄像头,便是倒车的摄像头,但未来的自动驾驶是均匀8到12个摄像头。
Tesla 的新车上,已经有8个摄像头了。
然后每个摄像头,会从720P的解析度到1080P的解析度,到高清的4k,由于解析度越高,你可以看得更远。
其余一点,未来的10到20年韶光,由于自动驾驶技能的发展,会使得高速公路上的汽车的均匀的速率从100公里每小时到靠近它的物理的极限——200公里每小时,速率会越来越快,这是一个 global trend,这哀求处理的数据量持续增长,以是在边缘上,打算会持续的追求更快更高更强,这是一个新的竞赛。

未来的5到10年,最具颠覆性的家当机会是什么?我跟大家分享一下我的思考。
常日来讲,家当机会分成两个阶段,常日的话,我们会看到,首先是一波2B的机会。
2B的机会,便是 Enabling Technology,公司便是做 technology 本身的。
它是供应枪炮弹药的,给谁供应呢?给第二波的机会供应。
第二波的机会是什么呢?便是 Technology-enabled Business。
当然这些都是2C的。
2B便是给 Enterprise 供应做事。
这些 Enterprise 再去捕捉 consumer-orient 的机会。
这个 pattern确实在历史上反复发生。
举一个例子,当年 PC 互联网刚涌现的时候,韶光是在90年代末,那时没有一家互联网公司是挣钱的,大家都看到了这里面存在机会,但在这个阶段,首先要做的事情是把架构、网络给做起来吧? 以是 CISCO 这样的公司会表现得更好。
其余也会有一些2B的培训师等等,这个阶段整体上属于为B端造枪造炮供应弹药的阶段,这算是一种曲线救国吧。
然后才有2C的大的互联网公司的涌现,比如 Google。
再比如移动互联网,首先要有 CDMA 这样的软件算法,放在芯片里面,使每个移动设备 stay connected。
然后才是 Apple 这样的公司的崛起。
中国的大部分投资者、创业者和企业家,他们看重的便是这样一波机会。

在我们进入这个市场的时候,美国人把这些根本技能已经做完了,从2000年开始到本日,我们是在享受上个世纪八九十年代科技发展的所带来的的一个环境,然后我们去做了这些用户导向的企业。
但本日我们去看这个全体这个创业环境,2C的这种创新实在代价已经非常的高昂,比如嘀嘀融了上百亿美元,美团也有几十亿美元,这个投资实在越来越沉重。
实在你想想看,当时 Google 只融了两千万美元就上市了,百度差不多也便是千万美元,腾讯也是如此。
在那个时候实在有大把的机会去捕捉。
但是现在的话呢?八九十年代技能创新所带来的这些能力实在已经被发掘的差不多了,以是我们会创造创新越来越沉重。

好,然后我们来看一下未来的机会。
过去的12个月里,大概近半年的韶光里,我们看到全体高科技行业有一个机会,本日所有的这个二级市场投资者都开始研究它、关注他,这个让他们以为很 surprised。
由于在全体高科技市场比较低迷的时候,有一只股票是 NVIDIA,从20块钱到现在涨到差不多100块钱,曾经一度到119块,在过去一年多的韶光里发展了5倍,是全体高科技市场发展速率最快的一个机会。
这里面核心的逻辑实在很大略,他便是造枪造炮嘛。
现在很多企业,无论大小,纵然不知道深度学习用来干什么,怎么挣钱,大家都要去抢购 GPU 这些。
以是我们也非常看重这点,希望做一个深度神经网络的这种处理器,让大家能够利用这些软硬件结合的办理方案。

我们从一个更大的尺度来看,这是今年市值排名前20名的高科技公司,我们可以看到里面有8家是互联网公司,还有8家是半导体公司。
大家不要只看互联网公司,个中有非常非常硬的科技公司,他们是很赢利很赢利的。
八家硬科技公司里面发展得最快的两家,一家是 NVIDIA,一家是 AMD。
我们做深度学习的处理器也是由于看到了这种趋势,便是软件算法跟人工智能和半导体的结合会催生爆发式的发展。
我们的关注点是加速 inference 的效率,打造低功耗高性能的办理方案,让很多 device 端也具有人工智能的能力。

如果把我们去和硬件厂商比较较,他们去优化的是 number of operation per cost,但我们去优化的是什么呢?我们不是一个传统的硬件厂商,我们实际上是软硬结合的2B的买卖,我们优化的是 performance per cost。
我们首先从系统的角度来做优化,我们会设计专门软件算法的实验过程,然后根据这个软件算法来设计一个硬件的架构,然后再用这个硬件架构,去优化我们的软件,末了通过 compiler 和 runtimelibrary 使软硬件之间的差距更小。
还有一个理念很主要,便是不要关注笼统的问题,而是要办理详细的任务,否则繁芜程度会让你难以驾驭。
通过软硬件优化,我们可以把性能提升两到三个数量级。

我为什么认为这个非常主要?跟大家分享我自己的亲自经历,这是当时百度第一辆自动驾驶汽车,把这个后备箱打开,可以看到里面全是机器,最早里面有好多飞线,现在已经做得很好了。
但是散热问题还没有办理。
到本日为止,无论是百度还是 Google 的无人驾驶汽车,这些自动驾驶的车每开两个小时就要停下来散热,由于里面热得受不了。
冬天完备不须要开空调暖风。
这个问题为什么难办理?功耗为什么降不下来?由于你没有从系统级的层面来优化全体东西。
软件框架不断往前迭代,硬件架构也须要相应迭代,感知能力极大提升。
自动驾驶连续发展的话,会创造感知能力不是最紧张的,最紧张的问题变成决策。
自动决策方面的繁芜程度超出想象。
我们的目标是打造一款芯片,功耗和本钱只有目前市情上顶尖处理器的几十分之一,但性能为其两三倍。
不才个月德国柏林的 BCW 会议上我们也会分享我们在自动驾驶方面软件算法和处理器架构的进展。
乔布斯在手机上实现了去掉键盘和鼠标操控,在平板上去掉了书写笔,而我们的目标便是用五年的韶光把所有遥控工具全部去掉,完备实现人体感知,想要实现这一年就须要完备重构软件和硬件,让处理器和真个系统的功耗足够低,体积足够小。
我们不仅仅是做软件算法,我们专注于自动驾驶,智能家居和公共安全这三个垂直市场,未来几年这三个市场都会爆炸式的增长。

末了我想分享一下,人工智能改变天下,真正改变人工智能,改变天下的是人才。
人工智能目前最缺的便是人才。
这是我第一次在业界揭橥我的判断和意见,我相信跟你们在媒体上看到的都很不一样,我乐意分享的缘故原由便是我以为雷鸣老师做的这一个研究中央非常故意义,由于我们缺少的便是人才。
我在斯坦福教课的时候有个学生,目前几家环球前五十的人工智能公司都提到他做的公司。
实在他这个公司初始的一个想法是当时上我课的时候完成的一个项目。
他当时设计了一个大略单纯的机器人来自动识别蔬菜地的杂草并用生态的办法除草,本意是希望办理加州菜农雇佣大批墨西哥造孽移民除杂草的社会问题,同时获实现无污染的蔬菜栽种。
基于此想法,异日后真的做成了一个公司,今日美国有10%的生菜地都在利用他的机器人除草。
能通过我与学生的互换帮助一些年轻人做成一些事情,对此我也感到很骄傲。

我过去还带过两个学生,一个后来在密歇根大学做教授,另一个目前是深度学习领域的旗手。
杨健朝是我当年带过两年的演习生,当时我们俩合著的打算机视觉的论文在 CVPR 引用次数达到两千多次,在这次会议中环球引用率最高。
另一个演习生周曦,目前是中国最好的一家人脸识别公司云从科技的 CEO。
贾杨清的导师推举他来跟我做深度学习,本日他开拓的Caffe 在业界已经如雷贯耳。
李沐是我当初招募的百度 IDL 少帅学者,他开拓的 MXNET 是亚马逊云打算的官方深度学习平台,影响天下的年轻人,非常了不起。
另有两名百度少帅学者李磊,今日头条实验室主任,和顾嘉唯,麻省理工学院环球TR35创新者。

以是我鼓励年轻人来地平线演习和事情,我相信地平线现在所做的事情是站在时期前沿,供应足够激动民气的发展和学习机会。

我们做的事情从软件到硬件,到编译器,到操作系统,去改变驾驶,改变机器人,去运用到未来的方方面面。
我以为我也乐意去跟大家一起去发展。
我们对付增量性的创新没有兴趣,我们要做的是颠覆性的创新。
这便是我本日的分享。
感激!

这里,我们特殊拈出“嵌入式人工智能——从边缘开始的革命”这一话题,为读者呈现当日课程的精彩片段。

雷鸣对话余凯:人工智能的边缘机会

边缘机会将会是未来的风暴

宣讲一开始,余凯老师首先表示,他是来讲干货的。
当你刚以为他要走技能路线,他却又说,本日他也不谈深度学习、天生对抗网络等等。
他希望和大家分享的是他的“思考”。
这一思考的工具,便是嵌入式人工智能。
他认为目前嵌入式人工智能不在数据中央,不在云上面,而是处在互联网的边缘。
“革命每每从边缘开始,”余凯老师说,“星星之火,可以燎原。
”他举了屯子包围城市的例子。
“深度学习几年前还处在一个边缘的地位,而今已经成为风暴的中央。
本日我们的人工智能打算,大部分都在BAT的数据中央,在云上面,而我本日要向大家展示的,正是这样一个边缘机会,它阔别BAT,阔别云,却是一个正在形成的风暴。

对付这个形成中的风暴,余凯老师从两个角度进行了表述,或者说论证,首先是商业的角度。
余凯老师认为,从人工智能当前的发展情形看,运用的场景首先是to B,然后才是to C。
这一起径在PC互联网的崛起和移动互联网的崛起过程中都看得很清楚。

“比如90年代末,那时没有一家互联网公司是挣钱的,大家都看到了这里面存在机会,但在这个阶段,首先要做的事情是把架构、网络给做起来吧? 以是 CISCO 这样的公司会表现得更好。
然后才有to C的大的互联网公司的涌现,比如 Google。
再比如移动互联网,首先要有 CDMA 这样的创新,高通把这样的软件算法放在芯片里面做to B的买卖,然后才是 Apple 这样的to C公司的再次崛起。
中国的大部分投资者、创业者和企业家都是2000年以来发展起来,只看到这样一波to C的机会,而不太了熟习美国80-90年代核心技能打破而导致的to B的巨大机会。

什么才是“边缘机会”

“我们从一个更大的尺度来看,这是今年市值排名前20名的高科技公司,我们可以看到里面有8家是互联网公司,还有8家是半导体公司。
大家不要只看互联网公司啊,个中有非常非常硬的科技公司,他们是很赢利很赢利的!

余凯老师点明了他认为的“边缘机会”:“如果把我们去和硬件处理器厂商比较较,他们去优化的是什么?是单位本钱下的打算性能,但我们去优化的是什么呢,我们不是一个传统的硬件厂商,我们实际上是软硬结合的toB的买卖,我们从系统的角度来做优化,我们会设计专门软件算法的实验过程,然后根据这个软件算法来设计一个硬件的架构,然后再用这个硬件架构,去优化我们的软件。

正如前文所说,余凯老师认为的边缘机会,是人工智能领域to B的系统优化做事,详细来说,可以表述为嵌入式专用人工智能系统,其物理形式,可能是一个小小的芯片。
但个中蕴含了软硬件结合联合优化的繁芜过程。

“我为什么认为这个非常主要?跟大家分享我自己的亲自经历,这是当时百度第一辆自动驾驶汽车,把这个后备箱打开,可以看到里面全是机器,最早里面有好多黑线,当然现在已经做得很好了。
但是散热问题还没有办理。
到本日为止,无论是百度还是 Google 的无人驾驶汽车,这些自动驾驶的车每开两个小时就要停下来散热,由于里面热得受不了。
冬天完备不须要开空调暖风。
这个问题为什么难办理?功耗为什么降不下来?由于你没有从系统级的层面来优化全体东西。
软件框架不断往前迭代,硬件框架须要相应迭代,这个架构的优化是非常繁芜的,繁芜到超出想象。

探求出路:软硬件的联合优化

“如何定义嵌入式系统和通用打算系统?你现在的项目,是一种非常专用的小芯片,还是有很大的通用性?” 雷鸣老师的问题一开始波澜不惊。

余凯老师回应:“随着新的摩尔定律的涌现,我们会瞥见越来越多的专用架构设计,由于它必须针对分外的任务去做专门的优化,比如我们有专门的视觉神经网络,它的构造跟听觉神经网络实在是很不一样的,跟我们卖力定位的大脑部分实在也很不一样。
当你的打算能力很难连续打破的时候,比如说量子打算还没有实现的时候,只有进行专门的优化,我们才能够连续往前奔跑,去实现特定场景下面的摩尔定律。
以是,我认为我们会朝分外定制化这个方向去走,但是这种分外定制化的任务实在也没有太多,比如我们的大脑功能,也便是基本的视觉、听觉、三维感知等。
以是说专门化是嵌入式的一个实质特色。
其余一点,便是低功耗,一定要低!
无人机本来可以飞个两个小时,结果只能飞3分钟。
再比如汽车,由于的新能源汽车实在都是烧电池的,跑5百公里和只能跑50公里,这是很不一样的。
以是这方面如果不去做这种专门的优化,未来的电动车也很难往前发展。
其余我认为这里须要软件跟硬件的联合优化,联合优化是什么意思呢?实质上来讲,该当是一个软件,比如地平线实质上是一个软件公司,但我们只不过是把一部分东西给硬件化了而已。
以是我基本上总结了3个方面。
第一,专业化,使摩尔定律连续往前;第二,低功耗,低功耗,低功耗!
第三,软硬结合。

如何看待空想和现实的抵牾

“专业化过程中须要办理问题,比如办理听觉方面的问题。
办理完之后,我们又进行软硬结合,但现在算法迭代,速率非常快,那么硬件化之后,新的算法怎么办?会不会我们这批东西出来往后,过了半年,实在它的性能比起新的东西,已经差了很多。
这个抵牾在实际过程中是怎么去搪塞的?”

余凯老师回应:对,这是做硬件的一个很大的风险。
软件算法不断的每3个月往前去迭代,3个月往后的最好的算法跟现在比又很不一样,以是硬件投入的话资金本钱很高,一个处理器从投入到末了形成战斗力要3年韶光,这个韶光跟你投多少钱没紧要,由于你必须得一步一步从架构到设计,然后到验证到后端到封装等等。
还包括软件,包括系统软件,以是这个迭代的速率非常的慢,这很难驾驭。
像我们的话,实际上,都是软件跑到前面,我们基本上把很多软件算法的研发都已经跑到明年了,我以为创业便是要赌。
如果什么东西都看到,完备放在桌面上,你才去做的话,那不叫创业,那叫事情。

雷鸣老师谈了自己的想法:“我谈谈我自己的一点想法,刚才看到你说了新的架构,我们从性能到本钱,再到所谓的效果上来看,我刚才算了一下,你在性能上能取得很大提升对吧?我们说摩尔定律基本上一两年也就翻一翻,以是我以为,觉得上如果你做专用的东西,比起通用的,其实在很多地方,一两年的韶光还是有的,这是做这件事的上风。
第二点,我在想,如果说你有通用打算加软件上风的话,硬件实在大家都是一样的。
以是,你比别人先做,那你便是有上风的。

余凯老师表示认同:“对,推动办理方案,比起单独的专用硬件,一个明显的困难是在实行层面。
困难在于节奏感,假如一下错位了,本钱跟韶光的投入就让创业者一下子万劫不复。
这本来就很难,创业本来便是在刀锋上面行走。

雷鸣老师则连续指出这一边缘机会的另一上风:“我以为好在,大概你在这个这个路上走的时候并没有那么多人跟你竞争,以是,中间的话我以为还能让我们去犯一些缺点。
而如果现在在做移动互联网时犯任何一个小错,机会就没有了。

以上是两位老师的干货分享。
更多精彩内容,请收看教室的视频录像。

课程先容

“人工智能前沿与家当趋势”课程由北京大学开设,并面向"大众开放。
课程由人工智能创新中央主任雷鸣老师主持,共14节,每节课约请一位人工智能领域顶级专家和行业大咖作为主讲高朋,就人工智能和一个详细行业的结合深度磋商,剖析相应技能的发展,如何影响家当,现状及未来趋势、对应寻衅和与机遇。
所有课程干系信息、关照都会在文末的"大众号发布。

课程参与办法

扫描下方二维码,关注"大众年夜众号

扫码福利:

⊙ 直播、录播课程地址

⊙课程精华笔墨版

⊙人工智能互换群入群办法

⊙ 群内逐日精选AI内容更新

⊙ 参与群内活动并有神秘大咖进群互换互动

「招聘」

全职、编译和活动运营

欢迎演习生

以及人工智能翻译社志愿者

详细信息请进入公众年夜众号点击「招聘」

或发邮件至 jobs@aiera.com.cn