7月27日，英特爾在北京召開了主題為“智能端到端，英特爾變革物聯(lián)網(wǎng)”的視覺解決方案及策略發(fā)布會。在此次發(fā)布會上，英特爾面向中國市場推出了基于英特爾硬件平臺的專注于加速深度學習的OpenVINO工具包，可幫助企業(yè)在邊緣側快速實現(xiàn)高性能計算機視覺與深度學習的開發(fā)。
物聯(lián)網(wǎng)加速人工智能在邊緣計算中的應用
此前人工智能的很多運算處理都是發(fā)生在服務器、數(shù)據(jù)中心這樣的云端，因為只有在這樣的一個環(huán)境里面才能提供強大計算力和便利的支撐。但是，隨著物聯(lián)網(wǎng)時代的到來，將會有越來越多的設備和傳感器接入網(wǎng)絡，情況正在發(fā)生改變。
根據(jù)IDC預測，到2020年全球會有超過500億的智能設備，超過2120億個傳感器。這也意味著每天都將會產(chǎn)生海量的數(shù)據(jù)。
根據(jù)研究機構預測，隨著物聯(lián)網(wǎng)的快速發(fā)展，到2020年每個互聯(lián)網(wǎng)用戶每天將生成約1．5GB的數(shù)據(jù)，一個智能醫(yī)院每天將產(chǎn)生超過3000GB的數(shù)據(jù)；每臺自動駕駛汽車每天將生成超過4000 GB的數(shù)據(jù)；聯(lián)網(wǎng)飛機每天將產(chǎn)生超過40000GB數(shù)據(jù)；一個智慧工廠聯(lián)網(wǎng)，假如說有一千多臺設備，每臺設備上有很多個傳感器，時時刻刻都會產(chǎn)生數(shù)據(jù)，那么整個智慧工廠每天產(chǎn)生的數(shù)據(jù)量將是1PB。到2020年全世界每天產(chǎn)生的數(shù)據(jù)總量將是44ZB。（注：1ZB就是1000EB，1EB是1000PB、1個PB是1000TB，1TB是1000個GB。）
面對如此海量的數(shù)據(jù)，如果仍然只是依靠云端來做數(shù)據(jù)處理的化，這將對云端的計算力和網(wǎng)絡帶寬都帶來了極大的挑戰(zhàn)。雖然計算力和通信技術也在不斷發(fā)展，但是這個速度還是難以趕上數(shù)據(jù)增長的速度。所以，邊緣計算，即數(shù)據(jù)在終端側進行人工智能分析和處理早已是大勢所趨勢。
IDC預測，到2018年將有45％的物聯(lián)網(wǎng)數(shù)據(jù)需要在邊緣進行存儲處理和分析（足見物聯(lián)網(wǎng)對于在終端側部署人工智能需求的增長之快），有50％的物聯(lián)網(wǎng)的網(wǎng)絡會面臨帶寬的問題。正是由于物聯(lián)網(wǎng)所帶來的海量數(shù)據(jù)的增長以及對于帶寬的極大挑戰(zhàn)，在終端側部署人工智能已經(jīng)變得非常必要。
而且，在終端側部署人工智能，還有著數(shù)據(jù)處理的實時性更高、低延時，更低的帶寬需求的優(yōu)勢。比如在自動駕駛領域，對應這方面的要求就非常的高。
另外，在終端側部署人工智能也有利于數(shù)據(jù)隱私的保護。因為很多用戶是不希望把數(shù)據(jù)上傳到云端的，希望這些數(shù)據(jù)在本地進行處理，本地處理完以后，上傳的是一些是經(jīng)過處理完以后的特殊的數(shù)據(jù)，對隱私保護相對比較高的場景，也需要一些數(shù)據(jù)放在邊緣進行處理。
可以說，隨著物聯(lián)網(wǎng)的發(fā)展，正在加速人工智能在邊緣計算中的應用，但是這并不意味著云端人工智能就不需要了、就會走向消亡。云端人工智能它能夠把數(shù)據(jù)源進行匯總，它能夠做一些更綜合的應用。如果要給用戶提供一個完整的人工智能服務和解決方案，一定是一種邊緣與云端協(xié)同的端到端的人工智能解決方案。
目前，包括英特爾在內(nèi)的一些廠商都能夠提供端到端的架構了，所以現(xiàn)在“分布式計算”的概念已經(jīng)是一個比較成熟的概念。也就是說，做云端解決方案的人需要把它的架構切到邊緣來，幫助解決邊緣的問題。
在英特爾看來，“視頻（攝像頭）是物聯(lián)網(wǎng)的終極傳感器”。確實，在邊緣側，視頻所帶來的信息流是最為龐大的。值得注意的是，2016年－2012年網(wǎng)絡視頻監(jiān)控流量增長了700％。也就是說，在物聯(lián)網(wǎng)時代，視頻將是人工智能應用爆發(fā)的一個關鍵點。因此，視頻監(jiān)控領域也成為了英特爾端到端人工智能方案的切入重點。
英特爾的全棧式AI硬件解決方案
對于英特爾來說，在云端的服務器及數(shù)據(jù)中心市場，英特爾是絕對的老大，市場占有率超過9成。針對這塊市場，英特爾擁有Xeon處理器與Xeon Phi處理器，以及能支持各種對特定運行負載進行最佳化的加速器，包括現(xiàn)場可編程化邏輯閘陣列（FPGA），以及Nervana。
相對來說，CPU并不適合用來做人工智能運算，不過英特爾依然能夠通過集成的GPU，再結合FPGA來實現(xiàn)云端的人工智能運算加速。更何況，英特爾2016年還以4億美元的高價收購了機器學習初創(chuàng)公司Nervana，將推出一款專為深度學習而打造的神經(jīng)網(wǎng)絡處理器。
在終端側，英特爾除了可以利用其現(xiàn)有的針對終端的CPU、集顯、FPGA產(chǎn)品之外，2016年9月，英特爾收購了計算機視覺芯片公司Movidius，開始加碼終端側的人工智能布局。Movidius的Myriad 系列 VPU目前有被大疆Spark無人機、谷歌Clips相機等知名廠商的產(chǎn)品采用。去年，英特爾還推出了針對終端設備進行人工智能加速的Movidius神經(jīng)計算棒。
▲英特爾副總裁兼物聯(lián)網(wǎng)事業(yè)部中國區(qū)總經(jīng)理陳偉博士
“我們英特爾有自己的CPU，有自己集顯GPU，在加上我們的Movidius、Nervana這些加速技術，還有FPGA，至少從硬件的角度來講，我們是可以根據(jù)應用去勾勒出一個功耗、成本最優(yōu)化的端到端的全棧式解決方案，這是我們的一個起點?！庇⑻貭柛笨偛眉嫖锫?lián)網(wǎng)事業(yè)部中國區(qū)總經(jīng)理陳偉博士表示：“要獲得好的人工智能體驗，就需要有多元的、高質量的硬件平臺，但是，將這些硬件直接應用到人工智能應用上，還有很多的壁壘。主要的壁壘是怎么樣能夠深度的挖掘和充分的運用硬件的能力?！?/p>
我們都知道，同樣一種人工智能算法，應用到不同的硬件平臺上，所得到的效果差異會非常的大。因為一種算法通過是根據(jù)某個硬件平臺來優(yōu)化的。
由于不同的網(wǎng)元所能提供的計算量是不一樣的，它能夠支撐的操作系統(tǒng)也各不相同的，因此有各自適用的不同的芯片架構。而不同的芯片往往有各自不同的開發(fā)方法，這樣對開發(fā)者而言就帶來一定的困擾，也就是說如果我們?yōu)槟骋环N芯片所開發(fā)的軟件換了一個架構以后，它可能是不適用的，這樣無形中就增加了開發(fā)的門檻。
那么如何讓終端廠商能夠輕松的采用同樣一套AI算法，輕松實現(xiàn)從云端到終端側的跨平臺部署，并發(fā)揮出各個硬件平臺的能力呢？對此英特爾推出了全新的視覺推理和神經(jīng)網(wǎng)絡優(yōu)化工具套件OpenVINO。
123下一頁>（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
