英特尔大数据技术全球CTO戴金权:人工智能和大数据是数字经济的基石
原创
2022-03-30 16:17 星期三
科创板日报记者 黄心怡
当下,各类科技企业、互联网巨头、初创公司等都纷纷投入人工智能产业之中,但在人工智能的热潮之下,同样需要冷思考。

《科创板日报》(上海,记者 黄心怡)讯,人工智能已经走过了60多年的历程,当前正处于第三次发展浪潮之中。各类科技企业、互联网巨头、初创公司等都纷纷投入人工智能产业之中,也吸引了大量资本的涌入。但在人工智能的热潮之下,同样需要冷思考。

近日,英特尔院士、大数据技术全球CTO戴金权接受了《科创板日报》记者的专访,探讨人工智能和大数据的应用瓶颈、拓展方向以及数字经济所带来的机遇。

他表示,人工智能当前还处于一个比较早期的阶段,从开发者和实验室走到现实的生产环境,在这个过程中存在一定的脱节。如何针对不同的场景做适配,以及如何实现整个端到端的流水线打通,都有比较大的挑战。

但戴金权依然对人工智能未来表示看好。他认为,除了安防外, AI在制造业、数据中心智能运维、互联网业务等领域都有很大的应用空间

在谈到数字经济的机遇时,戴金权认为,人工智能和大数据是数字经济的基石。在数字化之后,必然会产生大量的数据。首当其冲的是需要对这些数据进行管理。其次,在拥有大量的数据资产后,便可以利用大数据、AI技术对其进行分析,并以此来进行一些预测,甚至帮助人们做出决策。

image

▍以下是《科创板日报》整理的专访实录:

人工智能尚处于早期阶段

《科创板日报》:当前,AI赋能各行各业的时候遇到了很多难点,例如,AI在中长尾场景的应用非常碎片化,这意味着需求大量的定制化,较难实现大规模应用,不知道您如何看待这个问题?

戴金权:我同意你的说法,今天AI还处于比较早期的阶段,虽然我们看到在实验室里、研究环境里有很多的创新成果出来。但这些技术要落到现实的应用里,仍旧存在许多挑战。

比如,从数据到处理再到AI模型,怎么实现整个端到端的流水线打通;AI模型能否更好地针对各种场景进行优化,以及AI依赖于定制化的软硬件平台难以扩展,如何做到普适化,让更多人方便地应用AI。这些都是目前我们所遇到的难点。

虽说挑战很多,但是我们依然很有信心。AI是一种技术,也是一个产业发展的方向,在未来必定大有可为。

《科创板日报》:国内企业正在研发预训练大模型,试图解决上述问题,您多年在英特尔从事全球性技术研发工作,从全球角度来看,大家会有哪些应对举措?

戴金权:这取决于不同的技术路线。比如您刚刚提到的预训练大模型,这是最近两三年大家非常关注的一个方向——首先利用像Transformer这样的新模型架构,在大量的模型上进行预训练,之后再在下游的任务上进行适配和调优。目前无论是国内还是国外,大家都在做很多这方面的探索,其范围涵盖了自然语言处理领域、计算机视觉领域等。

去年,我们和汉堡王有一个合作,利用Transformer架构做了推荐系统上的一些尝试,也达到了很好的效果。当然,这其中存在技术难点。当模型越来越大,所需要的数据量和对计算的需求也越来越大。除此之外,在进行部署的时候,对资源和计算速度的高要求都造成很大挑战。

为此,英特尔对模型进行了各种各样的优化。例如把浮点数运算转换为整型运算,并且利用诸如VNNI、DL Boost等加速指令来帮助模型进行量化,以提高它的速度;对模型进行稀疏化等,使其在各种不同的硬件平台上,从笔记本到嵌入系统,到边缘服务器,再到云端的大算力,都能够很好地进行部署,真正拓宽其应用。我们希望,通过硬件的加速,训练模型架构上的创新,以及软件的优化,综合起来达到更好的效果。

从实验室走向产业应用存在脱节

《科创板日报》:在碎片化的AI应用场景,数据量比较少,是导致模型训练存在困难的原因,您对此怎么看?

戴金权:这其实存在两个问题,一是数据量不多,我们可以通过预训练,或者通过迁移学习、多任务学习、元学习等各种方法来解决。

二是,有数据但没有标签,这是经常会遇到的情况。我们和合作伙伴工作的过程中会发现有数据,但给数据打标签本身的代价非常高。迄今为止,我们本质上还处于“监督学习”,仍旧需要在标签上做更多努力

目前有很多探索方向,比如大家都在积极探索的“无监督学习”、“自监督学习”等技术。至于是否到了非常成熟的阶段呢?可能还没有,但是我们仍旧认为这个方向是大有可为的。

《科创板日报》:除了碎片化需求, AI在落地和实施方面还存在哪些痛点?

戴金权:从开发人员的角度来看,在开发机上完成开发后,要在大规模的数据集群上试验,进行生产化部署,整个过程在今天来说还是有非常大的瓶颈。

特别是很多的开发人员,就是一个数据科学家,并非专门做高性能计算、分布式计算的开发人员。为了把AI成功应用到生产环境当中,这些数据科学家就需要在分布式大规模的场景上进行实际的部署,在整个过程中是有一些脱节的

在这方面我们做了一些初步的工作,包括推出开源大数据项目BigDL 2.0。通过构建“数据+AI”的可扩展平台,把AI应用或者流水线,能从笔记本无缝地扩展到分布式大规模的云集群当中去,做到在笔记本开发和在云上开发是一样的体验。

这样,数据科学家可以更加集中在自己想做的模型、算法的创新上,而不用管底层大规模分布式如何进行,也不用管怎么从笔记本迁移到云里。

数据是数字经济发展的关键要素

《科创板日报》:中国正在大力发展数字经济,今年两会的政府工作报告上也提出要培育人工智能等数字产业。近年来,AI主要在安防、公共安全等领域有一定应用,大量的公司也都集中在这个领域竞争。您是否看到,AI在其他行业有新的机会?

戴金权:安防当然是非常重要的一块。英特尔也有物联网事业部,在智能摄像头、智能摄像机方面做了非常多的工作。

同时,中国是一个制造业强国,如何将这些AI计算机视觉技术应用到制造业之中,比如在缺陷检测等方面,存在较大的发展空间。

此外,在电信运营商和数据中心领域,无论是基站还是数据中心的时序数据,都可以利用时序分析对其进行智能运维;在通讯网络或者数据中心里,通过AI预测负载变化来省电,进行更合理的资源调度和任务分配等;在互联网业务或者是在线服务当中,则可以利用AI进行各种各样的推荐以及内容挖掘。这些都是非常重要的应用舞台。

在我看来, AI开始把大量的数据处理分析和深度学习、机器学习技术结合在一起,对场景进行适配或应用,的确带来很多不同的新应用机会。不管是针对更精准的匹配,还是更好的质量检测,或是想要更加绿色、环保、节能的发展,AI都有着很多的可能性。

大数据分析也是应用非常广泛的技术,无论在国内还是国外,各行各业都有非常广泛的应用。从某种意义来说,大数据分析也是今天数字经济的一个基石。

《科创板日报》:您刚刚讲到,大数据和AI技术都是数字经济的基石。现在大家都很关注数字经济领域的机会。不知道您如何看待数字经济所涵盖的上下游产业链,以及哪些技术应用更为核心关键?

戴金权:首先,无论是资产、运作、还是生产活动,都在越来越多地进行数字化。而数字化之后必然会产生大量的数据。比如一个大城市,会拥有几十万、上百万的基站,这些基站中的设备每隔几秒钟就会产生大量的数据。首当其冲的便是如何对这些数据进行管理,包括存储、处理等。

第二,在拥有数据资产之后,利用大数据技术,结合机器学习、深度学习的技术进行挖掘,得到所谓的“洞见”,即我们说的“有什么趋势、模型是什么样的”。在此基础上我们便可以做预测,甚至帮助人们做一些决策。

像在电信行业,随着5G网络的发展,对网络运维的要求越来越高,如何更好地分配带宽和频谱?对于5G网络的功耗问题,如何通过智能调整来进行节能省电?这些都是在网络数字化的基础上可以做的事。

《科创板日报》:当下,人工智能算力需求的增长速度大大超过了芯片算力的进步,算力不足成为普遍现象,驱动计算架构从单一通用架构(CPU+GPU)到混合异构架构(CPU+GPU+FPGA+XPU),您对此的看法是?

戴金权:英特尔的策略是XPU。这是一个超异构的架构,包括像CPU的标量计算、GPU的矢量计算、FPGA这样的空间计算以及各种各样的加速器。英特尔已经做了相应的技术规划,在XPU超异构的架构上提供不同的计算架构来支撑不同的计算应用。

但是,当存在很多不同的异构架构时,对软件开发人员来说是一个非常大的挑战。所以,我们提出了oneAPI策略,希望从软件层帮助用户在跨不同架构时,都能进行同样的编程。通过oneAPI这样的工具加上底层的计算库等,提供一个非常无缝的编程体验。然后在上层,能够在XPU硬件架构以及oneAPI的软件支持下,构建一个可扩展的“数据+AI”的平台,给用户带来计算效率、开发体验、开发效率的多维度提升。

收藏
95.14W
我要评论
欢迎您发表有价值的评论,发布广告和不和谐的评论都将会被删除,您的账号将禁止评论。
发表评论
要闻
股市
关联话题
3.89W 人关注
7604 人关注
7225 人关注