在近日於美國矽谷舉行的一場繪圖處理技術大會(GPU Tech conference)上， Nvidia要傳達的中心思想是“深度學習正在讓運算技術轉型(transforming)”；在這個大主題上， 該公司將自己定位為火種、催化劑以及深度學習的推動者， 還有──以長期來看──最大的獲利者。
眾多線索透露Nvidia將未來發展押注於人工智慧(AI)， 包括該公司最近公佈的“深度學習機構(Deep Learning Institute， DLI)”計畫， 目標是在今年將深度學習開發者的數量提升到10萬人；在2016年， Nvidia培訓了1萬名深度學習開發者。
Nvidia負責開發者專案的副總裁Greg Estes表示， AI在過去幾年已經進軍科學的各個領域， 成為包括癌症研究、機器人、製造業到金融服務、仿冒品檢測以及智慧視頻分析等各種應用的內部元素；Nvidia期望能成為培訓利用AI做為應用程式關鍵元素之開發者的最前線。
目前“深度學習”在許多學校的資訊科學課程中都有教授， 但很少有學校提供專門的AI學位；Estes表示， Nvidia計畫透過DLI為產、官、學界提供實務培訓，
如何將AI融入應用程式？
市場研究機構Tirias Research首席分析師Kevin Krewell接受EE Times採訪時表示， 深度學習的挑戰在於很難開始並厘清如何將之融入傳統的應用程式開發：“我認為Nvidia正在嘗試讓更多開發者接受訓練， 瞭解如何將機器學習融入現有的開發專案。 ”
他指出， 不同于傳統程式是佈署演算法來執行任務， 機器學習是一個分為訓練與佈署的兩階段程式；而Nvidia的優勢在於能藉由GPU等加速器讓機器學習的性能表現更好， 而不只是依靠中央處理器。
根據Nvidia提供的資料， 該公司在推動自己的DLI深度學習機構之外，
另一家市場研究機構Tirias Research的首席分析師Jim McGregor表示：“對應用程式開發者來說， 最困難的事情是雲端資源以及大型資料集；舉例來說， 手機供應商想在設備上推動機器學習， 但為這些設備開發應用程式， 需要雲端/深度學習資源與資料集來進行訓練， 但這是手機供應商並沒有提供的。 ”
McGregor指出， Nvidia可以提供硬體資源以及成熟的軟體模型， 但：“開發者仍需要服務供應商以及資料集。 ”而NVIDIA則表示， 該公司還與 Microsoft Azure、IBM Power以及IBM Cloud 等團隊合作， 攜手將實驗室內容移植到他們的雲端解決方案。
根據NVIDIA的新聞稿， 其DLI已在全球各地訓練許多開發人員， 客戶包括Adobe、阿裡巴巴 (Alibaba)、SAP等知名企業；以及美國國家衛生研究院(NIH)、美國國家科學與技術中心、巴賽隆納超級運算中心等官方研究機構以及新加坡淡馬錫理工學院、孟買印度理工學院等高等學術機構。
長期作戰
Krewell認為， Nvidia深度學習策略的獨特之處在於“現場實務課程”這個部分：“其他非學校的項目看來都是線上培訓， 例如Udacity/Google的免費課程；”而在他看來， Nvidia的DLI可望加速深度學習在實際軟體程式的應用， 並因此在長期上有助於該公司的GPU銷售。
那麼其他晶片供應商， 例如也推動其FPGA在深度學習領域應用的Xilinx， 難道不能也提供類似的培訓計畫？
深度學習催生新一代癌症診斷方案
Nvidia積極培育深度學習開發人才並與產、官、學界合作提供實務訓練課程；那麼其他晶片供應商， 例如也推動其FPGA在深度學習領域應用的Xilinx， 難道不能也提供類似的培訓計畫？
對此市場研究機構Tirias Research首席分析師Kevin Krewell認為並不儘然：“FPGA對於機器學習程式設計來說仍然太複雜， 採用FPGA (或是像Google的TPU那樣自行設計ASIC)會有一些優勢，但GPU普遍可得、立即可用而且功能多樣化，可以被用來執行顯示器也可以執行機器學習。”
Nvdia推廣深度學習的實際成功案例
Nvidia特別介紹已經在該公司平臺上開發深度學習程式/產品的公司，像是一家中國新創公司推想科技(Infervision)，目標是為肺癌診斷開發人工智慧斷層掃描(CT)診斷解決方案。
推想科技創辦人暨首席執行官陳寬(CK)自己就是AI浪潮中的代表性人物之一，他開發的程式將展現新科技如何協助醫療放射技師讀取CT掃描與X光結果，以更早期、更有效率地檢測肺癌患者的可疑病灶以及結節。
陳寬並沒有參與Nvidia的培訓，但在2012年于美國芝加哥大學主修經濟與金融學科時偶然看到了一份Nvidia深度學習平臺的介紹：“是我一個朋友給我看的，而我就被迷住了。”
他在2012年的美國總統大選期間，與其他芝加哥大學以及麻省理工學院(MIT)的學生合作利用AI開發一個程式，能分類推特(Twitter)上兩黨候選人奧巴馬(Barack Obama)以及羅姆尼(Mitt Romney)的貼文，偵測公眾對候選人的觀感；這是陳寬在深度學習領域的首次投入。
2014年，還是博士班學生的陳寬回到中國於不同產業尋找AI商機，在多場面談之後，有一位在中國頂級醫院任職的放射科技師提供他一個關於開發深度學習癌症偵測技術可能性的靈感，並因此催生了推想科技；陳寬可說是遇到了貴人。
專業醫師的採納是推想科技開發之程式不斷精進的關鍵因素，陳寬表示，現在中國有超過100所醫院正在與該公司合作，導入斷層掃描與X光設備擷取的資料並比較結果。
而陳寬之深度學習產品的分水嶺，出現在Google旗下人工智慧公司Deep Mind開發之AlphaGo於2015年擊敗人類圍棋高手的那時候；AlphaGo在2016年再度於一場與人類棋士的對決中獲勝。陳寬表示：“在那之後，中國醫療社群對AI仍抱持懷疑的人都改變了態度；不然沒有人真的信任深度學習軟體。”
讓機器自己學習
陳寬表示，醫師們自1990年代就已經開始使用傳統的電腦輔助機器視覺軟體，例如R2；但R2與推想科技的新一代深度學習軟體程式不同，醫師必須要先告訴機器要找什麼、描述尋找物件的特徵，儘管也是集合許多專家開發的成果，但準確度並不是很高。
推想科技是讓機器去學習該找什麼：“機器會自己學習該注意的實際區域以及需要尋找的物件特徵；”不過陳寬強調，這樣的學習得仰賴從各家醫療院所長時間收集的大量資料。
幸運的是，自從2002年爆發的SARS疾病大流行，中國政府積極在大型醫院推動設置新一代IT設備；陳寬表示，很多一線醫院已經有自己的資料中心，儲存所有的影像資料。當然，那些儲存的影像並不是都很完美：“如果解析度太差，就會成為GIGO (garbage in, garbage out)的經典案例。”
目前推想科技正在準備完成來自參與早期採用項目的放射技師測試結果，而為了擴大其業務規模，該公司也正在等待中國食品藥品監督管理總局(CFDA)對其軟體的批准。
陳寬表示，到目前為止看來，在人類放射技師以及電腦之間的比較研究結果“相當有前途”，兩者能同時找到大於6mm的癌變結節；而電腦在3~6mm或更小的結節搜尋上表現更佳。不過他也坦承，科學家們還無法解釋電腦是如何能得出特定結論，這是深度學習的一個缺點。
而他也強調，深度學習軟體的目的不是要取代放射師，關鍵在於人類專家與電腦合作，驗證出正確的結果。
編譯：Judith Cheng
本文授權編譯自EE Times，版權所有，謝絕轉載
採用FPGA (或是像Google的TPU那樣自行設計ASIC)會有一些優勢，但GPU普遍可得、立即可用而且功能多樣化，可以被用來執行顯示器也可以執行機器學習。”Nvdia推廣深度學習的實際成功案例
Nvidia特別介紹已經在該公司平臺上開發深度學習程式/產品的公司，像是一家中國新創公司推想科技(Infervision)，目標是為肺癌診斷開發人工智慧斷層掃描(CT)診斷解決方案。
推想科技創辦人暨首席執行官陳寬(CK)自己就是AI浪潮中的代表性人物之一，他開發的程式將展現新科技如何協助醫療放射技師讀取CT掃描與X光結果，以更早期、更有效率地檢測肺癌患者的可疑病灶以及結節。
陳寬並沒有參與Nvidia的培訓，但在2012年于美國芝加哥大學主修經濟與金融學科時偶然看到了一份Nvidia深度學習平臺的介紹：“是我一個朋友給我看的，而我就被迷住了。”
他在2012年的美國總統大選期間，與其他芝加哥大學以及麻省理工學院(MIT)的學生合作利用AI開發一個程式，能分類推特(Twitter)上兩黨候選人奧巴馬(Barack Obama)以及羅姆尼(Mitt Romney)的貼文，偵測公眾對候選人的觀感；這是陳寬在深度學習領域的首次投入。
2014年，還是博士班學生的陳寬回到中國於不同產業尋找AI商機，在多場面談之後，有一位在中國頂級醫院任職的放射科技師提供他一個關於開發深度學習癌症偵測技術可能性的靈感，並因此催生了推想科技；陳寬可說是遇到了貴人。
專業醫師的採納是推想科技開發之程式不斷精進的關鍵因素，陳寬表示，現在中國有超過100所醫院正在與該公司合作，導入斷層掃描與X光設備擷取的資料並比較結果。
而陳寬之深度學習產品的分水嶺，出現在Google旗下人工智慧公司Deep Mind開發之AlphaGo於2015年擊敗人類圍棋高手的那時候；AlphaGo在2016年再度於一場與人類棋士的對決中獲勝。陳寬表示：“在那之後，中國醫療社群對AI仍抱持懷疑的人都改變了態度；不然沒有人真的信任深度學習軟體。”
讓機器自己學習
陳寬表示，醫師們自1990年代就已經開始使用傳統的電腦輔助機器視覺軟體，例如R2；但R2與推想科技的新一代深度學習軟體程式不同，醫師必須要先告訴機器要找什麼、描述尋找物件的特徵，儘管也是集合許多專家開發的成果，但準確度並不是很高。
推想科技是讓機器去學習該找什麼：“機器會自己學習該注意的實際區域以及需要尋找的物件特徵；”不過陳寬強調，這樣的學習得仰賴從各家醫療院所長時間收集的大量資料。
幸運的是，自從2002年爆發的SARS疾病大流行，中國政府積極在大型醫院推動設置新一代IT設備；陳寬表示，很多一線醫院已經有自己的資料中心，儲存所有的影像資料。當然，那些儲存的影像並不是都很完美：“如果解析度太差，就會成為GIGO (garbage in, garbage out)的經典案例。”
目前推想科技正在準備完成來自參與早期採用項目的放射技師測試結果，而為了擴大其業務規模，該公司也正在等待中國食品藥品監督管理總局(CFDA)對其軟體的批准。
陳寬表示，到目前為止看來，在人類放射技師以及電腦之間的比較研究結果“相當有前途”，兩者能同時找到大於6mm的癌變結節；而電腦在3~6mm或更小的結節搜尋上表現更佳。不過他也坦承，科學家們還無法解釋電腦是如何能得出特定結論，這是深度學習的一個缺點。
而他也強調，深度學習軟體的目的不是要取代放射師，關鍵在於人類專家與電腦合作，驗證出正確的結果。
編譯：Judith Cheng
本文授權編譯自EE Times，版權所有，謝絕轉載