至頂網伺服器頻道 05月13日 新聞消息： 深度學習正在“轉化計算”方式， 英偉達公司在其本屆GPU Tech大會上努力傳達出這樣一條資訊。 而圍繞著這一主題， 英偉達公司將自身打造為引領者、催化劑以及深度學習的推動者——當然， 從長遠角度來看， 其自然也將成為主要獲利方。
而且有跡象表明， 英偉達公司正將其未來押注在人工智慧（AI）這一領域當中。 其最近發佈的“深度學習研究所”專案計畫在今年年內吸引到10萬名開發人員。 另外， 英偉達公司已經在2016年年內培訓出1萬名開發者。
過去幾年以來， AI已經逐步涉入“科學中的方方面面”，
Estes解釋稱， 英偉達公司希望成為開發者眼中利用AI作為關鍵性元件構建應用的最佳聖地。
“深度學習”已經被許多高校納入電腦科學課程， 但還鮮有高校提供專門的學位——特別是AI學位。
憑藉其深度學習研究所， 英偉達公司計畫面向“工業 、政府與學術界”提供“上手”式培訓課程。 Estes同時強調稱， 其目標在於“説明開發人員、資料科學家與工程師瞭解如何對神經網路進行訓練、優化與部署， 從而解決不同學科所面臨的現實問題。 ”
如何將AI引入應用？
Tirias Researh公司首席分析師Kevin Krewell在採訪中表示， “深度學習的挑戰在於很難上手， 從業者往往也弄不清該如何將其引入傳統應用開發當中。 ”
他同時指出， “我認為英偉達公司正致力於建立一套更為廣泛的開發人員培訓課程， 旨在引導其適應機器學習的現有開發方法。
Krewell補充稱， 英偉達公司的優勢在於“機器學習能夠在GPU等加速器之上擁有更出色的處理表現， 這就形成了與單純CPU之間的比較優勢”。
伴隨著深度學習研究所專案的出爐， 英偉達公司亦開始與各AI“框架”社區與高校建立起多項合作關係。 目前其合作方已經包含Facebook、Amazon、穀歌（TensorFlow）、梅奧診所、斯坦福大學以及Udacity。
這種與框架廠商間的合作至關重要， 因為每一位元AI應用程式開發者都需要依賴於雲及深度學習資源。
Tirias Research公司首席wvsjgm Jim McGregor在採訪中指出， “對於應用開發人員而言， 最困難的就是獲取雲資源與大規模資料集。 舉例來說， 移動供應商會將機器學習引入其設備，
英偉達公司能夠提供硬體資源與成熟的軟體模型， 但McGregor補充稱“開發人員仍然需要服務供應商與資料集的支援方能完成任務。 ”
根據英偉達方面的說明， 該公司亦著手與微軟Azure、IBM Power以及IBM Cloud團隊進行協作， 旨在將各類實驗室內容移植於雲解決方案當中。
英偉達公司目前已經開始向Adobe、阿裡巴巴、印度IIT Bombay以及國家健康研究院（簡稱NIH， 為全球規模最大的生物醫學研究機構， 屬於美國健康與人類服務部的下邊機構）等客戶提供培訓服務。
漫長的征途
Krewell認為“英偉達公司的深度學習方案之所以獨一無二，
在Krewell看來， 英偉達深度學習研究所專案的目標在於“加快深度學習在實際程式設計工作中的推進速度， 並由此將更多GPU元件引入長期開發流程。 ”
那麼以Xilinx等其它晶片供應商為例，其提供的深度學習專用型FPGA是否能夠提供類似的培訓項目？
並不一定。Krewell表示，“FPGA目前在機器學習方面仍存在程式設計複雜度過高的問題。使用FPGA確有好處（大家亦可像谷歌那些利用TPU自行設計ASIC），但GPU更具通用性且提供現成選項。另外，GPU的功能也更為豐富。除了機器學習之外，GPU亦可用於處理圖形計算任務。”
真實案例
英偉達公司計畫著力宣傳一批立足英偉達平臺並開發出包含深度學習要素之程式/產品的企業。
作為其中之一，來自中國的初創企業Infervision公司已經開發出一套人工智慧輔助型CT系統，可用於對肺癌進行診斷。
Chen Kuan, Infervision公司CEO
Infervision公司創始人Chen Kuan在很大程度上可以算是AI技術浪潮的標誌性代表。他的專案展示了AI技術如何幫助放射科醫生閱讀CT掃描與X射線圖像，從而更早且更為有效地檢測肺癌患者的可疑病灶與結瘤。
Kuan並未參與過英偉達公司的開發者培訓，但他在2012年于芝加哥大學攻讀經濟學與金融學專業時，曾受到英偉達公司一份深度學習平臺介紹手冊的啟發。Kuan回憶稱，“一位朋友把這份手冊推薦給我，而我馬上沉迷其中。”
在2012年的總統大選當中，Kuan與芝加哥大學及麻省理工學院中的其他學生一起開發出一款程式，其負責利用AI對Twitter內容進行歸類，從而瞭解公眾對於Barack Obama與Mitt Romney兩位候選人的看法。
這也是Kuan所經歷的第一次深度學習洗禮。2014年，作為在讀博士生，他回到中國以立足各個行業尋求AI應用商機。經歷了多次會議，一位來自中國頂級醫院的放射科醫生給出提議，認為深度學習驅動型癌症診斷方案大有可為。正是這一建議催生出Infervision公司，同時也讓Kuan步入了事業正軌。
通過對這位醫生意見進行提煉，Infervision最終拿出了項目草案。如今，Kuan表示中國已經有超過100家醫院與Infervision合作，旨在對CT掃描/X射資料加以分析並進行結果比對。
而作為另一大助力，Kuan的深度學習產品亦借得AlphaGo的東風——這套由谷歌Deep Mind開發出的圍棋AI成功在2015年首次擊敗人類職業棋手。到2016年，AlphaGo擊敗李世石的消息再度震驚世界。Kuan表示，“這一結果改變了中國醫學界懷疑論者的想法。在此之前，人們其實並不真正信任深度學習軟體。”
讓機器自行學習
自上世紀九十年代開始，醫生們一直在使用“R2等傳統電腦機器視覺程式”檢測肺癌疾病。然而與Infervision公司的新型深度學習程式不同，R2這類產品要求醫生告知設備其要找到哪些跡象並對相關細節作出描述。開發此類程式往往需要豐富的專業經驗，但Kuan表示其準確度卻“仍然不高”。
目前，Infervision公司能夠引導機器自主完成學習。“機器已經能夠自行學習相關領域中的要點並找到具體特徵，”Kuan解釋稱。但他同時補充道，機器學習仍然依賴於醫院收集到的大量資料，且需要投入相當多的時間。
幸運的是，自2002年爆發非典以來，中國政府已經在各大醫院推行新的IT系統。多數頂尖醫院亦擁有自己的資料中心，用於存儲所有成像資料。當然，他承認並非所有存儲圖像都完美可用。“如果存儲資料的解析度較低，那麼其就屬於典型的垃圾素材。”
目前，Infervision公司正與早期採用者合作以檢查程式的測試效果。為了實現業務擴展，Infervision公司亦在等待中國食品藥品監督管理局（簡稱CFDA）的批准。
到目前為止，Kuan表示電腦的診斷結果與人類放射科專家相比，確實“很有發展前途”。事實上，對於尺寸大於6毫米的癌變結瘤，電腦與醫師擁有基本相當的判斷能力; 但如果結瘤小於3毫米，則電腦的表現明顯更好。
Kuan承認，科學家們無法解釋電腦如何得出判斷結論——這正是深度學習技術的一大缺點。然而，深度學習軟體的目標並非取代放射科醫師。他解釋稱，其關鍵在於利用電腦來驗證專家給出的結果是否正確。
”那麼以Xilinx等其它晶片供應商為例，其提供的深度學習專用型FPGA是否能夠提供類似的培訓項目？
並不一定。Krewell表示，“FPGA目前在機器學習方面仍存在程式設計複雜度過高的問題。使用FPGA確有好處（大家亦可像谷歌那些利用TPU自行設計ASIC），但GPU更具通用性且提供現成選項。另外，GPU的功能也更為豐富。除了機器學習之外，GPU亦可用於處理圖形計算任務。”
真實案例
英偉達公司計畫著力宣傳一批立足英偉達平臺並開發出包含深度學習要素之程式/產品的企業。
作為其中之一，來自中國的初創企業Infervision公司已經開發出一套人工智慧輔助型CT系統，可用於對肺癌進行診斷。
Chen Kuan, Infervision公司CEO
Infervision公司創始人Chen Kuan在很大程度上可以算是AI技術浪潮的標誌性代表。他的專案展示了AI技術如何幫助放射科醫生閱讀CT掃描與X射線圖像，從而更早且更為有效地檢測肺癌患者的可疑病灶與結瘤。
Kuan並未參與過英偉達公司的開發者培訓，但他在2012年于芝加哥大學攻讀經濟學與金融學專業時，曾受到英偉達公司一份深度學習平臺介紹手冊的啟發。Kuan回憶稱，“一位朋友把這份手冊推薦給我，而我馬上沉迷其中。”
在2012年的總統大選當中，Kuan與芝加哥大學及麻省理工學院中的其他學生一起開發出一款程式，其負責利用AI對Twitter內容進行歸類，從而瞭解公眾對於Barack Obama與Mitt Romney兩位候選人的看法。
這也是Kuan所經歷的第一次深度學習洗禮。2014年，作為在讀博士生，他回到中國以立足各個行業尋求AI應用商機。經歷了多次會議，一位來自中國頂級醫院的放射科醫生給出提議，認為深度學習驅動型癌症診斷方案大有可為。正是這一建議催生出Infervision公司，同時也讓Kuan步入了事業正軌。
通過對這位醫生意見進行提煉，Infervision最終拿出了項目草案。如今，Kuan表示中國已經有超過100家醫院與Infervision合作，旨在對CT掃描/X射資料加以分析並進行結果比對。
而作為另一大助力，Kuan的深度學習產品亦借得AlphaGo的東風——這套由谷歌Deep Mind開發出的圍棋AI成功在2015年首次擊敗人類職業棋手。到2016年，AlphaGo擊敗李世石的消息再度震驚世界。Kuan表示，“這一結果改變了中國醫學界懷疑論者的想法。在此之前，人們其實並不真正信任深度學習軟體。”
讓機器自行學習
自上世紀九十年代開始，醫生們一直在使用“R2等傳統電腦機器視覺程式”檢測肺癌疾病。然而與Infervision公司的新型深度學習程式不同，R2這類產品要求醫生告知設備其要找到哪些跡象並對相關細節作出描述。開發此類程式往往需要豐富的專業經驗，但Kuan表示其準確度卻“仍然不高”。
目前，Infervision公司能夠引導機器自主完成學習。“機器已經能夠自行學習相關領域中的要點並找到具體特徵，”Kuan解釋稱。但他同時補充道，機器學習仍然依賴於醫院收集到的大量資料，且需要投入相當多的時間。
幸運的是，自2002年爆發非典以來，中國政府已經在各大醫院推行新的IT系統。多數頂尖醫院亦擁有自己的資料中心，用於存儲所有成像資料。當然，他承認並非所有存儲圖像都完美可用。“如果存儲資料的解析度較低，那麼其就屬於典型的垃圾素材。”
目前，Infervision公司正與早期採用者合作以檢查程式的測試效果。為了實現業務擴展，Infervision公司亦在等待中國食品藥品監督管理局（簡稱CFDA）的批准。
到目前為止，Kuan表示電腦的診斷結果與人類放射科專家相比，確實“很有發展前途”。事實上，對於尺寸大於6毫米的癌變結瘤，電腦與醫師擁有基本相當的判斷能力; 但如果結瘤小於3毫米，則電腦的表現明顯更好。
Kuan承認，科學家們無法解釋電腦如何得出判斷結論——這正是深度學習技術的一大缺點。然而，深度學習軟體的目標並非取代放射科醫師。他解釋稱，其關鍵在於利用電腦來驗證專家給出的結果是否正確。