梦飞科技 > 中国IDC > IDC新闻 > 国内资讯 > 解析机器学习应用:数据中心和云计算成为企业新战场

解析机器学习应用:数据中心和云计算成为企业新战场

机器学习作为一种实现人工智能的方法,近年来成功案例数日益攀升,已经从一个相对模糊的计算机科学概念,迅速发展成为企业经济的影响因素,因此,机器学习领域存在大量的资金投入也就一点儿也不让人感到奇怪了。

麦肯锡公司的一项调查显示,在2013年至2016年期间,人工智能开发投资总额增加了两倍,其中大部分投资——200亿至300亿美元——都来自一些科技巨头,这些公司希望能够产生机器学习以及其他人工智能模型,而这些技术在未来对于他们的客户来说,会变成像今天的移动和网络一样至关紧要的东西。

人工智能技术之所以能够如此吸引人,是因为存在巨大的商业价值。Gartner预测到2020年,人工智能技术在新的商业软件中会变得无处不在,而且将成为30%的首席信息官投资优先级中排名前五的技术之一。

事实就目前看来,人工智能市场中大部分的推动力都来自于那些树大根深的公司:

· 英伟达已经成为GPU中的主导者,成为机器学习培训阶段的首选平台。到目前为止,这是机器学习绝大部分的焦点所在。

· 英特尔推出了Nervana神经处理器(Nervana Neural Processor),这是一款低延迟、高内存带宽芯片,据说这款处理器是专门为了深度学习设计的。(英特尔于2016年收购了Nervana)。

· 谷歌的张量处理单元(Tensor Processing Unit,TPU)已经在机器学习加速器市场上站稳了脚跟,现在已经发展到第二版本。第一个版本是谷歌开发的一款专用集成电路(ASIC),目标是为了在其自己的服务器上加速其语音转换文本应用程序的推理;和第一个版本相比,第二个版本——云TPU(Cloud TPU)——更像是一个高性能的TPU集群,旨在作为训练模块与英伟达(Nvidia)竞争。

简单而言,机器学习直接来源于早期的人工智能领域,传统算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等等。

机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同,机器学习基于大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。

本文主要针对数据中心云计算,而这本身就是一个巨大的市场,也是机器学习的根基。Linley集团的首席分析师Linley Gwennap预测,以数据中心为导向的人工智能加速器市场到2022年将达到120亿美元的规模:“在接下来的一到两年里,我们将开始看到更多数据中心和其他设备的选择。”他认为,“目前,类似谷歌和Facebook这样的科技巨头面临的问题是,‘我该坚持设计自己的芯片吗?或者,如果企业能够在开放市场得到同样的经济效益,我需要尝试吗?’”

机器学习下一阶段

很多公司会交替使用机器学习深度学习人工智能和神经网络等技术,尽管这些技术彼此之间存在着微妙的差别,但总的来说,都是基于实时数据,计算机可以权衡很多不同的情况,并根据这些预设的权重做出最好的选择——也就是数据挖掘。加权的过程是“训练”阶段的一部分,而“推理”阶段是机器学习的核心。

数据挖掘是个很宽泛的概念,数据挖掘常用方法大多来自于机器学习深度学习机器学习一类比较火的算法——具有更多层次不同类型的分析,并最终形成更完善的解决方案,而这样做的代价是需要消耗更多的计算资源才能完成“训练”阶段。两者本质还是涉及神经网络,主机托管 深圳电信托管,它们围绕信息节点创建类似网状的连接,这与人类大脑中的神经元与周围的细胞进行网状连接的方式非常相似。人工智能是一个总括性的术语,对许多不同的人来说意味着许多不同的东西,从IBM的Watson到电影《2001:太空漫游》的HAL.但总来说,它指的是设备可以独立于显式编程学习行为。

机器学习的第二阶段就是“推理”,这个阶段基本上就是要把学习阶段的成果应用到特定的应用程序和细分市场,也就是算法被投入实际应用的地方,机遇更大。结果或许是大量获得风投支持的初创公司蜂拥而至。

ARM公司员工Jem Davies表示,“机器学习的推理和训练阶段完全是两码事。”

所谓推理,你可以做各种古怪的事情,如分拣黄瓜等。它更接近用户,这就是为什么你看到各种有趣的案例。但现在的手机也有预测性文本,和推理类似——这是25年前开始的。“推理是辅助自动驾驶的重要组成部分,从传感器收集上来的数据也需要基于机器学习进行预处理。


(责任编辑:梦飞科技)

分享按钮
相关文章