月度归档:2017年09月

搭载新型激光雷达、双方向盘设计,丰田的自动驾驶平台迎来重大更新

汽车行业的创新大潮不可阻挡,就连芯片巨头高通 CEO Steve Mollenkopt 都说,未来十年最令人兴奋的创新是汽车。所以,积极投入无人驾驶的并不只有科技公司,汽车厂商也在这一领域发力。

在今年 6 月举办的丰田汽车年度股东大会上,丰田汽车社长丰田章男对外表示,丰田将加大对无人驾驶的投资,「每年投入 1 兆日元(约合 616.9 亿人民币)扩大研发,考虑通过并购来获得无人驾驶技术,以便在未来更激烈的竞争中生存下来。」

如今,丰田已经开始有所行动。

3600 万美金投资激光雷达公司 Luminar

2015 年丰田汽车宣布在美国成立丰田研究所(Toyota Research Insititue,简称TRI),计划将在未来五年的时间里投入 10 亿美元,用于研究机器人和人工智能。

据雷锋网了解,TRI 将主攻自动驾驶技术——丰田与其他汽车厂商一样,对如何利用自动驾驶技术让汽车变得更安全、更高效以及更舒适非常感兴趣。

3600 万美元投资美国激光雷达新创公司 Luminar 是这家日本汽车厂商在自动驾驶领域的一次尝试。在 TRI 最新推出的 2.1 版本的自动驾驶平台上,就搭载了 Luminar 的激光雷达产品。

Luminar 由 22 岁的 Austin Russell 与合伙人共同创办,创办之初得到 Canvas Ventures,GVA Capital 和 1517 基金支持。今年 4 月,Luminar 宣布已研发出应用于自动驾驶汽车的激光雷达产品,并准备年内开始量产。

公开资料显示,Luminar 利用 1550nm 激光器获得了 40 倍于 905nm 激光器的激光脉冲强度。超强的功率使这款长波激光雷达的探测范围扩大了 10 倍,分辨率提高了 50 倍。扩大的探测范围对于一辆高速行驶的汽车来说意义巨大,因为一辆以 75 英里/时速行驶的汽车,每秒钟的移动距离高达 34 米。

激光雷达技术用激光测量距离,为汽车周围环境绘制精准 3D 图像。业内主流观点认为,如果想推出足够安全的自动驾驶汽车,激光雷达技术必不可少。

Luminar 位于佛罗里达的工厂正在建设之中。目前, Luminar 已经与 4 家企业合作,并计划在年底前开始生产 1 万台激光雷达。

双方向盘的自动驾驶汽车

除了投资重要传感器激光雷达,丰田还着眼于改进无人驾驶汽车,并将自动驾驶平台更新到了 2.1 版本。

这辆自动驾驶原型车由一辆雷克萨斯 LS 600hL 改造而成,搭载了激光雷达(包括 Velodnye 和 Luminar)、雷达和摄像头阵列等传感器,还具备两个方向盘,有两套刹车踏板。

在 Guardian 模式下,传感器识别驾驶员不能看到的障碍物(草堆),车辆自动更换车道,从而避免事故发生

双方向盘的设计就是为了研究:在复杂的驾驶环境中,如何使驾驶员和系统驾驶进行安全且有效的转换。按照丰田的说法,新的自动驾驶平台可以让侦测目标物和道路更加精准,寻找安全驾驶路线预测能力更强。

丰田表示,双方向盘设计可以完全模拟自动驾驶状态,当车辆「失控」时可以帮助安全员迅速掌控车辆,保证驾驶员的安全。在人类驾驶的情况下,这种方式还可以帮助机器学习人类行为。

目前 2.1 版本的自动驾驶平台已经可以实现自动规划最佳路线,实时记录道路标志和车道标记。

接下来,丰田准备在硅谷、密歇根安阿伯 (Ann Arbor)、马萨诸塞剑桥的公路上测试:最初会在封闭公路上测试,然后将在公共道路上测试。

丰田的无人驾驶布局

*丰田更新的各代自动驾驶原型车

自 2005 年以来,丰田开始在自动驾驶汽车方面有所投入,2006 年丰田已经开始在自动驾驶设备和技术方面申请专利。

在 2013 年的 CES 上,丰田推出了基于雷克萨斯的第一代(1.0)自动驾驶平台。今年 3 月推出了第二代(2.0)自动驾驶平台。9 月,这一自动驾驶平台更新到了 2.1 版本。

半年更新两次硬件平台,丰田在一定程度对外界传递的信息是:要在这一领域取得快速进展。

今年 5 月,丰田还宣布与英伟达进行合作。在未来几年,丰田将利用英伟达的 AI 技术开发无人驾驶汽车,包括采用英伟达 Drive PX 计算平台。此外,丰田还与微软、Uber 进行技术合作。

*丰田自动驾驶研究部门一览

自动驾驶对汽车厂商的重要性不言而喻,丰田章男在 6 月的讲话中则进一步佐证了这一趋势。

他说,汽车行业正经历巨大的变革,如果我们关注的内容脱离了行业未来的发展趋势,势必会影响丰田未来的发展。正因如此,丰田将加快在无人驾驶车和电动车领域的扩张步伐。

当然,丰田对自动驾驶模式的做法与其他汽车企业也有显著区别。Gill Pratt 去年曾表示,丰田构建了两种不同的产品模型:

  • Chauffeur 模式,汽车完全自动行驶,坐在车中的人只是乘客。

  • Guardian 模式,驾驶员可以在不同层面上介入车辆的行驶控制权。这种类型的产品主要以抱死制动系统和碰撞避免系统为主,目前已经应用在丰田量产车型上。

据雷锋网了解,两个项目的目标是实现四级自动驾驶(SAE)——能够在任何地方、任何时候、任何气候状况下实现自动驾驶的汽车,在这个过程中人无需任何操作。

对于这两种开发路径,丰田研究所 CEO Gill Pratt 认为,Guardian 的研发进度将大大快于 Chauffeur,并很快进行商用。而类似的技术,比如自动刹车系统(AEB)在今年就可以应用在汽车上。

此外,丰田与其它汽车厂商的设计理念不同,后者要求驾驶员按下按钮,在无人驾驶模式的启用与停用之间切换,丰田的切换则是在后台悄悄完成。

Gil Pratt 认为,完全无人驾驶技术尚不成熟,而且当前不少驾驶员依旧追求对汽车的操控乐趣。「以人工智能为核心、采用 Guardian 模式的车辆将在行业内占主导地位。」

丰田计划在明年在丰田和雷克萨斯的车辆上搭载下一代自动驾驶系统,在 2020 年推出一款实现高速公路自动驾驶的汽车。而在 2020 年东京夏季奥运会上,我们将看到丰田在自动驾驶领域的实际展示和落地运行。

PS: 近日,丰田汽车发布《自动驾驶白皮书》,就目前所规划的自动驾驶技术研发方向——高级驾驶辅助「Guardian」和全自动驾驶「Chauffeur」两大模式进行了具体阐述,并提出了丰田独有的自动驾驶技术理念——Mobility Teammate Concept。关注“新智驾”(微信 ID:AI-Drive),微信后台回复关键词“自动驾驶白皮书”即可下载丰田《自动驾驶白皮书》。

雷锋网推荐阅读:

专访丰田研究所负责人Gill Pratt:自动驾驶面临的挑战及现实问题

雷锋网

逐渐发声的腾讯云 发布第三代云服务器矩阵与异构计算

企业云上业务类型正在向一个多样化的趋势发展,在强大的计算力助推之上,业务场景驱动着技术的创新与变革。云计算厂商积极布局之时,一向低调的腾讯云,逐渐开始发声。

此次,腾讯云即发布第三代云服务器(CVM)矩阵,以及腾讯云数据中心在海外最新布局、第三代异构计算与智能产品、以及正在布局的下一代IaaS计划等内容。

新一代云服务器矩阵

云服务器属于云计算服务中最基础的模块,腾讯云所发布的第三代CVM矩阵,据雷锋网观察,一大特点即是根据不同业务场景的实际需求而制定的。

例如,截至目前,腾讯云提供的CVM矩阵包含26款实例,全面覆盖电商、视频、游戏、金融、基因测序、智能语音、汽车、医疗、物联网等192种业务场景。

面向存储业务场景,腾讯云推出大数据机型和IO密集型两款新的存储优化型实例——

  • 大数据型实例采用吞吐型HDD本地盘,顺序读写带宽最高可达2.3GB/s,相比普通本地盘提升4.7倍,适合对磁盘吞吐要求高的大数据业务;

  • IO密集型实例则采用本地NVMe SSD硬盘,随机IOPS最高可达100w IOPS,相比SSD本地盘,随机读写IOPS提升13.3倍,适合给对IOPS性能要求高的业务使用。

针对网络性能要求高的业务场景,腾讯云推出新型网络优化型实例——

该实例采用新型智能网卡,把原先在宿主机上虚拟交换机的实现offload到智能网卡,通过硬件来加速包转发,使网络转发性能从原有的40w提高到450w,以及高达25Gbps的网络带宽,网络延时大大降低,实现接近物理网卡的网络延时。这既可以满足用户高速计算的需求,也让用户能够在虚拟化网络中得到媲美物理机的性能体验。

在云盘产品上,腾讯云基于新一代的块存储技术推出两款新的云盘产品——

其中,主打高性能的超高性能SSD云盘,IOPS相比较现在的SSD云盘,IOPS从2.4w 提升到20w,性能提升8.3 倍,能有效满足大型关系数据库、NoSQL数据库等业务场景中对云盘高IO的性能要求;

而主打高吞吐的吞吐优化HDD云盘,相比较现在的普通云盘,其最大吞吐从100MB/s提升到500MB/s,提升5倍,满足大数据等业务对云盘高吞吐和数据安全性的双重要求。

在异构计算上,腾讯云将会推出一款新型GPU计算型GN9实例——

这款实例搭载新一代Intel Skylake CPU和最新一代英伟达 V100 GPU卡,单机最高支持8卡,在GPU计算性能上相比较第一代GN2实例将会有一个极大的提升,单精度浮点运算性能将提升8倍,双精度浮点运算性能将提升140倍,将GPU计算性能推向极致,进一步加速人工智能应用在各行业的落地。

说到此,腾讯云负责人还透露出一个有趣细节——这款即将推出的新型GPU计算型GN9实例所搭载的英特尔处理器Intel Skylake CPU,按产品排序来讲的话,应该是“Intel Xeon Gold 6133”,而不是目前这个独特的名字;此外,据腾讯云目前公布的信息来看,该款处理器显然被广泛应用在标准(网络增强)型、内存型、大数据型、网络优化型、GPU计算型、FPGA计算型等多种实例中,被腾讯云当作主力CPU使用。

向腾讯云求证这一疑问后,官方回复称,“是的,这是一款英特尔为腾讯云单独定制的一款处理器”。

这就比较有趣了,据雷锋网了解,早在今年2月份,阿里云即宣布其云服务器ECS实例新增基于阿里定制版英特尔至强Skylake处理器。如今,腾讯云公布此款同样由英特尔定制的至强Skylake处理器,那么,Intel下一代服务器处理器(至强E5 v5)到底由谁率先发布,就要看包括技术、资金、产品等多方因素综合角逐的结果来了。

回到原话题,在FPGA云服务布局方面,腾讯云还将推出两款新一代的FPGA计算实例——

基于赛灵思VU9P FPGA卡的FX3实例,单机最高支持8卡,每块卡大约包含250万个逻辑单元,6800个数字信号处理引擎, 峰值计算性能相比前一代FX2实例提升3倍;

基于Intel Stratix10 FPGA卡的FI3实例,单机最高支持8卡, 每块卡大约包含280万个逻辑单元,5760个数字信号处理引擎,单精度浮点运算性能达80TFLOPS。

CPU、存储、网络全面升级

雷锋网梳理总结,腾讯云自第一代云服务器以来的变化:

  • 第一代云服务器,采用第一代KVM虚拟化架构,搭配腾讯云自研的云管理平台Vstation,支持腾讯云开服初期的Web网站服务;

  • 第二代云服务器,整体架构设计进化为“KVM+全万兆双bonding网络”,在计算、存储和网络能力方面进行了升级,首次加入了异构计算,大幅提升了计算性能和系统稳定性,为电商、视频、游戏、金融等领域的客户提供服务;

  • 第三代腾讯云服务器则进行了更加彻底的技术革新与升级,它基于Intel Xeon Skylake至强处理器,全面支持25G双bonding网络环境,并采用了诸如分布式块存储技术4.0、网络虚拟化技术2.0和KVM虚拟化技术3.0等一系列业界领先的技术。

详细讲解腾讯云第三代云服务器的升级变化,则包括以下五点:

升级1:定制化全新处理器平台 

腾讯云第三代云服务器采用腾讯云定制Intel Xeon Skylake至强处理器,最高睿频可达3.7GHz。与过往采用至强系列处理器的云服务器相比,使用定制化Skylake处理器的新一代云服务器具有更高计算性能、更大内存带宽、更强存储IO性能、更低网络时延等优势。

升级2:全面拥抱25G网络环境

数据中心的网络架构正在从万兆转向25G,25G网络环境将成为构建下一代数据中心网络架构的主流。腾讯云第三代服务器将在今年下半年全面铺开25G网络环境,内网带宽将扩大至25Gbps,包转发率提升超100%,时延约降低30%,能全面支持游戏业务、视频业务、金融分析等实时性要求高的业务场景。此外,腾讯云还在实验室环境下展开了100G网络建设。

升级3:分布式块存储技术4.0 

得益于25G网络的大带宽传输,采用基于25Gb的RDMA超高性能网络框架的第四代分布式块存储技术带来了存储性能的全面提升。新推出的超高性能SSD云盘,其IOPS高达20w,性能提升10倍,能有效满足大型关系数据库(如Oracle、SQL Server)、NoSQL数据库(Hbase、Cassandra)、数据检索场景(如SAP Hana、ElasticSearch)等业务场景中对云盘IO的性能要求。此外,新推出的吞吐优化HDD云盘的峰值吞吐性能可达500MB/s,性能提升5倍。

升级4:网络虚拟化技术2.0 

腾讯云采用智能网卡实现网络性能加速,提出基于智能硬件的第二代网络虚拟化方案,推出国内首款基于智能网卡的云服务器实例——网络优化型实例N1,完美解决了传统虚拟化网络绕行到母机网卡的问题,使得网络收发包性能提升9倍,性能高达450万。 

升级5:KVM虚拟化技术3.0

新一代KVM虚拟化技术能够支持更多的硬件虚拟化,提供更加丰富的功能。与此同时,它支持超高速热迁移,150秒内可以完成不同物理机间实例漂移,让腾讯云成为业界首个大规模稳定应用热迁移的互联网云厂商。

从优势场景出发拓展上云业务

作为国内云计算领域领先者,阿里云与腾讯云之间,免不了被互相比较。由腾讯云此次分享的行业布局可以看出,目前仍以游戏与视频为主,而阿里云借助入局早的时间优势,在政务、金融等方面抢先占领。

对此,腾讯云计算产品中心总监沙开波对雷锋网表示,游戏与视频作为腾讯集团最大优势业务,自然不会放弃。

同时,沙开波表示,从计算产品角度来说,最重要的是对技术产品的定义——比如为最新产品设计一个新的计算实例,它并不是针对某一个行业的,而是针对某一个业务场景的。例如大型游戏和金融,对于网络吞吐要求比较高,可以采用的我们的网络优化实例。对于应用大数据的企业,其业务会用到大数据业务。我们推出这样一款大数据业务,其实是面向所有行业当中对磁盘吞吐量有较大需求的企业

但是,即便是在腾讯占据优势的游戏场景下,腾讯云仍是面对诸多挑战。沙开波对雷锋网举例称,大数据机型对于数据的读写带宽有很高要求,例如如何在腾讯的虚拟化环境中最大限度地发挥硬件的效用,就在软件层存在诸多挑战。

此外,在网络优化型实例中,腾讯云采用智能网卡技术,后者目前在整个行业处于发展阶段。原来大家都用物理机,根本不存在虚拟化带来的一些性能损耗。在公有云环境里,要提高灵活性,基本都会选择通过软件的方式实现,因此在此过程中,如何将软件带来的性能损耗降至最低,这也是很大的技术挑战和难点。总之,沙开波表示,每一种场景或者每一个机型需要面临的挑战都不一样,要视具体的业务场景而定。对腾讯云来说,未来最大的挑战可能来源于对某些具体业务场景的理解。

总之,沙开波对雷锋网称,腾讯游戏实力很强,游戏直播包括视频市场的增长也很快。在这两个市场,腾讯云目前肯定是走在最前面的。同时向传统行业拓展,无论是智慧交通,还是智能制造等行业,均有更多涉及,因为这些肯定是未来的主流。未来更大的一块蛋糕,肯定是如何助力传统行业上云。

雷锋网

2018 年,AI 芯片也许会出现在每一款旗舰智能手机上

进入到 2017 年 9 月,智能手机芯片行业发生了新的变化。先是月初华为在德国柏林国际消费类电子产品展览会上发布了全球首款人工智能芯片麒麟 970,接着苹果在新品发布会上宣布了 A11 Bionic 芯片的诞生。一时间,智能手机行业也拥抱上人工智能,移动 AI 芯片成为行业关注的焦点。

大势当前,无论是这个行业里的先行者还是后来者,都丝毫不敢怠慢。

华为:借用外力先走一步

麒麟 970 在 CPU、GPU 等传统芯片项目上的更新自不必说,我们关心的是它之所以被称为全球首款人工智能芯片的部分,也就是它内置的那块 NPU(Neural Processing Unit,神经网络处理单元)。

虽然华为并没有在发布会上重点强调,但我们需要指出,华为口中的 NPU 实际上就是中国科学院计算基数研究所旗下的寒武纪公司所自主研发的“寒武纪 1A 深度学习处理器”(Cambricon-1A Processor),寒武纪方面对它的介绍是“国际上首个商用深度学习处理器产品,在人工智能应用上达到了四核 CPU 25 倍以上的性能和 50 倍以上的能效。”。

作为专门为深度学习定制的模块,NPU 在特定任务上的表现令人吃惊。比如说在图片识别任务中,NPU 每分钟可以识别 2005 张,CPU 每分钟为 95 张,前者比后者多了 20 倍;当然在功耗上,也有飞跃式的提升。

当然为了配合 NPU,华为也在麒麟 970 中采用了 HiAI 移动技术架构,来使其性能最大化。而华为也在推出麒麟 970 的同时推出了一个开放 AI 生态环境,支持 Tensorflow/Tensorflow Lite 和 Caffe/Caffe 2 这两个比较主流的神经网络编程框架,方便开发者更好地在应用中调用 NPU。

目前来看,华为在移动 AI 芯片领域上已经先行了一步;虽然借用了寒武纪的外力,但华为自己在 AI 方面的投入也不可或缺。不过潜在的问题是,寒武纪 1A 并不仅仅属于华为,未来也有可能出现在其他公司的移动 AI 芯片上。

苹果:移动 AI 芯片领域的领先者

在雷锋网先前的文章中,我们已经给出这样一个结论:苹果的 A11 Bionic 可以说是当前性能最为强劲的移动处理芯片。但实际上,A11 Bionic 真正让人眼前一亮的地方,却是它的神经网络处理引擎(Neural Engine)。

实际上,A11 Bionic 的神经网络处理引擎每秒处理相应神经网络计算需求的次数可达 6000 亿次,可以为面部特征的识别和使用提供性能支撑。

iPhone X 利用面部特征识别技术在人像模式中创造出可以生动变化的光效(Portrait Lighting),Face ID 可以通过面部特征来解锁,Animoji 通过追踪人的面部表情来实时创作动画表情,这些无不与 A11 内置的 Neual Engine 有关。

除此之外,A11 Bionic 内置了苹果自主设计的第一款 GPU;其重点在于,这款 GPU 是为 3D 游戏和 Metal 2(苹果在今年 WWDC 上推出的新一代图像渲染技术框架)专门设计的,并且能够与机器学习技术和苹果随 iOS 11 推出的 Core ML(核心机器学习)框架相配合。

总体来说,苹果 A11 Bionic 对于人工智能的拥抱更加追求实用性,其在技术上的自主性更强;而且基于苹果自身软硬件结合的巨大优势,这些基于人工智能的特性已经被应用在实际产品上。

由此可见,苹果 A11 Bionic 才是整个移动 AI 芯片领域真正意义上的领先者。

高通:硬件为主,算法、软件为辅

作为 Android 阵营中除了华为之外诸多手机厂商的芯片提供者,高通自然不可能对华为和苹果目前的动向无动于衷。然而眼下,高通旗下的旗舰产品骁龙 835 处理器除了性能强劲之外,还没有在真正意义上增加专门面向人工智能技术的内部构件。

然而,这并不意味着高通没有动作。早在 2016 年,高通就宣布正在开发神经处理引擎 SDK(软件开发工具),并与 Google 和 Facebook 合作以支持 TensorFlow 和 Caffe/Caffe 2;开发者可以利用它来优化应用,使其在高通骁龙 600 和 800 系列处理器上运行 AI 应用程序。

2017 年 7 月,高通已经这一 SDK 开放出来,命名为骁龙神经处理引擎。

在硬件层面,高通在骁龙 835 上也有准备,其中内置的 Hexagon 690 是第一款支持 TensorFlow 和 Halide 框架的移动 DSP。2017 年 8 月,高通宣布收购专注于前沿机器学习技术的阿姆斯特丹大学附属公司 Scyfer,目的在于扩充人才,并将后者的技术应用在高通的产品和领域中去。而高通工程技术副总裁 Jeff Gehlhaar 在关于这次收购的媒体沟通上表示:

移动终端正成为全球最普遍的人工智能平台,而高通处理器将成为无处不在的终端侧人工智能平台。

不过,对于高通而言,真正值得关注的依然是未来骁龙处理器在硬件方面的动向。高通副总裁 Jeff Gehlhaar 表示高通将通过硬件、算法和软件三个层面来实现终端侧(包括智能手机)的人工智能战略;就硬件来说,未来高通骁龙处理器必然会增加人工智能相关的硬件模块。

从产品周期的角度看,目前高通骁龙 835 已经推出 9 个月的时间,已经超越了去年骁龙 820 到骁龙 821 的升级周期。据此可以推测,高通可能在骁龙处理器上憋一个与人工智能相关的大招,预计最迟到明年就会新的产品出来。

联发科:明年 Helio P70 见

作为智能手机芯片厂商的重要一员,联发科虽然在高端芯片上无法与高通抗衡,但也人工智能的大潮下,也不甘落后。

联发科董事长蔡明介曾经表示,人工智能将是未来发展重点,公司内部已经成立成立团队,并且投入 AI 运算的研发,目前已经有其具体成果展现。

而目前的最新消息是,联发科已经完成了神经网络及视觉运算单元的处理器核心设计,将在 2018 年推出的 Helio P70 手机处理器上内建,这会是联发科首颗内建神经网络及视觉运算单元(Neural and Visual Processing Unit,NVPU)的手机处理器,将在 2018 年上半年会以台积电以 12 纳米制程生产,后续还会推出多款内建相同核心的 Helio X 及 P 系列手机处理器。

三星:虽然迟到了,但也在努力

与其他厂商相比,三星在 AI 方面的动向似乎晚了一点。

今年的 Galaxy S8 上,三星的语音助手 Bixby 虽然亮相了,但远远不够。而在硬件方面,作为世界上少数几个有能力自己制造芯片的手机厂商,三星一边采用高通骁龙 835,一边继续推进自家 Exynos 的研发和使用;遗憾的是,两种芯片都离人工智能的距离还很远。

然而反应快速和资金雄厚如三星,自然不会坐以待毙。

就在数天前,有韩国媒体报道称,三星也已经在着手研发基于人工智能技术的移动端芯片。一位三星的合作伙伴表示,三星的这枚 AI 芯片旨在让本地设备拥有巨大的数据处理能力,可以大幅度减少对云端服务器的通信依赖。

此前,三星电子设备解决方案部门的半导体业务总裁 Kim Ki-nam 曾经在举行于韩国首尔的科技论坛中表示,现有的 CPU 和 GPU 无法满足 AI 计算的要求,而 NPU(Neural Processing Unit)可以应对这个挑战;不过 NPU 的问题在于,它的存储能力只相当于人脑的千分之一。Kim Ki-nam 的这段话也表明,三星正在移动 AI 芯片领域有所动作。

除此之外,三星也在投资位于英国的 AI 芯片初创公司 Graphcore;去年,三星为这家公司投资了 3 亿美元的战略投资。而来自韩国科学技术院的教授 Yoo Hoi-jun 也表示,三星除了内部正在研发 NPU 之外,也在考虑收购一些 AI 公司。

Intel:剑走偏锋,机会重重

虽然遗憾地错失了移动互联网的大潮,但 Intel 丝毫没有放弃,也在努力寻找机会,试图跟上人工智能的大潮,在移动设备上寻找到自己的一席之地。

2016 年 9 月,Intel 宣布收购计算机视觉创业公司 Movidius,后者曾经为 Google 的 Project Tango 3D 传感器提供了关键硬件处理技术。实际上,Google 采用的 3D 传感器为 Movidius 的 Myriad 1 型视觉处理器;由于 Movidius 非常注重功能和续航能力,因此非常适用于移动平台。

到了今年 8 月,Movidius 在 Intel 的麾下推出了下一代 Myriad X 视觉处理单元(VPU),它是一种低功耗片上系统(SoC),可以用于各类移动设备的深度学习以及其他人工智能视觉应用加速。Movidius 表示,Myriad X 可以在同样功耗条件下提供 Myriad 2 十倍的深度神经网络(DNN)性能。

此外,Intel 也在近期推出了一款代号为 Loihi 的全新自主学习神经拟态芯片,它模仿了大脑根据环境的各种反馈来学习如何操作的运作方式;它可以让机器实现自动化,并实时进行调整,无需等待来自云端的下一次更新。Loihi 在产品特性上的重点在于非常节能,与训练人工智能系统的通用计算芯片相比,它的能效提升了 1000 倍。

这些特征,都为 Intel 在移动 AI 芯片领域的发展提供了机会。 

雷锋网总结:

除了上述几家主要的手机芯片企业,小米也有自己的松果 S1,不过离 AI 尚且遥远; Google 已经挖来苹果的资深芯片架构师 Manu Gulati 担任首席 SoC 架构师,并且收购 HTC 的部分硬件团队,自研芯片一事基本上已经是定论,关键是什么时候能够融合 Google 自家在 AI 上的技术积累。

总体来看,雷锋网认为,智能手机芯片已经正式人工智能时代;在此时代下,所有的玩家都在快速前进,这时候技术的积累显得愈加重要了。如此一来,人工智能也将凭借智能手机迎来一波普及的大潮;正如 The next Web 所言:

也许每一款旗舰手机都将在 2018 年下半年搭载一块 AI 芯片。

雷锋网

莫斯科计划在 17 万个监控摄像头中引入人脸识别;广东农行“刷脸取款”实现 1600 多个网点全覆盖丨AI 掘金晚报

四川省第二中医医院“智慧中医”平台上线

通过“智慧中医”平台,医护人员查房时,手持“智慧终端”,利用平台大数据共享可为患者提供更加优质的健康服务;患者足不出户,即可享受四川省第二中医医院专家的网络问诊,需要现场诊疗的则可通过微信支付提前预约挂号。

作为“智慧中医”平台的重要组成部分,四川省第二中医医院结合中医药特色打造的中医智能辨证论治平台、人工智能影像平台、医疗大数据分析平台等,将临床专家多年积累的经验转化成为智能知识库,实现数据驱动医疗服务,从而提高医疗服务能力和效率,解决医疗领域的诸多需求,实现中医诊疗的智能化转变。

广东农行“刷脸取款”实现1600多个网点全覆盖

目前,广东农行在全省3300多台大额高速存取款一体机上实现了“刷脸取款”功能,实现辖内1600多个营业网点全覆盖。在广东地区的农行,平均每个营业网点就有两台“刷脸取款”设备可供客户体验和使用,农行“刷脸取款”设备总量和覆盖范围均居同业前茅。现在,客户不用带银行卡或存折,仅通过刷脸、身份证号(输入或读身份证)、账户密码,就可以在农行网点办理存款、取款、转账、查询业务,十分方便快捷。

莫斯科计划在17万个摄像头中,引入本土公司的人脸识别技术

依托人工智能的人脸识别技术已经越来越成熟,其也正在发挥出全新的用途。据彭博社报道,俄罗斯莫斯科市准备在全市17万个闭路监控摄像头中引入人脸识别技术,以便快速锁定罪犯,提升城市的安全。

据报道,自从2012年开始,莫斯科市已经构建了庞大的闭路监控摄像头网络,画面在拍摄之后能够保存五天时间,在任何时候,官方都掌握了2000万个小时的视频画面资料。

莫斯科所采用的人脸识别技术,来自俄罗斯本土公司-Tech.Lab Ltd。据上述官员介绍,这家公司的技术能够从俄罗斯内政部的罪犯数据库中获得画面信息,并且和监控摄像头进行比对,从而发现嫌疑人目标。

今年初,这一系统进行了为期六个月的测试,结果监控摄像头发现了俄罗斯联邦政府通缉的六名重要犯罪嫌疑人。

据俄罗斯一位专家介绍,利用监控摄像头对人脸进行识别在俄罗斯属于合法,不过这样的系统也将引发有关个人隐私保护的担忧。这位专家表示,如果外部的黑客攻破了这个人脸识别系统,他们将获取普通人生活的各种信息,比如居住在哪里,每天都去哪里,途经的路线如何等。

上述莫斯科官员表示,所有的面部识别信息经存放在封闭的系统中,只有有限的工作人才能够访问。另外,闭路监控系统将只会和已经进入俄罗斯警方数据库的罪犯画面进行对比。

大象医生联合IBM Watson,为互联网医院提供保障

近日,大象医疗健康科技有限公司(简称“大象医生”)与杭州认知网络科技有限公司(简称“杭州认知”)宣布正式达成战略合作,引入IBM Watson for Oncology(沃森肿瘤专家)认知计算解决方案,大象医生的远程医疗服务将在现有诊疗体系的基础上进行再次升级,将人工智能带入基层诊室。

大象医生与杭州认知的携手,不但可以借助大象医生遍及全国的线下实体诊室,将全球最新的肿瘤临床数据和精准规范的肿瘤诊疗建议输送至全国各个城市,在增进当地医疗的便利性的同时,也是对医生问诊流程的一次体验升级,给医生提供丰富可靠的重大疾病临床治疗实践经验,为重大疾病的远程医疗服务提供强有力的循证医学保障。

2018年新疆将打造2000个智能零售终端

上海华屹数码科技有限公司与新疆智客信息科技股份有限公司正式签署战略合作协议,双方将在智能零售领域进行深度技术合作,打造以“无人超市”“智能便利店”为主体的丝绸之路经济带上的智能零售终端。

不同与传统的饮料贩卖机,智能零售终端采用机械手的方式,支持全品类商品的销售,售出的商品更加高端,如电子产品、化妆品、食品甚至红酒都可以在智能零售终端机上购买到,而我们也将优化付款方式,比如在手机上下载一个APP,购物时可拍照刷脸付款,也可录入掌纹付款。

刘正说:“正是基于这样便捷的购物方式,我希望将这项技术带到中国新疆及丝绸之路沿线国家,2018年年底,我们将在新疆打造2000个智能零售终端,以提升新疆消费者的购物体验。”

雷锋网雷锋网雷锋网

雷锋网

模式识别与机器学习第一讲(下)

雷锋网 AI科技评论按,本文作者Frankenstein,首发于知乎专栏闲敲棋子落灯花,雷锋网 AI科技评论获其授权转载。

本文接模式识别与机器学习第一讲(上)。关键词:随机变量、条件概率、边际概率、sum rule、product rule、贝叶斯公式、先验概率、后验概率、独立、概率质量函数、概率密度函数、累计分布函数、多元分布、换元、期望、条件期望、方差、协方差。

1.2 Probability Theory

动机:模式识别里的一个关键概念是不确定性。不确定性的来源有两个:测量的噪声以及数据集大小有限。概率论提供了一种量化和操作不确定性的工具,是模式识别的根基之一。当我们同时运用概率论和决策论,我们可以基于给定信息做出最优预测,无论信息是否完整、明确。

如没有特别强调,以下X,Y均表示随机变量。严格地说一个随机变量X:\Omega\rightarrow E是一个从样本空间(sample space, 潜在结果的集合)\Omega到可测空间(measurable space)E的可测函数(measurable function)。这涉及到测度论的知识,远远超出了本书对读者数学知识的假设。鉴于我们这里不追求严格的定义,可以认为一个随机变量是一个可以从一个集合中取不同值的变量。


条件概率p(Y=y_{j}|X=X_{i})表示已知X=X_{i}的情况下,Y=y_{j}发生的概率,被称为给定X=X_{i},Y=y_{j}的条件概率。我们可以把这一定义拓展到给定多于一个条件的情况下如p(Y=y_{j}|X_{1}=x_{1,i}, X_{2}=x_{2,i},\cdots)


sum rule: p(X)=\sum_{Y}p(X, Y), 这里的p(X)常被称为边际概率(marginal probability),因为它可经由取便其它变量(如Y)的所有可能值时,计算X与它们的联合分布的概率的总和来得到。

product rule: p(X, Y)=P(Y|X)P(X)


symmetry property: p(X,Y)=p(Y,X)

基于product rule和symmetry property,我们可以得到大名鼎鼎的贝叶斯定理/公式(Bayes' theorem):p(Y|X)=\frac{p(X,Y)}{p(X)}=\frac{p(Y,X)}{p(X)}=\frac{p(X|Y)p(Y)}{p(X)}。由sum rule, product rule和symmetry property可得p(X)=\sum_{Y}p(X,Y)=\sum_{Y}p(Y,X)=\sum_{Y}p(X|Y)p(Y)\sum_{Y}p(Y|X)=\sum_{Y}\frac{p(X|Y)p(Y)}{p(X)}=1。因此上式中p(X)可被看做使左边取所有可能Y值的条件概率之和为1 的归一化常数。

sum rule,product rule以及symmetry property像条件概率一样可以被拓展到多于两个随机变量的情况。

贝叶斯定理的一个重要解释涉及先验概率(prior probability)和后验概率(posterior probability)。通俗地讲,先验概率是我们一无所知的情况下根据经验、常规情况计算的,后验概率是在我们得到了新的信息情况下对先验概率进行的修正,更加准确。我们可以考虑p(Y)Y的先验概率而p(Y|X)为知道XY的后验概率。


独立X, Y为两个随机变量,如果p(X,Y)=p(X)p(Y),我们称X独立于YY独立于X或者X,Y彼此独立。注意这种情况下p(Y|X)=\frac{p(X,Y)}{p(X)}=\frac{p(X)p(Y)}{p(X)}=p(Y)。我们还会经常见到两两独立(pairwise independence,一个随机变量的集合中任取两个随机变量都彼此独立)和彼此独立(mutually independence,对于一个随机变量的集合\{X_{1},...,X_{n}\},它们一起的联合分布概率等于它们各自的分布概率之积: p(X_{1}=a_{1},\cdots,X_{n}=a_{n})=\prod_{i=1}^{n}p(X_{i}=a_{i}))。


1.2.1 Probability densities

随机变量有离散型和连续性两种。离散型随机变量定义在事件的离散集合上(如筛子的点数,硬币的正反等等),连续型随机变量定义在事件的连续集合上(如区间)。就像离散型随机变量与概率质量函数(probability mass function)相关联一样,连续型随机变量与概率密度函数(probability density function)相关联。

a. 概率密度函数p(x)具有以下特点:

  • p(x)\geq 0;

  • \int_{-\infty}^{\infty}p(x)dx=1;

  • x(a, b)的概率为p(x\in(a,b))=\int_{a}^{b}p(x)dx


b. 换元/变量选择

给定x的概率密度函数p_{x}(x),令x=g(y),则有p_{y}(y)=p_{x}(x)|\frac{dy}{dx}|=p_{x}(g(y))|g'(y)|。一个相关的结果是概率密度函数的最大值取决于变量的选择。


c. 累积分布函数(cumulative distribution function)

x\in(-\infty,z)的概率为P(z)=\int_{-\infty}^{z}p(x)dx,P被称为累积分布函数。P'(x)=p(x)


d.多元分布

考虑多个连续型随机变量的联合分布。假设我们有D个连续型随机变量x_{1},\cdots,x_{D},我们可以用一个向量把它们“封装”起来:\mathbf{x}=(x_{1},\cdots,x_{D})使得p(\mathbf{x})=p(x_{1},\cdots,x_{D})。如此得到的概率密度函数仍然要满足 a 部分的特点。我们同样也可以考虑离散型随机变量和连续型随机变量的联合分布。


1.2.2 期望(expectation)和协方差(covariance)

期望:函数f(x)在概率分布p(x)下的平均值被称为f(x)的期望,用E[f]表示。

  • 对于离散型随机变量,\mathbb{E}[f]=\sum_{x}p(x)f(x)

  • 对于连续型随机变量,\mathbb{E}[f]=\int p(x)f(x)dx


给定概率分布采集到的N个数据点: \{(x_{1},f(x_{1})),\cdots, (x_{N},f(x_{N}))\},我们可以近似计算\mathbb{E}[f]的值为\mathbb{E}[f]\simeq \frac{1}{N}\sum_{n=1}^{N}f(x_{n})。由大数定理可知,随着N\rightarrow\infty,这一近似逼近\mathbb{E}[f]


当我们考虑多变量函数的期望时,我们可以在\mathbb{E}右下角加一个下标表示关于哪个随机变量取期望,如\mathbb{E}_{x}[f(\cdots,x,y,\cdots)]表示f关于x的期望。


条件期望(conditional expectation)f(x)在条件概率分布p(x|y)下的平均值被称为f(x)的条件期望,用\mathbb{E}_{x}[f(x)|y]表示。

  • 对于离散型随机变量,\mathbb{E}_{x}[f(x)|y]=\sum_{x}p(x|y)f(x)

  • 对于连续型随机变量,\mathbb{E}_{x}[f(x)|y]=\int p(x|y)f(x)dx


方差(variance)f(x)的方差为Var[f]=\mathbb{E}[(f(x)-\mathbb{E}[f(x)])^{2}]=\mathbb{E}[f(x)^{2}-2f(x)\mathbb{E}[f(x)]+\mathbb{E}[f(x)]^{2}]=\mathbb{E}[f(x)^{2}]-\mathbb{E}[f(x)]^{2}。可以认为方差衡量了f(x)\mathbb{E}[f(x)]附近的变化性。


协方差(covariance):对于任意两个随机变量X,Y,它们之间的协方差定义为cov[x,y]=\mathbb{E}_{x,y}[\{x-\mathbb{E}[x]\}\{y-\mathbb{E}[y]\}]=\mathbb{E}_{x,y}[xy-x\mathbb{E}[y]-y\mathbb{E}[x]+\mathbb{E}[x]\mathbb{E}[y]]=\mathbb{E}_{x,y}[xy]-\mathbb{E}[x]\mathbb{E}[y],它反映了x,y一起变化的程度。

  • 一个随机变量与其本身之间的协方差等于其方差。

  • X,Y彼此独立时,cov[X,Y]=\mathbb{E}_{X,Y}[XY]-\mathbb{E}[X]\mathbb{E}[Y]=\mathbb{E}[X]\mathbb{E}[Y]-\mathbb{E}[X]\mathbb{E}[Y]=0

  • \mathbf{x},\mathbf{y}为两个随机变量的向量时,设\mathbf{x}含有m个元素,\mathbf{y}含有n个元素cov[\mathbf{x},\mathbf{y}]=\mathbb{E}_{x,y}[\{x-\mathbb{E}[x]\}\{y^{T}-\mathbb{E}[y^{T}]\}]=\mathbb{E}_{x,y}[xy^{T}]-\mathbb{E}[x]\mathbb{E}[y^{T}],此时cov[\mathbf{x},\mathbf{y}]实际上是一个m \times n的矩阵,并且矩阵中第i行的第j个元素代表了\mathbf{x}_{i}\mathbf{y}_{j}之间的协方差。

  • 对于任意一个随机变量的向量\mathbf{x}cov[\mathbf{x}]\equiv cov[\mathbf{x},\mathbf{x}]

1.2.3 Bayesian probabilities

这一节可以用一个问题来概括:什么是概率?之前知乎上也有类似的讨论:概率(Probability)的本质是什么? – 知乎

  • 庞加莱说,“概率仅仅是我们无知程度的度量,据定义,我们不晓得其定律的现象,都是偶然现象”。

  • 不少数学家说,概率是定义在\sigma -代数上,值域为[0, 1]的测度。

  • 频率论者(frequentist古典统计学者)说,概率是随机、可重复事件的出现频率。

  • 贝叶斯论者(Bayesian)说,概率提供了一种对不确定性的量化。

其它参考内容:

DS-GA 1003关于L1, L2正则化的slides:https://davidrosenberg.github.io/mlcourse/Lectures/2b.L1L2-regularization.pdf

雷锋网

靠磁场驱动的微型机器人军队, 构建复杂结构之余还能捕捉酵母细胞

机器人的研发领域变得越来越多样化,体态各异、功能不同的机器人不断从实验室中诞生。比如:六条腿的爬行机器人、能自如行走的步行机器人,甚至还有一些研发灵感来自于地球上最小生物的机器人。

近日,位于硅谷的SRI国际研究所里的科学家也研发了最令人印象深刻的微型机器人军队:MicroFactory。这是一个制造机器人的蚁群,利用数个半毫米的小机器人构建出令人惊叹的机器结构。据雷锋网了解,有专家预测,在不久后的将来,3D打印机能够让成群的机器人协同构造更强大、更复杂的结构。

依靠磁场驱动,微型机器人军队可构建复杂的结构

MicroFactory的设置非常简单。它运行的基础是产生磁场的电路板。每个小机器人本身就是一块块磁铁,软件程序通过操纵小机器人的磁场来驱动它。每个机器人配备了末端执行器,它会随着机器人分配的工作不同而有所变化。

当你想搭建一个格子状的物体架构,现有的材料包括:能够竖立放置高强度的碳棒机器人、能水平固定的机器人以及可以用胶水粘涂的机器人,机器人在协同工作的时候,它们可以建立一个复杂的结构。一些机器人涂满沉积胶,而另一些则固定粘在杆子上,不断从格子滑动到材料储藏处,通过这种方法得到材料的补给。

据雷锋网了解,还有另一个方法值得我们关注,人们可以使用3D打印机构建复杂的结构,这样就不必把磁场弄得混乱。但是MicroFactory的优点在于其材料的多样性。杆子和胶水只是一个开端:机器人还可以使用电阻器和LED组件来构建更复杂的嵌入式电子产品项目。

然而,我们可以设想未来某一天,微型机器人能够与3D打印机一起工作。比如:机器人可以建立一个坚固的骨架,打印机则能够放下装饰物。 SRI首席工程师Annjoe Wong-Foy 表示,“微型机器人可以结合3D打印来使用,或者甚至有可能取代它,因为微型机器人使用的材料更加广泛多样。”

捕捉单一酵母细胞的微型机器人

在探索微型机器人的前沿领域,远远不止SRI。雷锋网获悉,就在今年8月,有研究人员发表了一项研究,展示了他们如何利用微小的塑料立方体来捕捉单一的酵母细胞。

在水里,他们通过将单个的立方体固定在角落里,将它们排列成弦。每个立方体的一边都涂上钴,从而令它们具有磁性。

这些研究人员还利用磁场来操纵他们的微型机器人。北卡罗莱纳州立大学的生化工程师Orlin Velev表示,“你可以把它想象成一种微型镊子,我们可以用可控的速度或控制的力量来打开或关闭它。”

当然还是原始的微型镊子。但通过捕捉酵母细胞,微机器人暗示了它们的潜力。也许有一天,微型机器人将会自动地在人体内搜寻恶意细胞,并将它们包围住并中和它们。为此,微型机器人需要更聪明、更敏感地对环境做出快速反应。目前,它们比较偏向是微型遥控汽车。但是经过更长时间的研究和探索,微型机器人将会从简单的磁铁变成真正的精密机器。

雷锋网

埃森哲:84%的医疗机构高管认为AI正在改变他们的工作方式

雷锋网按:随着AI在医疗领域的发展势头越来越大,CIO(首席信息官)们对这些技术的使用也在逐渐深入,各企业也亟需制定各种解决方案以满足日益增长的需求。

日前,全球知名咨询机构埃森哲发布一项研究报告,该内容来源于对100多家卫生机构C级高管的采访。该报告指出,AI在健康医疗领域发挥的作用,正从一个后端工具转向消费者和临床医师的前端,成为支撑个人和系统交互的一种方式。随着大家对AI重要性的强调和关注,有超五分之四(84%)的医疗行业高管认为,AI将彻底改变他们从消费者获取信息的方式;还有四分之三(72%)的医疗机构表示,他们已经使用虚拟助手服务,以便创造更好的用户体验。

咨询公司 Sapient Healthcare 的董事总经理 Peter Borden 指出,实际上,目前各行各业的人都在不分年龄的谈论AI,需求场景也在急剧激增,特别是在如此重要的医疗领域。 Bordon 还指出,在健康医疗领域,大家最关心的三个板块都与 AI 相关,其分别为:

  • 人口健康状况洞察:通过核心数据集,以分析人口可能需要关注的点。

  • 增强智能(Augmented Intelligence)

  • 精准参与个性化的下一个阶段

Borden 说:“随着AI的发展,人类慢慢明白,AI  不仅影响诊疗结果,同时也会影响商业化程度。所以人类对 AI 应用的接受度也在逐步提升。”

说起 AI,大家最先想到的多半会是Siri。正如 Broden 所说,“每个人都知道 Watson,Google 在乐此不彼的加码 AI,亚马逊也在健康医疗领域多有布局,而一些云领域的巨头也纷纷有志于此。由于其特有的性质,它允许企业可以某种特定方式和角度处理和分析数据。除去巨头之外,每时每刻还都有新公司加入这一战局。大家都想成为未来AI领域的获利者。”

位于纽约的 Prognos ,正是这批浪潮之下的健康医疗公司中的一个。据悉,该公司刚于今年成立,目的在于开发一种基于大数据集的预测模型。该模型以用来确认患者将来罹患某种病症的概率。根据该公司官方数据显示,Prognos 建立的这些模型使用了患者的匿名记录,且其数量呈指数级增长(2017Q1数量曾达到80亿)。

图:Prognos的联合创始人兼CMO:Jason Bhan

Prognos 的联合创始人兼 CMO(Chief Medical Officer:首席医疗官)Jason Bhan 在接受采访时,曾转述了此前服务过的一家机构CEO对他们说过的话,“我们刚刚为这个EHR系统花费了1.5亿美元,但是,我们又为自己做了什么?”Bhan 当时不知该作何回答。

后来,Bhan挖掘了这一客户的IT系统的数据,并认识到EHR系统上的大部分数据都不是非常有用。他说,医生拥有的诊疗信息(实验室数据、放射学和测试数据)是一个金矿。基于多年的实践和基于实验室结果的决策,这些都让他将更多的关注重点放在医疗诊断上。Bhan 补充说,“Prognos 即「消除疾病」的意思。而我们怎样才能在最早期就能跟踪和预测疾病,以便改善健康状况?我想这就是AI介入的地方。”

利用AI确定罹患疾病的概率

有时候,机器学习和人工智能之间的界限会变得模糊。针对这一问题,SapientRazorfish( Sapient集团今年成立的子公司,旨在帮助客户推动数字转换)的首席科学家  Larry Lefkowitz 出来解释了二者的差异。“机器学习是指,是否有足够的数据来代表我正在解决的问题。然后在这个过程中,我有合理的机会让机器学习学会「理解」足量的数据,以便机器在遇到类似情况时,可以做出相同种类的预测,并给出相同的结果。”

他还补充道,“当你拥有大量关于放射学或病理学的数据时,对机器学习来说都将是一种很好的应用。比如,我已经告诉机器,X光片可能是什么样的或者可能意味着什么,那么,当我再给它一张X光片时,它就能直接给我一个答案。”

同时,Bhan 还说,AI 正在尝试猜测某些事项的可能性,不论是客舱还是无人驾驶汽车,其正试图预测这些机器向左右方向转动的概率。在健康方面,AI则有可能被用来预测病人罹患某种疾病的风险,或验证某些信息的准确度。“在医疗领域,我们已经收集了很长一段时间的数据,并邀请一些医生对它们做出解释。毕竟要做出可以解读这些数据的机器,并不能只从网络上去部署相关AI引擎。”Bhan说。

这也是Prognos 选择AI医疗诊断作为创业方向的原因。其一,诊断是大众较为熟知的,其次,AI在其中发挥的预测作用,可以为病人提供更好更多的选择和机会。“我们正在看一些真实的临床资料,这些资料不会告诉病人是否患有糖尿病,但是会显示其是否在控制范围内。”

同时,Prognos 还使用了大规模的数据集,并通过AI引擎来为特定健康事件定制的AI“训练集”进行处理。另一方面,该公司还使用历史数据和事件间隔数据的巨大缓存,来构建和训练其他算法,并对其进行迭代和优化,以开发出机器的可靠预测分析功能。

帮助保险机构,为患者承担风险

当然,将预测分析应用于具体的患者数据上,还可以直接帮助「保险公司」——其不仅适用于私人医保计划,还包括医疗保险和医疗补助,对最新出现的健康相关趋势做出反应和识别。与可能需要几周或几个月才能处理的声明不同,这些诊疗测试结果几乎可以做到实时提供。

在这种情况下,Prognos 的核心业务在于保险公司的市场。据官方数据显示,估摸有10%-15%的情况从未被预测到,同时,疾病的严重性也少报了30%。他们还表示,高质量的实验室数据不仅可以快速弥补这一不足,同时还能让保险公司在疾病的早期提供个性化的干预措施。

通过 Prognos 的云解决方案,保险公司拥有的整个诊断数据都将被采用,所以如果保险公司在全国或各个地区都有患者,这些病人也将进入不同的实验室。当然有时候他们也不这样做。Bhan解释说,在这种情况下,AI的介入,即在于清理道路并为AI的后续使用做好准备。“所以,数据集都在云端。通过使用保险公司的真实数据,从而为患者承担一部分风险。”Bhan说。据悉,在使用这些保险公司各个较小的数据集之后,Prognos力图从其拼凑起来的海量数据中分析出相同的知识和算法。“我们做的所有事情,都是为了让数据适用于保险公司的患者,从而为其分担风险。”Bhan指出。

Prognos 的首席科学家 Fernando Schwartz 博士还把这些变化与计算机时代进行了比较。其表示,“我们现在做的,其实是正在建立下一场革命。我们正慢慢将AI应用于保险公司的工作流程里,以为患者提供更精准和更个性化的医疗保险服务。”

AI加速医学影像诊断进程

众所周知,目前在医疗领域,AI的应用仍然处于不成熟阶段,但预测分析师对AI平台如何纳入病人护理这一前景非常看好。据市场研究机构 Frost&Sullivan 于2016年做的一项研究显示,2021年,AI+医疗市场规模将达66亿美元,年复合增长率将达40%。

该研究还指出,“AI对临床医疗的支持,将加速医学影像诊断的进程。”同时,将AI 解决方案应用于医院的工作流程当中,还将增强护理服务。综合而言,AI将对诊疗结果改善30%-40%,同时还将在治疗成本上,降低50%以上。研究人员进一步证实,AI 在其他行业已经得到高程度的应用。在“AI系统准备改变我们对疾病诊断和治疗方式的思考”之前,这只是一个时间问题。他们还表示,“到2025年,AI系统可以参与人口健康状况管理到数字化回答患者问题的一整个过程。在全球范围内,特别是在医疗设施严重不足的患病人口区域,AI还将在信息民主化和减轻资源负担方面发挥重要作用。”

虽然这个想法是让AI系统学习和了解新型医疗的功能,但其反过来,又将助力医生做出更好的医疗决策。事实上,关于AI的技术潜力是否已经大到可以取代人类医生的地步,这一话题早在各个媒体上展开了热烈的讨论。《财富》杂志曾有一篇文章引用了athenahealth的CEO Jonathan Bush 说过的话,“如果放射科医生被AI取代,那么这将是一场屠杀。”

图:athenahealth 的 CEO Jonathan Bush

然而大多数医疗观察员并不会走上Bush那条路。甚而有很多人会认为,AI不会取代医生。在他们看来,人工智能和机器学习的工作主要是学习人类的认知功能和减轻医生的重复工作,而不是取代医生本身。

Bhan对此表示,“很多人都在讨论AI将在未来取代医生,但我并不信服。事实上,AI更可能是“打败医生,或者“以友好的方式帮助医生。”。

然而大多数医疗观察员并不会走上Bush那条路。甚而有很多人会认为,AI不会取代医生。在他们看来,人工智能和机器学习的工作主要是学习人类的认知功能,并消除医生的重复工作,而不是消除医生本身。

Bhan对此表示,“很多人都在讨论AI将在未来取代医生,但我并不信服。事实上,AI更可能是“打败医生,或者是“以友好的方式帮助医生。”Bhan还指出,当他在浏览病人的图表时,他不想要的是由计算机来告诉他应该做什么。“没有医生会高兴这样做。”“我们知道如何照顾病人,也希望得到帮助。AI有很大的机会来帮助临床医生做出决策。”

Bhan举了个给一位病人看病历的例子,他可以凭借多年的临床经验得出结论,并预测患者在未来几年患有糖尿病的概率很大。“但是机器可以去看病人的病历,可能就会预测该名患者将有80%的概率患有糖尿病。这真的改变了我的管理。”他说,“通过临床数据和实验室数据,你可以将这个时间范围转化为一个可行的、可预见的范围。这就是AI可以介入的地方。”

同时,Sapient Healthcare的高层也注意到,他们在和保险机构的CIO以及医生本人沟通时发现,这些人也对「AI将取代医生」表示担心,不过一些分析师正试图平息人类的恐惧。Larry Lefkowitz 博士对此表示,“真实的情况应该是,AI会增加工作机会,以让人类做更多创造性的、有趣的事情。”他还表示,“AI的优劣势其实可以通过技术互补。比如,AI可以帮助医生和研究人员掌握更全面的信息,从而做出更正确的决策。”

Borden对此表示,目前,人类更倾向于把AI理解为增强认知(Augmented Intelligence)。其意味在于AI不是取代人,而在于使事情变得更有效率。“但是,这种恐惧到底是怎么影响人类的生活的,还需要进一步弄清楚。它就像一个组织机构里的商业案例一样,如果内部人士不知道其会带给他们哪些影响,其将不会被采纳。”

Lefkowitz 给大家举了一个AI如何完善放射学家工作的例子。因为放射学属于医疗保健领域,AI和机器学习通常会在危急情况下被使用。Lefkowitz表示,根据多项研究表明,人类医生在诊断时会存在一定的错误率,而自动化系统也会有一定的错误率。但当二者结合一起使用时,他们的错误率就会低得多。他还特别解释说:“放射科医生几乎从来没有得出过假阳性的结果。所以,如果他们诊断说这是一种癌症或者它可能是某种疾病时,那么,医生们几乎总是正确的。但是,这也很可能会错过很多病例。而另一方面,机器学习虽然也几乎从未得出假阳性的结果,但在诊断上往往更加保守。所以,如果将二者结合,就可以让机器学习先筛查一次病症,从而可以为人类分析师提供少得多的病例。这样一来,医生将在医疗诊断上出现更小的偏差。”

一些挑战

 虽然临床医生的不配合,可能会是AI在医疗领域得到更广泛应用的真正阻碍,但关于其他具体的挑战确实存在。在这篇文章中,我们采访的多位专家都表示,获取“高质又干净”的数据仍然是一个问题。事实上,Bhan认为这是“我们在这个领域遭遇的最大的问题”。专家还指出,现阶段,医疗保健数据集还不够强大,而机器要学习的正确答案在当前状态下常常含糊不清,甚至是未知的。因为,这些数据大部分是来源于人体,相当复杂,而生活方式和环境功能正在发挥效用,但依然难以衡量。

此外,使用AI技术的人类,在舒适程度上也有可能遭受挑战。Borden说,在和CIO沟通的过程中,其实并不一定是对AI的拒绝,而是他们想了解AI将对他们的工作带来哪些帮助。针对这种情况,业内还需进一步制定明确战略,利用AI招纳人才,减轻机构压力。“当然,为方便分析而对数据进行整体解读,是每个CIO自设线路图的核心。”Borden说,“但目前业务疲软。虽然他们知道这其中暗含巨大的潜力,但他们也直观的感受到这个变化将意味着怎样的风险。这是一个管理计划的变革,所以将该计划纳入组织是关键。”

Bhan还指出,很多人都认为医疗保健在采用技术方面会比其他行业落后10年,所以,若采用更高水平的AI技术,将需要更长的时间。“我永远不会和一个医生说‘这里有很好的AI工具,可以告诉你患病的概率。’因为这些医生根本还没准备好。整个系统必须放松自己的方式,并通过发现创新者来做到这一点。”Bhan说。

Bhan最后说,这些创新者,可能存在于保险公司、制药公司或者行业提供者之中,关键即在于找到这些创新者并让他们有所投入。“你只需要慢慢的推进,因为一般来说,医生都非常保守。所以,在做这件事情的时候,需要将病人优先放在首位。”

雷锋网注:Via healthcare informatics,雷锋网编译

雷锋网

这款跟指尖陀螺一样无聊的AR游戏,怎么就登上苹果商店免费游戏Top1?

刚下载这款 AR 游戏的时候,雷锋网脑子里马上浮现出:指尖陀螺。

不久前,这个小玩意令无数老外痴迷。拇指和食指捏住轴承,用另一个手指拨动叶片,便可让它在手上不间断地旋转。没什么新奇的地方,但就是一拿在手里,就放不下了。

而这款达到同样无聊境界的 AR 游戏就是 Stack AR 。苹果第一批 AR 引用上线后,雷锋网试玩了几款,《Stack AR》 画面、玩法并不是最好的,但在上个周末却登上了苹果 App Store 免费游戏 Top1。

简单来说,就是一款搭积木的游戏。玩家必须一丝不差地将第二块积木落在第一块积木上,随着积木搭建的越来越高,下方的积木会自动消减。如果第二块积木未能和第一块重合,那么后面落下的积木则越来越小,这时搭积木的难度也加大。

这款游戏的关键是,当积木落下来时,玩家必须精准地将其落在前一块积木上。

《Stack AR》由一家名为 Ketchapp 的工作室开发,比起工作室 本身,游戏《2048》可能更被大家熟知。Ketchapp 在 2014 年发布游戏《2048》,2016 年 9 月他们被育碧收购,期间还开发了《Risky Road》、《Stack》和《Gravity Switch》等游戏。

Ketchapp 工作室联合创始人 Antoine Morcos 对媒体表示,“《Stack AR》这样搭积木的游戏,其实很适合做成 AR 游戏。AR 带来了新维度的玩法。”

尽管该游戏玩法简单的不能再简单了,但这恰恰是吸引玩家,以及登上 Top1 的原因。

Morcos 认为,

“iPhone 上的第一款游戏必须是简单的,而且让人们快速理解,否则 AR 将永远无法进入主流。我们的目标是让人们,尤其是孩子们,去享受 AR,那么最好的方式便是保持简单。”

这篇文章发布前,雷锋网编辑的其他小伙伴兴冲冲地说,“我发现把积木很精确的垒起来后,之后的积木体积还会变大,而且颜色也变多了,你猜我现在多少分了?”

好吧,大概因为跟指尖陀螺够简单、够无聊,才能让人们爱不释手。

雷锋网

“十一“出行防诈骗攻略来了!看完再出去浪

吼吼吼~~~一年之中最长的8天假期终于要来了,近来各种旅行攻略满天飞,虽然身还未动,但各位童鞋的心恐怕早已飞到草原、飞到海边了吧?

每当各种假期来临的时候,也是各路骗子频繁出动的日子,贴心的雷锋网就针对大家不同的出行方式整理了5大防骗指南,请搬好小板凳,拿出笔记本,认真学习如何同骗子斗智斗勇!

飞机出行:收到改签短信?不要犹豫,他就是骗子!

上面的短信应该不少人都收到过过,提示你即将要乘坐的XX次航班由于起落架故障被取消,需要拨打客服电话进行改签或退票,短信的后面还特别注明“航班取消将补偿航班延误费200元”。

不仅知道名字,还知道你的具体航班,应该不是骗子吧?重要的是还有延误险可以拿到手。

所以不少人便回拨了短信上的号码选择改签,并按照“客服”的要求进行了支付宝操作,随后将手机收到的验证码也发给了“客服”,完成了“改签手续”。但是之后,你就会发现自己的手机支付宝随即收到了一条信息,显示消费了7000多元~~~直到这时,才发现自己被骗。

雷锋网发现,除了电话,有的骗子还会直接在短信中植入钓鱼网站,假冒航空公司页面,骗取受害者网银账号和密码,从而进行网银盗刷。

那如何来辨别短信的真假呢?一张图就能解决你的疑惑!

火车出行:抢票应用需留心

一到节假日,热门地区的火车票总是很紧俏。

骗子利用抢票高峰期人们急于买票的心理,制作虚假12306或抢票手机应用,并在应用中植入恶意木马。用户在使用应用抢票时,其实木马已悄悄潜入手机,当你向木马作者指定的号码发送短信时,他就可以窃取你的短信记录和手机联系人信息,造成隐私泄露。

更为恶劣的是,恶意应用还会在你不知情的情况下私自发送恶意扣费短信,拦截并回复二次确认短信,让中招的手机用户的话费在不知不觉中被大量消耗。

自驾出行:警惕超速罚单

飞机票太贵,火车票抢不上,那自驾吧!

由于高速免费,更加坚定了不少小伙伴自驾出行的决心。骗子也深谙其道,顺势利用“超速罚单”行骗。

此类“超速违章”诈骗行为,利用大家不熟悉违章短信的通知渠道,和不清楚跨地域处理交通违法的规定,怕麻烦而轻信短信内容,结果正中骗子下怀。在此提醒大家:在接到此类短信时不要盲目相信,应当联系交管部门核实再做处理。

地铁出行:扫码陷阱多,再美的姑娘也要淡定!

“帅哥,这是我和朋友开发的一款软件,目前项目正在找投资,需要一定的下载量,可否帮忙扫一下?”

相貌平平的你,很少被美女搭讪,旁边的这个妹子不仅长得好看,还这么有上进心!创业不易,必须要支持一下!

于是你扫了这个二维码,准备跟美女聊聊创业的那些事。

但这时,手机弹出的却是一个杀毒软件提醒有病毒和危险性的链接。

这时,你才恍然大悟,要不是手机里面预先装好的杀毒软件,你没准早已掉入这位“创业者”的陷阱了。

一定要警惕公共场合的二维码骗局,特别是那些在地铁、公交上求人扫码,然后赠送小礼物的。当你的手机便被植入木马程序或是跳转到钓鱼网站时,银行卡等就会被盗刷。

宅在家:提防热门综艺节目虚假中奖信息

十一哪儿人都多,还是在家躲清闲吧!(什么?你说我没钱没朋友?)

躲在家里看综艺节目的你,也要提防虚假的中奖信息!

现在的骗子真是无孔不入,哪个综艺节目火爆,他们就盯着哪个。

“恭喜您!您被××节目选为场外幸运者,将得到12.8万元及电脑一台。”孤苦无聊的你,突然收到这样一条短信。

短信还附有一个链接网址和一个领奖验证码。这个节目你正在追,奖品也和节目组所公布的一样,激动的你赶紧点开链接,在登录页面上把你的姓名、手机号等个人身份信息写上登录后,果真发现有一组中奖名单,你的名字赫然在列。

既然网上能查到,这事儿应该不会假吧。

接着,你会接到一个陌生电话,自称是××综艺节目栏目组的工作人员,要想领取奖金和电脑,需要先缴纳个人所得税和部分邮费……

好吧,说到这里你应该就明白怎么回事了,但是如果是想贪小便宜的人,这个时候头脑一发热,乖乖给骗子打钱也是很有可能的!

好了,骗局就先说到这里,欢迎大家在后台说说你们遇到的骗子!雷锋网在这里祝大家十一玩的开心!浪的愉快!

雷锋网

英特尔推出全新自主学习芯片加速人工智能发展

本文作者:

Michael C. Mayberry博士

Michael C. Mayberry博士

英特尔公司副总裁兼英特尔研究院院长

Michael C. Mayberry博士现任英特尔公司副总裁兼英特尔研究院院长,负责英特尔在计算和通信领域的全球研究工作。此外,他还领导公司研究委员会,负责推动英特尔大学定向研究项目的资源调配与优先排序。

自从1984年加入英特尔公司并担任制程集成工程师以来,Mayberry博士曾在公司的多个职位任职。作为加州技术开发团队的成员,他开发了EPROM、闪存和逻辑晶圆制造工艺。1994年,他加入晶圆测试技术开发团队,负责英特尔微处理器测试流程的路线图制定与开发工作。2005年,他进入组件研究团队,负责为英特尔的技术开发部门提供未来制程的选项。

Mayberry博士于1983年在加州大学伯克利分校获得物理化学博士学位,并于1978年在米兰德学院获得化学与数学学士学位。

想象一下——未来,我们可以更加迅速的对复杂问题做出决策并且能随时自动调整,很多社会和工业问题也都可以通过自主学习经验来自动解决。未来,一线救援人员可以通过图片识别分析街道摄像头画面,并迅速解救失踪或被绑架的人。未来,交通信号灯会根据交通流量自动调整变灯时间,控制起步停车的时间从而减少交通拥堵。未来,机器人将变得更加自主化,性能效率也都会显著提高。

随着从高度动态、非结构化自然数据中进行收集、分析和决策的需求越来越高,对计算的需求也超越了经典的CPU和GPU架构。为了跟上技术发展的步伐,并推动PC和服务器以外的计算,英特尔过去六年来一直在研究能够加快经典计算平台的专用架构。最近英特尔还加大了对人工智能(AI)和神经拟态计算的投资和研发。

我们在神经拟态计算领域的研究工作是基于几十年来的研究与合作,这项研究是由加州理工学院Carver Mead教授最先开始的,他以半导体设计的基础性工作而闻名。芯片专业知识、物理学和生物学的结合为新想法的创造提供了一个良好的环境。这些想法非常简单,却具有革命性:将机器与人脑进行比较。该研究领域将高度协作和不断支持科学的进一步发展。

作为英特尔研究院的一个研究课题,英特尔开发了代号为Loihi的第一款自主学习神经拟态芯片, 它模仿了大脑根据环境的各种反馈来学习如何操作的运作方式。这是一种非常节能的芯片,它利用数据来学习并做出推断,随着时间的推移变得更加的智能,并且不需要以传统方式进行训练。它采用一种新颖的方式通过异步脉冲来计算。

我们认为人工智能还处于初级阶段,Loihi等更多的架构和方法将不断涌现,从而提高人工智能的标准。神经拟态计算的灵感来自我们目前对大脑结构及其计算能力的了解。大脑的神经网络通过脉冲来传递信息,根据这些脉冲的时间来调节突触强度或突触连接的权重,并把这些变化存储在突触连接处。脑内神经网络及其环境中多个区域之间的协作和竞争性相互作用就产生了智能的行为。

机器学习,如深度学习,通过使用大量的训练数据集来识别物体和事件,最近取得了巨大的进步。但是,除非这些训练数据集考虑到特定的元素、条件或环境,否则这些机器学习系统不能得到很好地泛化。

自主学习芯片的潜在好处是无穷无尽的。例如它能够把一个人在各种状况下——慢跑后、吃饭前或睡觉前——的心跳数据提供给一个基于神经拟态的系统,来解析这些数据,确定各种状况下的“正常”心跳。这个系统随后持续监测传入的心跳数据,以标记出与“正常”心跳模式不相符的情况。这个系统还可以针对任何用户提供个性化服务。

这种类型的逻辑也适用于其它的应用场景,例如:网络安全,由于系统已经学习了各种状况下的“常态“模式,因此当数据流中出现异常或差异的时候,就可以识别出漏洞或黑客攻击。

英特尔推出Loihi测试芯片

Loihi研究测试芯片包括模仿大脑基本机制的数字电路,从而让机器学习变得更快、更高效,同时对计算力的需求更小。神经拟态芯片模型的灵感来自于神经元通信和学习的方式,利用了可根据时间调节的脉冲和可塑触突。这将帮助计算机在模式和关联的基础上实现自组织并做出决策。

Loihi测试芯片提供高度灵活的片上学习能力,并把训练和推断整合到一个芯片上。这让机器实现自动化,并实时进行调整,无需等待来自云端的下一次更新。研究人员已证实,与其他典型的脉冲神经网络相比,在解决MNIST数字识别问题时,以实现一定准确率所需要的总操作数来看,Loihi芯片学习速度提高了100万倍。与卷积神经网络和深度学习神经网络相比,Loihi测试芯片在同样的任务中需要的资源更少。

这种测试芯片的自主学习功能具有巨大的潜力,可以改进汽车和工业应用以及个人机器人——包括任何在非结构化环境下得益于自主操作和持续学习的应用,例如,识别汽车或自行车的运动。

此外,与训练人工智能系统的通用计算芯片相比,Loihi芯片的能效提升了1000倍。2018年上半年,英特尔将与著名大学和研究机构共享Loihi测试芯片,致力于推进人工智能。

更多亮点

Loihi测试芯片的功能特性包括:

  • 全异步神经拟态多核心网络,支持多种稀疏、分层和循环神经网络拓扑结构。每个神经元可以与成千上万个其它神经元通信。

  • 每个神经形态核心都包含一个学习引擎,在操作中可以通过编程去适配网络参数,支持监督学习、无监督学习、强化学习和其他的学习范式。

  • 芯片的制造采用了英特尔14纳米制程技术。

  • 共有13万个神经元和1.3亿个触突。

  • 以极高的算法效率开发并测试了多种算法,以解决以下问题:路径规划、约束满足、稀疏编码、字典学习,以及动态模式学习与适配。

下一步计划

在计算机和算法创新的推动下,人工智能的变革性力量预计将对社会产生重大影响。现在,英特尔正在运用自身的优势,推动摩尔定律和制造领先地位,为市场带来各种产品——英特尔®至强®处理器、英特尔® Nervana™技术、英特尔Movidius™技术和英特尔FPGAs ——以便从网络边缘到数据中心和云计算平台,来满足人工智能计算任务的独特需求。

通用计算和定制硬件和软件都能在各个尺度上充分发挥作用。英特尔®至强融核™处理器,广泛应用于科学计算,已经产生了一些世界上最大的模型,来解释大规模的科学问题。而Movidius神经计算棒则能够在只消耗1瓦特功率的情况下部署之前的训练模型。

随着人工智能计算任务变得越来越多样化和复杂,研究人员将关注当前主流计算架构的局限性,提出新的颠覆性方法。展望未来,英特尔认为,神经拟态计算带来了一种方式,以类似大脑的结构来提供超大规模的计算性能。

随着我们把神经拟态计算这样的概念推向主流,以支持未来50年的世界经济,我希望大家未来几个月继续关注来自英特尔研究院的激动人心的里程碑事件。在神经拟态计算普及的未来,随着智能和决策变得更加的顺畅、快速,你所能想象的一切——甚至超越你想象的事情——都会变成现实。

英特尔开发创新计算架构的愿景仍然坚定不移,我们之所以了解未来计算的面貌,是因为我们如今正在开发它。

雷锋网