CAPITALLINK

搜索
确认
取消
行业研究
/
/
/
“计算瓶颈突破&商用价值提升”引爆AI产业链

“计算瓶颈突破&商用价值提升”引爆AI产业链

  • 分类:投资研究
  • 作者:
  • 来源:
  • 发布时间:2020-09-07
  • 访问量:0

“计算瓶颈突破&商用价值提升”引爆AI产业链

【概要描述】

  • 分类:投资研究
  • 作者:
  • 来源:
  • 发布时间:2020-09-07
  • 访问量:0
详情

“计算瓶颈突破&商用价值提升”引爆AI产业链

以深度学习算法为代表,第三轮人工智能热潮兴起。深度学习算法由传统多层神经网络算法发展而来,而神经网络算法出现时间相当长。深度学习的每一隐层将识别出“事物的某一特殊性征, “深度学习模型的精度”将随隐层层数增加而提升。但深度学习的隐层量增加时,训练深度学习模型时的计算量呈现几何式增长,传统芯片(CPU 等)计算能力受限,限制了深度学习的应用。2012 年起,以英伟达 GPU 为代表的芯片计算能力大幅提升,人工智能热潮得以爆发。另外,“深度学习算法+强大计算能力”使得图像识别、 语音识别的精度提高至 90%以上,接近或者超越“人类的识别率”,具备了产业化的应用价值,人工智能行业应用进程加快。

 

传统神经网络算法难以有效训练:传统神经网络一层即为一个线性变换与一个简单非线 性操作的叠加,多层神经网络也就是多个简单的非线性函数的复合函数,利用监督学习 和误差反向传播来进行参数调优。神经网络初步自学习性、容错性、并行处理、分布存 储等智能特征。但一、两层的神经网络难以刻画复杂输入输出关系;而随着神经网络层 数增加,将出现欠拟合/过拟合、易陷入局部最优、训练效果随着层数增加而变差的问题, 一般神经网络最多仅可达 2-3 层。因此传统神经网络算法并不能实现有效训练,以适应主 动学习复杂事物的需要。

 

 

深度学习可有效刻画复杂事物属性:深度学习由传统多层神经网络发展而来,但其中间层更深(可达几千层)。先是通过非监督学习对各个隐层的参数进行逐层初始化,在输出层再进行监督学习将输出结果与实际结果进行对比,最后进行误差反向传播调整优化参数。

 

英伟达 GPU 芯片突破“深度学习模型计算能力瓶颈”:提高 AI 模型精度”需要增加深度学习层数以抽取更多特征。深度学习算法在训练模型时,随着隐层层数增加(神经网络层数不断增加至上千层),每次训练模型时的计算量也呈现几何式增长。此外,训练出一 个“使用效果良好的学习模型”,常需要进行数百万次以上训练。 “计算能力受限”一度制 约了深度学习的应用。目前,英伟达 GPU 芯片成为“训练深度学习模型的事实标准”。 而 2013-2015 年,英伟达深度学习用 GPU 计算性能提升 50X,训练天数远低于 CPU 芯片。 “计算能力突破”是近年人工智能爆发的最关键因素。

 

深度学习算法效果显著,语音识别/图像识别接近或达到人类水平,产业化进程有望加速: 深度学习可从无标记数据中自动提取特征,无需再进行人工干预,且刻画事物属性的维度将随着层数增加而增加,精度可通过大量事例(大数据)学习来保证。应用而言,先前很长时间内,图像与语音识别准确率仅可达 80-85%,但通过深度神经网络及大数据的训练,准确率提升了 10-20%,目前准确率超过 90%,可适用于大部分商业场景。因此被 广泛用于图像识别、语言分析、自然语言理解、机器翻译等感知智能领域。

 

深度学习图像识别率已经超越人类水平:在 2015 年 ImageNet 图像分类大赛中, 微软亚洲研究院 MSRA 将隐层层数增加到 152 层,其正确率高达 96.43%,明显 超越人眼 94.90%的正确率,深度学习算法效果极为显著,预期感知智能领域产 业化进程将加速。 ü

语音识别率高达 97%,产业化加快:2010 年,谷歌的语音识别率仅为 70%,产 业应用难度较高。2016 年 11 月,搜狗、科大讯飞、百度等三家公司相继举行发 布会,各自语音识别率已经高达 97%,产业化进程加快,科大讯飞语音识别软件已经广泛应用于“智能手机终端”。

扫二维码用手机看

在线搜索

搜索
搜索

凯联资本   专业成就信任