尋夢新聞LINE@每日推播熱門推薦文章,趣聞不漏接❤️
普遍觀點認為,人工智慧需要通過計算機進行大量數據訓練來達到與人類類似甚至超過人類的知識、推理、決策與操控能力。與在雲端數據中心進行大規模數據模型訓練的傳統人工智慧不同,嵌入式人工智慧具有去中心化、模型簡化、訓練數據縮減、高實時性等特點。
7月22日,記者從鄭州輕工業大學獲悉,由鄭州輕工業大學計算機與通訊工程學院教授蘇日建領銜的團隊主持的國家自然科學基金「基於超順磁性奈米粒子的無創測溫方法研究」項目有了新進展。
本項目率先將嵌入式技術用於生物資訊測量領域,進行了嵌入式人工智慧的重要創新並取得了突破。項目通過嵌入式人工智慧算法,明晰了熱療靶區的溫度與磁性奈米粒子特性參數之間的關係,並探索出了一種基於磁性奈米粒子的非侵入式、在體的靶區溫度場測量方法,可為腫瘤靶向熱療中溫度測量提供有效的溫度、濃度磁化模型及生物熱傳導模型,對於提高惡性腫瘤的治療效果具有重要的意義。
未聯網也能進行實時計算
「嵌入式人工智慧是當前最熱門的人工智慧商業化技術之一。所謂嵌入式人工智慧,就是設備無須通過雲端數據中心進行大規模計算,而是在本地、不聯網的情況下就可以做到實時環境感知、人機交互、決策控制等。」蘇日建在接受科技日報記者採訪時表示,嵌入式人工智慧利用嵌入式終端設備僅通過邊緣計算進行簡化模型訓練。
業界的普遍觀點認為,人工智慧需要通過計算機進行大量數據訓練來達到與人類類似甚至超過人類的知識、推理、決策與操控能力。與在雲端數據中心進行大規模數據模型訓練的傳統人工智慧不同,嵌入式人工智慧具有去中心化、模型簡化、訓練數據縮減、高實時性等特點。
蘇日建說,5G技術會催生更多的人工智慧應用場景,據預測,2025年,人工智慧將會產生5.1萬億美元的應用市場。嵌入式人工智慧可以應用在醫療、零售、智能交通及智能制造等領域。
將龐大計算縮減至微小終端中
全球移動通訊系統協會統計,2020年全球物聯網聯網設備數量已達126億個。如果所有設備均按現有人工智慧模型的訓練方向進行雲計算,很大一部分物聯網終端將受制於網路頻寬速度的影響,無法實現高實時的決策與控制。這必然帶來糟糕的用戶體驗,甚至造成更嚴重的問題,如自動駕駛中的高延時將帶來駕駛風險;人臉識別數據上傳則可能造成隱私資訊泄露等。
「當然這並不是說在雲端進行模型訓練和決策控制的人工智慧與嵌入式人工智慧是矛盾的,只是二者的訴求不同,適合的應用場景也不同。」蘇日建解釋,雲端更適合數據吞吐量高且模型龐雜的訓練;而嵌入式人工智慧則在需要高實時計算的應用場景更具優勢。
「可以說嵌入式人工智慧本質是將雲端的算法部署至終端設備,也就是運算邊緣化。其最大的難點在於將雲端的海量數據及龐大的計算規模縮減至終端設備中運算、處理。」蘇日建說,具體來說,一是如何根據模型訓練的算法在晶片設計上增加神經處理單元或節點;二是如安在不降低描述精度的情況下簡化訓練模型,降低算法龐雜性;三是如安在保證決策準確度和控制精度的情況下,減少訓練數據的數量。「這些既是業界所面臨的問題,更是我國研究人員要突破的技術瓶頸」。(馬愛平)