江苏龙网

  1. 首页 > 资讯 > 科技 > >

学习微美全息/谷歌/Facebook深度学习算法助力AI+AR商业化落地( 二 )


全息AR行业是技术密集型的 。 全息AR体验只能通过硬件和软件技术的结合来实现 ， 并且与全息AR相关的技术进步将把全息AR体验带入下一阶段 。 例如 ， 深度学习AI技术的突破将使全息AR设备能够以更加无缝的方式集成由摄像机捕获并由计算机模拟的内容 ， 从而为用户提供更加身临其境的体验 。 此外 ， 集成芯片的发展将使图像处理器以更低的成本生产 ， 从而降低全息AR器件的销售价格 。 5G网络的广泛采用将使本地设备和互联网之间的实时数据传输成为可能 ， 从而大大增强了内容的多样性 。
微软、谷歌、Facebook、亚马逊、Uber等科技巨头的研究部门已经成为人工智能(AI)领域开源框架最活跃的贡献者之一 。 据谷歌人工智能研究负责人Jeff Dean透露 ， 谷歌正在尝试通过人工智能程序推进专用芯片的内部开发 ， 以加速其软件 。
过去几年中 ， 谷歌开发了一个AI硬件家族——Tensor Processing Unit（TPU芯片） ， 用于在服务器计算机中处理AI 。 使用AI来设计芯片是一个良性循环：AI让芯片变得更好 ， 经过改良的芯片又能增强AI算法 ， 依此类推 。
当“布线”任务中 ， 芯片设计人员通常会使用软件来确定芯片中的电路布局 ， 有点类似于建筑物设计平面图 。 为了找到满足多个目标的最佳布局 ， 需要考虑很多因素 ， 包括提供芯片性能 ， 同时还要避免不必要的复杂性 ， 否则可能增加芯片制造成本 。 这种平衡需要大量的人类启发式思维 ， 以最佳方式进行设计 。 现在 ， 人工智能算法也能够以这种启发式思维方式进行设计 。
Dean举例说 ， 深度学习神经网络只花了24个小时就解决了问题 ， 而人类设计是需要6至8周 ， 并且前者的解决方案更好 。 这减少了芯片总布线数量 ， 从而提高了效率 。
这个深度学习程序类似于Google DeepMind部门为征服Go游戏开发的AlphaZero程序 ， 并且也是一种强化学习 。 为了实现目标 ， 该程序尝试了各种步骤来查看哪些步骤可以带来更好的结果 ， 只不过不是下棋 ， 而是在芯片中设计最优的电路布局 。
与Go不同的是 ， 这个解决方案的“空间”（布线数量）要大得多 ， 而且如上所述必须满足很多要求 ， 不是仅仅赢得比赛这一个目标 。
Dean表示 ， 这个内部研究还处于了解深度学习技术的早期阶段 。 “我们正在让我们的设计师进行试验 ， 看看如何开始在工作流程中使用该程序 。 另外我们正在试图了解该程序的用处以及它在哪些方面可以改进 。 ”
谷歌进军AI设计领域正处于芯片生产复兴之时 ， 旨在让不同大小的专用芯片都可以更快地运行机器学习 。 有机器学习科学家认为 ， 专用AI硬件可以催生更大型、更高效的机器学习软件项目 。
Facebook开源了将PyTorch用于3D深度学习的函数库PyTorch3D ， 这是一个高度模块化且经过优化的库 ， 具备独有的功能 ， 旨在通过PyTorch简化3D深度学习 。 PyTorch3D为3D数据提供了一组常用的3D运算符和快速且可微分的损失函数(loss function) ， 以及模块化的可微分渲染API 。 通过上述的功能 ， 研究人员可以立即将这些函数导入至当前最先进的深度学习系统中 。
研究人员和工程师可以利用PyTorch3D进行各种3D深度学习研究(无论是3D重构、集束调整 ， 乃至3D推理) ， 以及改进在二维空间下的识别任务 。
学习微美全息/谷歌/Facebook深度学习算法助力AI+AR商业化落地
图片

对三维空间的认知 ， 在人工智能与真实世界的互动过程中扮演着十分重要的角色 。 例如机器人在物理空间中的导航、改进虚拟现实体验 ， 以及识别2D内容中被遮挡的物体等 。 不过即便有丰富深度学习技术积累的Facebook ， 在面对3D的深度学习问题时依然会被困扰 。 Facebook表示 ， 之所以深度学习技术较少用于3D场景 ， 是因为缺乏足够的工具和资源来支撑神经网络与3D数据结合使用的复杂性 ， 这种场景要求更多的内存与更高的算力 ， 不像2D图像可以使用张量表示 ， 而且许多传统图形运算符不可微分 ， 因此3D深度学习技术的研究受到了限制 。


推荐阅读


上一篇：输入法搜狗输入法发布10.11新版本，AI技术助力用户连接世界、便捷沟通

下一篇：银行|雷军：小米金融旗下香港虚拟银行天星银行开业。