发帖
雷达卡
高交会是是一个开拓视野的好机会，本次高交会好不容易遇上资深的AI产品总监—来自一家国内做AI图像领域的独角兽某厂商，深入交流了一番。笔者对这番内容进行了梳理，才有了这篇文章
这家厂商，是国内做AI安防整体方案的独角兽的公司，关于他家的业务如下：
业内人士，能否猜到是哪家公司？好不容易跟这家公司的产品总监张总深入交流一番。笔者对交流内容进行了梳理，才有了这篇文章。所以文章以交流的形式呈现，中间会穿插着介绍一些基础的AI的知识，介绍知识部分以黑色斜体字体呈现。
因为考虑到关注咋们公众号的读者以风控板块偏多，读者的背景大都以风控策略、模型、政策偏多些， 也有个别偏开发类的。虽然风控模型类的某些算法能称得机器学习算法，但是跟目前真正所提的AI相比，还是觉得相去甚远。
在整个风控模块中，模型是最能跟AI贴上关系的。在风控模型中，xgb算法算得上机器学习中，最能跟AI贴近的了。原自豪以为征服了的xgb就像征服了一座高山的你，等到真正接触到人工智能领域中强大的神经网络时，会发现真正广阔的世界还在后面的山头。
鉴于以上推论，对于AI类的内容相信大部分读者都为小白级别，所以本文仍以简单科普类为主。后续根据各位读者的反馈，如大家有兴趣，继续深入更新这一模块的内容。最后当然也欢迎AI大佬的围观后，给予拍砖指点。
另外在书写本文中，也查阅了一些资料跟内容，在AI方面实在不敢成为专家，写得不对的地方不吝赐教。关于此次这家AI公司整体建模的流程框架，相关的资料跟图片会有部分留在公众号，另一部分会独享到知识星球平台，欢迎各位交流切磋。
交流一：目前他们家的产品能够负载多少种算法？
张总表示：他们公司的芯片能同时处理五十种左右的算法，比如RNN和CNN等一类的算法。
交流二：目前公司的产品所用到的芯片是你们自己研发的吗？
张总表示：芯片是自己设计研发的，并且公司战略是将芯片免费提供给用户使用，他们是做智能云服务商的。目前芯片是采用业界领先的22nm工艺，工艺的性能、功耗、面积经过仿真、分析、比对，对比业界主流的28nm工艺，都具有一定优势，性能提升约10%，功耗降低约15%，面积减小15%-20%。
交流三：深度学习为什么能这么热火？
张总表示：深度学习，在七八十年代已经有了，现在的总体的技术跟那个时候其实没有很大的差别，不同的是因为数据丰富了，使得模型训练有了较好的载体。
交流四：目前的产品的计算能力如何，浮点的计算能介绍一下吗？
张总表示：视觉AI芯片具有2Tops/W的高能量效率。与Nvidia开源的nvDLA相比，相同运算力下，在很小的内存带宽下，算法模型效率可以提高18倍。与麒麟970相比，相同运算力下，比970的性能提高4.4倍。
这里之所以提到浮点计算，是因为浮点计算是AI的关键所在。首先有必要解释一下，什么是浮点计算。通俗来说，就是一种可以通用表示所有数字的科学计数法。它的表示形式为0.*****×10^***，其中小数点前面是定点小数，后面则是一个定点整数（10的N次方）。比如传统的1024整数，浮点数就表示成0.1024×10^4。不难发现，浮点数可以表示出任意一个整数和小数，并且比普通格式的计数方式数位更长，因此计算难度和精度也更高。而利用浮点数进行的运算就是浮点运算。浮点运算到底有多重要呢？这么说吧，目前所有的计算机处理器都采用的是浮点运算，所以AI芯片也是以浮点运算能力为基础展开的。
交流四：目前他们家的模型的数据样本来源？
张总表示：目前的数据都是自己内部的大量数据，都是采用人工标注的形式进行的。
这里提到的刚才说到了标注的问题，那现在标注是一项什么样的工作？需要什么技能？数据标注的问题。其实是一个很基础的问题，没有太大的难度。有些标注有工程师的，是需要使用某些软件，所以这部分岗位对应着title稍高些的数据标注工程师。
，
交流五: 目前，各种AI算法的内容，都会用用上CPU，GPU等内容，这些相关的内容，具体在什么场景下，用到什么X-PU,用什么芯片?
张总表示：目前随着AI概念火爆全球，做AI芯片的公司也层出不穷。为了让市场和观众能记住自家的产品，各家在芯片命名方面都下了点功夫，既要独特，又要和公司产品契合，还要朗朗上口，也要容易让人记住。比较有意思的是，很多家都采用了“xPU”的命名方式。目前在关于各种X-PU上，不同的场景用特定的芯片，这个也是必然的趋势。
AI芯片，百家争鸣，机遇伴随挑战，今天你争我夺，明天就可能并购。随着这些“xPU”的不断推陈出新，26个字母使用殆尽。据我知道现在就各种XPU的，基本在网络上基本从A-Z字母为开头的X-PU都已经被涵盖了：APU/BPU/CPU/DPU/EPU/FPU/GPU等处理器
交流六：目前在不同的场景下，用到什么样不同的算法？
张总表示：语言识别上，用的是基于时间序列的RNN的算法；而图像数据上，更多的是三维的数据，所以用CNN算法居多.
1.RNN
RNN是循环神经网络，因为很多相关的数据是基于时间的维度数据发生的推演，数据之间有特别重要的先后顺序，所以循环神经网络就是来解决这样的问题的：
2.CNN
卷积神经网络,卷积神经网络是解决图像数据，长宽高等方面的数据而采取的算法，具体会将某个图像中的细分成非常多的图片块，然后再对每个块分成长宽高进行描述，其中高是代表着图表中颜色（RGB）。人们在发现CNN在卷积的时候，每一次都会丢失一部分信息，所以为了解决这个方法就引进来了pooling的方法。
交流七：.问深度学习方面，目前制约深度学习的瓶颈的发展的是什么？
张总表示：目前很多公司的算法工程是是更多的怎么去调参,其实综观AI的发展史可知，
底部算法是才是制约AI发展的一个核心的关键。
另一个关键是目前深度学习，在商用落地方面还必须重要考虑的是功效的问题，只有功效的问题解决了，才能有更好的落地。
未来肯定是某个场景用特定的芯片，然后用级联的方式做集成。并且不同的级联方式，应用不同的模块。所以未来，在一个集成方面，还必须考虑一个集成如果解决芯片中，芯片的连接的问题。
最后是是关于AI，对正常的问题处理起来都没有大问题，现在的问题比较大的是对极端情况下，怎么做算法跟常用的应用。比如对于光线比较暗的地方，怎么去训练模型？在自己训练的模型中去拟合数据跑一个demo都是非常简单的，但是真正难的是，怎么将他商业化落地。
所以未来整个AI的发展也会是算法、功效交替迭代的过程。
最后给各位读者提供下开发模型的大概流程，关于此部分有些内容已经上传至知识星球，欢迎围观：
京公网安备 11010802022788号
