|
|
发表于 2020-5-11 03:16:21
|
显示全部楼层
本帖最后由 赚小钱 于 2020-5-11 03:17 编辑
很多方面
1. 硬件性能，比如 GPU，磁盘，网络
2. 软件层面:
工程:
1. 降低大规模集群的管理成本
2. 基础设施的可用性，易用性
3. AutoML
科研:
1. 人工智能是一个神奇的领域，当一个新技术出现的时候，之前的技术基本就是被淘汰的命运。同时，现在仍然无法证明深度学习的可用性。一切都是玄学。
2. 仿真，相对于深度学习，我更相信仿真。
3. 行业：
a. 人工智能
之前比较火热的两个行业，无人驾驶，自然语言处理。在疫情扩后，马上就会有人工智能看病，机器人服务员。
在上面的几个行业中，我最看好，或者说最有难度的是无人驾驶。和你想的一样吗？要完成无人驾驶，除了很小一部分的算法(不负责的估计，占比20%)，剩下大部分都是工程上面的，
包括
硬件
传感器: 雷达保证成本，提升性能，
GPU: 成本，性能，功耗
存储，网络: 依然是性能，成本，当然，存储还要有稳定性, 5G就是一个必要的基础设施。 我们之前使用的是 25G 的网卡，现在还够用，不知道两年后呢。
软件：
自动化部署：每一辆车都会是一个终端，当版本上线的时候，需要更新吧
数据闭环，监控：提高模型迭代的效率。通常情况下，做出一个精度 90% 的模型，非常容易，提升到 99% 的精度，也不需要花费多久的时间。但是，无人驾驶这个领域是不能有错误的，因为关乎人命。比如像某些产品的个性化推荐算法，推荐错了，用户根本不会在意，顶多骂一句推荐的什么玩意，但是依然会继续用。但是无人驾驶不一样，只要有一次识别错了，比如东北暴风雪的天气，导致无法识别路上的车辆，你说这个东西，能用吗？而且，还有一点，路上的车辆是互相遮挡的，大家凭直觉应该可以想到，你让机器识别一个规规矩矩，十分清晰的物品，应该是很容易的，但是，你要是把物体挡住一部分，甚至一大部分，然后，再由于实际路面的角度，光线等问题，导致传感器感知的物体本身就不是常规的样子，最终，识别的难度会大大增加。所以，以上这么多文字，就是为了解释，为什么要有数据闭环。通过这个，快速采集指定类型的数据(各种难识别的，业内称为 corner case)，然后通过自动化的流程，完成定向采集，数据处理，标注，训练，再部署。重复这个流程。
决策/控制算法: 什么时候可以超车，怎么超车，怎么左转。这个领域还处在非常初级的程度，大部分公司都是基于 RuleBase 的，说白了，就是 if-else。
长尾数据: 在数据闭环中提到过，无人驾驶行业，无论场景出现的多么少，在需要使用的时候，都必须能读出来。而普遍的互联网公司，他们的产品只会涵盖 80% 的用户的需求，剩下 20% 的需求，根本不会考虑。
海量数据: PB 甚至 EB 级别的数据，无论是文件占用的空间，还是数量，都是海量的数字。
车辆改装:
你在车上放两块儿 2080Ti，要不要考虑散热和供电啊，着实可怕。
之后看心情更新。
以上 |
|
( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)
狗仔卡
发表于 2020-5-10 07:56:05
置顶卡
千斤顶
显身卡
楼主