深度好文,关于计算机科学领域科技创新趋势的精确解读

发布者:炉火旁的Yye最新更新时间:2016-07-01 来源: eefocus关键字:深度学习  计算机科学  神经网络 手机看文章 扫描二维码
随时随地手机看文章
做科研,他是计算机领域优秀的科学家。1986年在博士论文中提出了分布式共享内存思想,开创了计算机科学的新领域,对后来的分布式计算、并行计算甚至今天的云计算影响深远。2012年当选为美国国家工程院院士,这是美国工程领域专家的最高专业荣誉头衔。

 

做企业,他是教授创业成功的代表。2001年与合伙人创办的科技公司Data Domain,创造了可删除重复数据的存储器产品线,两年后替代了50%以上的数据中心的磁带库产品,在同类产品中一直保持60%以上的市场占有率,78%以上的毛利率。2007年Data Domain在纳斯达克上市,2009年被最大的数据存储公司EMC以24亿美金收购。

 

 

他就是普林斯顿大学计算机科学系教授李凯。尽管在学商两界都取得了很多人难以企及的成功,但也和同时代的人一样经历过淬炼人生的坎坷,本应美好的青年时代在文革的动荡中渡过,16岁分配到长春第二有色金属冶炼厂当工人,依靠自学争取到上大学的机会,后考入中科院就读研究生,成为文革后第一批赴美自费留学生,32岁时,获得耶鲁大学博士学位,之后于普林斯顿大学任教。

 

创业成功之后,李凯又重新回到实验室,投入多个前沿科技项目。他与李飞飞教授(现斯坦福大学人工智能中心主任)发起的ImageNet项目,建立起了比以前大三个数量级的可共享视觉数据库,为全球的科研者提供了迄今最大的机器学习及视觉识别的知识库,颠覆了传统的视觉识别算法,推动了卷积神经网络深度学习)的发展,成为当前最有效的机器学习的方法。ImageNet团队每年的大规模视觉识别挑战赛现被学术界和工业界最有价值的竞赛。

 

在网易未来科技峰会前夕,李凯接受了采访。有着在美国从事科研30多年的经验,又对中国的科技进展有着敏锐的观察,李凯从一个全新的视角分享了如何才能使科研成果取得商业成功、以及如何才能做出真正有价值的科研成果。

 

“最重要的是市场机会”

按照惯常的逻辑,Data Domain的成功应该是一个先有核心技术,然后将其技术商业化的故事,但李凯告诉媒体,事实并非如此。

 

“最重要的是市场机会。”在2001年学术假期的夏天,他看到录音带和录像带都在被基于磁盘的产品所代替,数据中心用于数据备份的磁带库也应该被基于磁盘的产品代替,这其中蕴育着巨大的市场机会。洞察到这一变化,李凯决意停薪留职,开始了创业之路。“我是在了解到应该创造的产品后,才开始开发需要的核心技术。”李凯认为,这跟国内科技公司创业的普遍路径并不相同。

 

Data Domain是在“911”事件一个月后启动的,但是对于创业者来说抓住时机非常重要。当时股市大跌,投资机构压力很大,Data Domain为了得到投资机构的支持,牺牲了大量股权,但没错过市场机会,最终成为了行业的独角兽。

 

有了市场机会之后,最重要的成功因素还是人,李凯总结,Data Domain之所以成功最关键的是——“聚集了最有才能的一批人,”包括合伙人、工程师、管理人员以及风险投资公司。

 

成功的第二个关键因素是对市场上的客户有很好的了解。根据市场需求设计出好的产品线,每季度,每年都要不断地推出新功能或产品,最终才能够成为市场的领先者。

 

第三则是核心技术要充分利用工业界的主流技术趋势,才有持久性的竞争。Data Domain就利用了计算机主机芯片多核的趋势不断地改进产品性能,利用云存储的趋势提供远地防灾数据备份服务。数据增长的趋势大约每5年增长10倍,而互联网带宽的增长趋势远小于少于数据增长率,只有大约每10年增长10倍。为了解决大数据传输带宽的问题,远地数据备份需要新的数据压缩算法从10—30倍提升到50-100倍。

 

第四个关键因素是要建立新的细分市场,成为市场的领导者。Data Domain在2007年建立了重复数据消除存储市场,一直保持60%以上的市场占有率。

 

“把数据变成知识是最重要的趋势”

Data Domain创办之后,李凯2004年左右回到了普林斯顿大学。虽然在公司做创新工作很有意义,但李凯发现自己还是对培养学生更感兴趣。他认为“学校创造的主要产品是学生,科研是培养学生的过程。”他愿意培养有科研能力的学生,“跟学生一起做科研项目,产生一些科研成果,推动科学和技术发展。”

 

李凯认为,未来在计算机领域,目前能看得到的有三大趋势:

第一,很多服务都挪到云端。其中包括计算能力、数据共享、企业管理、商业服务、银行、社交等。

第二,把数据变成知识。对于大数据的挑战在于,如何加速科学知识的发现和发展。数据增长速度很快,每15年增长1000倍,如何能让科学知识的发现和发展也15年增长1000倍是最大的挑战。现在很多科研工实践比如机器学习,创造知识库、支持深度学习的硬件等,都是为了这个挑战。

第三,大量的软件和硬件设计开源。由于源代码可以共享,推动了整个工业界发展。比如Linux和安卓都是开源的软件,是很多做系统和做手机及平板电脑的公司很快做出高质量的产品。

 

李凯教授目前的科研项目主要是和把数据变成知识的趋势有关:

第一,是关于创造知识库。也就是前述ImageNet的项目。在有ImageNet之前,计算机图像识别领域,更多人是投入到对算法的研究当中,知识库的构建是个短板。李凯打了个比方,就像只有小学一年级的课本,学习方法再好,学出来也还是小学一年级的毕业生。“算法需要有比较大的数据知识库才能起作用。深度学习的算法上世纪80年代就提出了,直到2012年才开始闪光,就是因为以前知识库太小,有效的算法发挥不出来。”李凯告诉网易科技,知识库大了之后,反而发现很多算法效率低。ImageNet这个项目,对计算机图像识别的研究起到了颠覆性的推动作用。

第二,是关于脑神经科学的项目。这个项目是和普林斯顿大学脑神经科学的科学家合作,研究大脑工作的原理,搞清楚大脑的不同部位之间是如何通讯的。研究的结果可以用来训练人集中注意力,或者帮助诊断脑震荡等,价值巨大。未来,对大脑工作原理的理解、对人工智能的发展至关重要。

第三,帮助医院做数据分析,用大数据帮助精准医疗,从而对疾病做出预测。李凯举了个例子,比如癌症患者,能否在被感染的初期就通过血液的化验等识别出来,对类似的患者,从机器学习的办法推断出来,从而及时加以干预,将对医疗有巨大的帮助。

关键字:深度学习  计算机科学  神经网络 引用地址:深度好文,关于计算机科学领域科技创新趋势的精确解读

上一篇:出门享受总统待遇,无人机为你撑伞
下一篇:会扔垃圾会洗碗,这款机器人堪比保姆

推荐阅读最新更新时间:2024-05-03 00:30

IBM为AI注能,力推PowerAI深度学习架构
因应人工智能( AI )快速发展,并完善台湾AI生态系, IBM 宣布与群环科技扩大合作, PowerAI 深度学习平台框架,提供AI解决方案的仿真测试,加速深度学习框架与神经网络训练时间 ;而IBM也于日前发布新一代POWER9处理器,提升AI运算效能,期待在PowerAI深度学习平台框架及POWER9的助力下,提升企业AI竞争力。 台湾IBM硬件系统事业部总经理李正屹表示,在AI浪潮下,有许多企业积极思考转型方向及IT部署策略,IBM积极从硬件加速上层应用之发展,与群环科技扩大合作,力推PowerAI深度学习架构等认知解决方案 ;同时IBM也持续在大型主机、服务器及储存领域的服务中注入AI动能,像是推出POWER9及相关数据流
[嵌入式]
为什么AI工程师那么贵?和数学有关
数学基础知识蕴含着处理智能问题的基本思想与方法,也是理解复杂算法的必备要素。今天的种种 人工智能 技术归根到底都建立在数学模型之上,要了解人工智能,首先要掌握必备的数学基础知识,具体来说包括:   线性代数:如何将研究对象形式化?   概率论:如何描述统计规律?   数理统计:如何以小见大?   最优化理论: 如何找到最优解?   信息论:如何定量度量不确定性?   形式逻辑:如何实现抽象推理?   线性代数:如何将研究对象形式化? 事实上,线性代数不仅仅是人工智能的基础,更是现代数学和以现代数学作为主要分析方法的众多学科的基础。从量子力学到图像处理都离不开向量和矩阵的使用。而在向量和矩阵背后,线性代数的核心意义在于提供了⼀种看待
[嵌入式]
从“实战”出发 NVIDIA深度学习学院的本土化进程
“我们的开发者项目之所以在过去一年取得巨大的成功,是因为AI技术实现了爆发式的增长。涉及到交通、汽车、自动驾驶、制造、医疗、媒体、娱乐、游戏等等增长非常迅猛的行业。”在NVIDIA GTC 2019上,NVIDIA开发者计划副总裁Greg Estes,就深度学习学院(DLI)的相关问题,接受了EEWorld记者的专访。 NVIDIA开发者计划副总裁Greg Estes 深度学习学院已成NVIDIA招牌项目 Greg Estes首先就DLI在GTC上的表现进行了介绍:“‘深度学习学院’的学习机会,在GTC当中是非常出彩的一个环节,而且每次一开放就会被很快抢光。在深度学习学院当中,我们提供的培训内容和我们内部工程师做的培
[嵌入式]
从“实战”出发 NVIDIA<font color='red'>深度学习</font>学院的本土化进程
特斯拉新专利:让神经网络自动适应硬件平台
据外媒报道,最近,特斯拉一项名为“让神经网络模型适应硬件平台的系统和方法”(System and Method for Adapting a Neural Network Model On a Hardware Platform)的专利被公布。 (图片来源:teslarati.com) 一般而言,神经网络是一组用于收集数据并从中识别模式的算法。所收集的具体数据取决于所涉及的平台以及平台可以向网络发送的信息类型,如摄像头/图像数据等。平台之间的差异意味着神经网络算法之间的差异,而进行调整对于开发人员而言非常耗时。就像应用程序必须经过编程才能够在手机或平板电脑的操作系统或硬件上工作一样,神经网络也是如此。不过,特斯拉对于神
[汽车电子]
特斯拉新专利:让<font color='red'>神经网络</font>自动适应硬件平台
人工智能赋能自动驾驶汽车技术向实用化发展
——诠释图形处理器(GPU)和神经网络加速器芯片如何为汽车应用提供智能优势 作者:Imagination Technologies汽车产品部总监Bryce Johnstone 汽车行业是推动人工智能(AI)发展的重要行业之一,这是因为该行业致力于自动驾驶汽车和高级驾驶员辅助系统(ADAS)的泛在利益。 汽车正在变得越来越智能,但是如果汽车行业要实现完全自动驾驶的目标,他们还有很长的路要走。尽管业界还在讨论实现全自动化所需的理想技术组合,但是有一点是明确的,那就是人工智能,尤其是神经网络将发挥重要作用。 神经网络 神经网络的作用是执行对于传统视觉或模式识别系统来说具有挑战性的任务。通过使每个神经网络各自不同,并
[汽车电子]
人工智能赋能自动驾驶汽车技术向实用化发展
深度学习神经网络带来的网络安全威胁大揭秘
历史表明,网络安全威胁随着新的技术进步而增加。关系数据库带来了SQL注入攻击,Web脚本编程语言助长了跨站点脚本攻击,物联网设备开辟了创建僵尸网络的新方法。而互联网打开了潘多拉盒子的数字安全弊病,社交媒体创造了通过微目标内容分发来操纵人们的新方法,并且更容易收到网络钓鱼攻击的信息, 比特币 使得加密ransowmare攻击成为可能。类似的威胁网络安全的方法还在不断产生。关键是,每项新技术都会带来以前难以想象的新安全威胁。 最近, 深度学习 和 神经网络 在支持各种行业的技术方面变得非常突出。从内容推荐到疾病诊断和治疗以及 自动驾驶 ,深度学习在做出关键决策方面发挥着非常重要的作用。 现在我们所面临的问题是,知道神经网络和深度学习算
[安防电子]
<font color='red'>深度学习</font>和<font color='red'>神经网络</font>带来的网络安全威胁大揭秘
如何让IoT应用得以从芯片自我学习中受益
比利时研究机构Imec认为,相较于使用神经网络,基于电阻和磁内存单元数组的机器学习加速器更有助于降低成本和功耗。例如,在其最初的研究结果显示,磁阻式随机存取内存(MRAM)数组可让功率降低两个数量级。 但这项具有前景的开发工作仍处于初期阶段。Imec预计要到今年稍晚提出专利申请后,才会发布更多有关该芯片的架构及其性能等细节。该研究机构从一年半以前开始组成机器学习小组,期望扩展在其核心任务——芯片制程技术以外的更多相关研究。 在今年的Imec技术论坛(ITF2017)开幕当天,研究人员们率先发布这款芯片,同时也介绍其于低功耗眼动追踪系统的最新进展,以及一款可为义肢提供更高阶触觉反馈的植入式芯片。 在自我学习分类任务方面,
[工业控制]
基于GA和神经网络的非线性特征变换
摘要:在分析传统方法的基础上,将GA与神经网络相结合,提出了一种特征变换的新方法,二者优势互补,通过与传统的特征选择方法比较,用实例验证了该方法的正确性和可信性。 关键词:GA 神经网络 特征选择 特征变换 在机器学习和KDD领域,事物的属性和属性取值反映了事物的本质和度量,为了描述一致,统称为模式特征。在传统文献中,模式特征一般分为物理特征、结构特征和数学特征 。 物理特征和结构特征容易被人类感官所接受,便于直接识别对象。在人工智能领域,物理特征和结构特征以数学特征的形式表现出来,特征提取主要指特征数据的处理方法和过程。广义上的特征提取按属性数据的处理方式分为特征直接提 取和间接提取,又称为特征选择和特征变换。 (1)直
[网络通信]
小广播
最新嵌入式文章
何立民专栏 单片机及嵌入式宝典

北京航空航天大学教授,20余年来致力于单片机与嵌入式系统推广工作。

换一换 更多 相关热搜器件
电子工程世界版权所有 京B2-20211791 京ICP备10001474号-1 电信业务审批[2006]字第258号函 京公网安备 11010802033920号 Copyright © 2005-2024 EEWORLD.com.cn, Inc. All rights reserved