站長資訊網5月18日消息，據technologyreview報道，如果說人工智能(AI)能夠迅速蠶食掉軟件，那么谷歌可能擁有最大的胃口。在今年的I/O開發者大會上，谷歌發布了更為強大的芯片和以機器學習為基礎的超級計算機，它們將有助于谷歌成為以AI為重點的硬件制造商。
在I/O開發者大會上，谷歌首席執行官桑達爾·皮查伊(Sundar Pichai)介紹了谷歌研發的新計算機處理器，用于支持機器學習技術。近年來，機器學習已經在IT行業掀起強大風暴。此舉也反映出快速進步的AI正如何改變谷歌本身，已經有可靠跡象顯示，谷歌希望能領導AI軟件和硬件等相關方面的發展趨勢。
或許最重要的是，或者說至少對于研究機器學習技術的人來說，谷歌新的處理器不僅可以更快的速度執行任務，它還能被以令人難以置信的效率訓練。谷歌新處理器名為云張量處理單元(Cloud Tensor Processing Unit)，它以谷歌的開源機器學習框架TensorFlow的名義命名。
訓練是機器學習領域最基礎的部分。舉例來說，為了開發出能夠識別照片中熱狗的算法，你可能需要訓練算法識別數以萬計的熱狗照片，直到其學會區分。但是訓練某個大模型的運算非常復雜，而且這種訓練可能需要持續數天甚至數周。
皮查伊還在開發者大會上公布了機器學習超級計算機，或稱Cloud TPU Pod，它以Cloud TPU集群為基礎，可高速處理數據連接。皮查伊稱，谷歌也在研發TensorFlow Research Cloud，它由數以千計的TPU組成。皮查伊表示：“我們正建立我們所謂的AI優先數據中心，Cloud TPU正幫助優化訓練和推理，這為AI取得顯著進步打下基礎。”谷歌將制造1000套Cloud TPU系統，為那些愿意公開分享自己研發工作細節的AI研究人員提供支持。
皮查伊在主題演講中還宣布多個AI研究計劃，包括努力開發能夠學習如何從事耗時工作的算法，包括微調其他機器學習算法。他還稱，谷歌正為醫學圖像分析、基因組分析以及分子發現開發AI工具。在開發者大會之前，谷歌高級研究員杰夫·迪恩(Jeff Dean)表示，這些項目有助于幫助AI進步。他說：“許多頂級研究人員還沒有像他們所希望的那樣，獲得強大的計算能力支持。”
谷歌進軍以AI為重點的硬件和云服務領域，部分原因是受其自身業務加速的驅動。谷歌已經在使用TensorFlow為搜索、語音識別、翻譯以及圖形處理等提供支持。此外，谷歌也在Alphabet子公司DeepMind開發的智能程序AlphaGo中使用這種技術。
但從戰略上看，谷歌可能在防止其他公司在機器學習領域取得主導地位。比如專門研發和制造圖形處理芯片的英偉達，其芯片已經開始被用于深度學習領域，并在各種產品中變得越來越突出。為了提供某些措施以衡量其Cloud TPU提供的加速表現，谷歌表示其翻譯算法可能受到訓練，使用新硬件后比現有硬件速度快得多。32個最好的GPU全天的訓練量，TPU Pod只需要發揮1/8的水平就可在1個下午完成。
谷歌云計算團隊首席科學家、斯坦福大學AI實驗室主管李飛飛(Fei-Fei Li)稱：“這些TPU可提供驚人的128萬億次浮點運算，它們是專為驅動機器學習技術的芯片。”與之相比，iPhone 6可提供100萬億次浮點運算。谷歌表示，他們還可能為研究人員設計使用其他硬件的算法，這就是他們所謂的“民主化機器學習”。自從谷歌2015年發布TensorFlow以來，越來越多的研究人員開始使用它。谷歌宣稱，TensorFlow已經成為世界上使用最廣泛的深度學習框架。
機器學習專家目前正處于供不應求的狀態，因為許多行業的公司都希望能夠利用不斷取得進展的AI力量。皮查伊表示，解決這種技術短缺的方案之一就是開發機器學習軟件，用以取代AI專家開發機器學習軟件的部分工作。
在谷歌開發者大會上，皮查伊公布了谷歌下屬AI研究團隊Google Brain正正進行的AutoML項目，研究人員已經展示，他們的學習算法可以自動化執行特定任務的機器學習軟件設計中最棘手的部分工作。在某些情況下，他們的自動化系統還能夠提出媲美人類機器學習專家甚至超越他們的方案。皮查伊表示：“這讓人感到非常興奮，它可以加速整個領域發展，幫助我們解決今天面對的某些最具挑戰性的問題。”
皮查伊希望AutoML項目擴大開發者數量，他們可通過減少專業知識要求來更好地利用機器學習。這非常符合谷歌的定位策略，其云計算服務成為開發和托管機器學習的最佳平臺。谷歌也正努力在企業云計算市場吸引更多新客戶，因為谷歌在這個市場落后于亞馬遜和微軟。
AutoML項目的目標是幫助人們更容易使用深度學習技術，谷歌和其他公司正利用它支持語音識別、圖像識別、翻譯以及機器人研究等。深度學習可讓數據通過一系列松散的數學計算層幫助軟件變得更聰明，這種計算層受到生物學啟發，為此被稱為人工神經網絡。谷歌AutoML項目機器學習研究員富國樂(Quoc Le)表示，為神經網絡的數學模型選擇正確的框架非常重要，但卻并不容易。
特別提醒：本網信息來自于互聯網，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時聯系我們，本站將會在24小時內處理完畢。
