Cliquez sur le dessus de la voiture [nuage], et voir plus d'attention à la période du contenu.
"
Pilote automatique avenir, devrait être comme AlphaGo même, la profondeur de l'apprentissage.
"
Car Nuage presse: 21 juin 2017 --22 jours, par l'Association de l'industrie de la sécurité de la Chine, les alliances de l'industrie de TIAA avec le réseau application cloud voiture co-hôte du Sommet de l'industrie de la sécurité de la Chine 2017 et l'industrie de la sécurité Premier trafic Forum tenu à Beijing. Cet article est le fondateur de la technologie robotique horizon et chef de la direction Yu Kai discours à la conférence, qui pour l'expansion future de la technologie de conduite automatisée sont présentés et illustrés par des exemples étude approfondie sera l'avenir de la technologie de conduite autonome a apporté de grands changements.
Horizon fondateur Robotique et chef de la direction Yu Kai
Ce qui suit est l'enregistrement de la parole:
Reconnaissants d'avoir une bonne occasion de travailler avec des collègues de l'industrie de faire rapport au sujet de l'échange avec certains des travaux que nous avons fait dans la technologie automobile. Notre société est dans les profondeurs avec de nouvelles intelligence artificielle pour faire des solutions de processeur pilote automatique, donc je présente le travail dans ce domaine.
De la « nuage final » à l'horizon pour construire des véhicules autonomes systèmes cérébraux
Robot Horizon, en fait, nous ne faisons pas des robots, nous avons peut être considéré comme le cerveau du robot, sans doute, si l'on veut faire face à l'avenir, si nous pouvons influer sur la vie humaine, la plus grande et touche tout le monde de la salle d'accouchement à l'hôpital de naissance dans un hors de la maison à l'intérieur, puis toutes les étapes de la vie dans son ensemble. Quel impact profond sur votre robot de vie est-il? Je pense qu'il est plus important qu'une voiture. Donc, si vous le faites pour la robotique, je pense qu'il n'y a pas de pilote automatique de doute.
Horizon est maintenant son siège à Beijing, Zhongguancun, nous avons également un centre R & D à Nanjing, récemment établie à Shanghai Anting pilote automatique notre centre de R & D. Maintenant, nous avons 200 ingénieurs, en fait, additionnez tous les types d'employés, y compris les stagiaires près de 400 personnes, logiciel de conception d'architecture, les algorithmes, le matériel, le processeur.
Le soi-disant pilote automatique orienté vers l'avenir, d'une part dans la voiture cette fin, nous devons déployer des algorithmes d'intelligence artificielle de pointe, de la planification à locate perçue la modélisation de l'environnement et la prise de décision au contrôle. La complexité de ces algorithmes, avec la plate-forme informatique d'aujourd'hui, nous utilisons habituellement par exemple CPU est de ne pas accomplir. On peut voir, en plus des algorithmes d'intelligence artificielle dans le passé quelques années un développement rapide, tout en parallèle au développement de la scie Google font de la recherche et le développement dans les processeurs d'intelligence artificielle d'Intel à NVDIA puis, bien sûr, en Chine à l'horizon la société est engagée dans le premier changement de processeur intelligence artificielle. Donc, il doit être déployé dans la voiture pour aller au-dessus de cet algorithme, il faut assez de faible consommation d'énergie, la voiture ne peut pas chauffer assez pour être en sécurité. D'autre part, c'est un grand système de données, parce que la voiture en permanence dans les données sensorielles, transmet de nouvelles données vers le cloud, la formation à grande échelle en parallèle dans le nuage, puis construire un nouveau modèle de voiture, puis redéployer au niveau local fin. Ainsi, il est également calculé dans un grand nuage de données, nous construisons une « fin nuage » de ce systèmes cérébraux de voiture, de logiciel au matériel.
La clé est d'apprendre la profondeur de la machine d'auto-apprentissage
Parlant étude approfondie, sans doute, comme un tourbillon au cours des cinq ou six dernières années, l'impact des sociétés Internet à l'industrie automobile traditionnelle. De l'étude de ce collège relativement intello, dans les rues aux dirigeants nationaux à chaque peuple parlent d'échecs AlphaGo, ils sont principalement derrière les progrès de la profondeur de l'apprentissage.
l'apprentissage en profondeur est en fait une branche de l'apprentissage de la machine, que l'on appelle l'apprentissage de la machine est de construire un algorithme, comme le cerveau humain, comme, pour ne pas les données, obtenir l'apprentissage plus intelligent de l'expérience. Dans les années 1980 fin pour devenir le courant dominant de l'apprentissage de la machine d'intelligence artificielle, apprentissage machine traditionnelle est généralement une étape, un pré-traitement, puis de commencer à extraire des caractéristiques perceptives des données, les variations des caractéristiques, et enfin à la prédiction avec l'identification, ce qui est typique de l'apprentissage de la machine.
Enfin, la dernière étape est de savoir comment faire la perception d'extraction de caractéristiques après terminée. Et dans l'apprentissage en profondeur, il est de regarder tout le système en tant que cadre, le prétraitement et l'extraction de caractéristiques avant fait très important, mais ses exigences plus informatique, plus critique pour le résultat final. Ces études ont été dans le passé ignoré, l'étude approfondie de l'influence de toutes les étapes intermédiaires sont devenus une machine étude indépendante, à partir de la perception des données, jusqu'à ce que les résultats des données de sortie finales sont tous avec une grande formation.
Le lieu il y a cinq ans, que ce soit en Chine ou aux États-Unis, il semble tout un fantasme, cette année est devenue une réalité. Le plus grand succès de ces reconnaissance des ordinateurs, la reconnaissance vocale, y compris la publicité, je travaillais dans Baidu, comme l'Internet, la recherche et aller aujourd'hui dans ce système de prise de décision, en fait, les meilleurs systèmes sont basés sur la profondeur de l'apprentissage.
Dans ces deux exemples qui part je, je pense que fait une très importante, et deux exemples de produits réels ont un impact significatif sur l'activité dans l'étude approfondie de l'application.
Le premier exemple est l'année dans Baidu, nous faisons un projet, le projet qui espère avec l'apprentissage en profondeur pour améliorer la pertinence des moteurs de recherche. Baidu et Google ont effectivement fait quelque chose comme ça, bien sûr, Baidu Google que fait un an plus tôt. D'une part, la façon dont nous voulons utiliser grande formation de données, généralement manuellement les données de marque, nous pouvons marquer environ 300.000 échantillons, peut effectivement été très difficile. Parce que le coût de l'étiquetage est très cher, très chronophage.
L'utilisateur ne peut pas utiliser les données pour former naturellement, sans qu'il soit nécessaire pour le marquage manuel? En fait, nous pouvons aller avec ces données. Par exemple, l'utilisateur entre une adresse, nous craignons que l'utilisateur clique sur l'adresse, l'autre n'a pas cliqué sur. En fait, cliquez sur la page que la recherche des mots clés pertinents à un autre sans clic, on peut utiliser des triplets, des termes de recherche et cliquez sur la page web sans clics, ternaire groupe constitué d'échantillons de formation . On peut voir l'échantillon de formation en fait, vous n'avez aucune restriction, vous pouvez obtenir des échantillons de formation de recherche illimitée, nous pouvons former un million de paramètres de réseau de neurones de profondeur, c'est la face du moteur dans l'histoire de la pertinence ensemble du moteur de recherche la plus grande ascension technique.
Un autre exemple qui a appelé AlphaGo, AlphaGo ont fait beaucoup de très, très impressionnant de nouvelles percées technologiques. Mais on pense qu'il ya un noyau, par exemple, notre récente AlphaGo 2.0, en fait, il n'a pas utilisé les données d'étiquetage, il n'utilise pas de données d'annotation artificielle. Il est en fait entre chaque coup par des programmes virtuels, puis a continué d'améliorer sa force. Tel est le cas, aussi perça les limites des données marquées d'une solide formation d'un réseau de neurones à apporter, il sera libre d'apprendre.
Alors viens de parler au sujet de ces rien son des choses à faire avec le pilote automatique, mais je suis un peu d'inspiration de ces deux histoires à l'intérieur. Tout d'abord, le premier point, le premier système qui, avec la profondeur du réseau de neurones pour faire le tri, le noyau de l'intérieur de l'idée est que, plutôt que de laisser l'artificiel aux données de marque que nous ne pouvons le laisser aller à l'intérieur des données utilisateur naturel indépendant apprendre?
Le deuxième exemple est jeu d'échecs. Passez par les données suivantes naturelles, utiliser le système pour faire la simulation virtuelle, de l'intérieur pour éclairer les données de simulation virtuelle et de la formation puis le modèle. Ces deux idées, il est un noyau en commun: nous ne sommes pas dans un système artificiels de construction virtuels, mais les systèmes artificiels auto-apprentissage, c'est le sujet principal de mon discours aujourd'hui. les voitures de l'avenir qui se conduisent, il est en fait auto-apprentissage, plutôt que d'être formé, il est très important. Il y a un élément de base, c'est-à-dire dans la formation, le temps d'apprentissage, il est naturel d'apprendre de l'intérieur des données, plutôt qu'un passif aux étiquettes de données d'entrée.
Ensuite, les données de logiciel au matériel, la construction du système de pilote automatique intégré a une capacité d'apprentissage en profondeur
En fait, je vous ai déjà parlé du point principal de mon rapport aujourd'hui. Horizon think construction de l'avenir du système de pilote automatique, si vous faites simplement le logiciel ou le matériel ne suffit pas de le faire, plutôt que de système de construction simplement de grandes données dans le nuage à la fin locale ne suffit pas. Nous devons donc faire est d'appeler le développement de la technologie pile complète, du logiciel au matériel, du local vers le nuage.
D'abord le niveau du logiciel, nous devons surmonter de nombreux défis, je pense qu'il ya trois grands défis. Ce qui rend le premier système dans un système de boîte blanche de la boîte noire. La seconde est de dire comment rendre le système capable d'apprentissage autonome. Le troisième est de dire comment faire ce logiciel convivial matériel, parce que nous devons de faible puissance, à haut rendement, à faible latence, il est un logiciel avec un ajustement du matériel est très important.
Comment construire un interprétables, on peut comprendre la profondeur des réseaux de neurones font? Nous devons regarder en arrière à l'histoire de l'intelligence artificielle. Lorsque fin des années 1980, les réseaux de neurones ont été proposés à la chaleur pendant un certain temps mais il était froid aujourd'hui. Dans les années 1990 à partir d'un raisonnement causal à l'exportation théorique, en fait, est le courant dominant, à 2011, lorsque la baisse, parce que la profondeur de l'apprentissage et plus. L'histoire du développement du cycle, mais semble que l'on appelle la technologie de réseau Bayes peut effectivement être combiné avec la profondeur du réseau, il est également un système de boîte blanche, c'est l'horizon que nous faisons.
Un tel système de boîte blanche, peut être compris comme un réseau de Bayes de très grand, en fait, est un petit, la profondeur de la représentation de réseau de sous-neurale. Une telle interface entre le module avec le module est clairement définissable, mais en réalité il peut mettre fin à l'ensemble du système d'apprentissage. En même temps, dans un tel cadre à l'intérieur, ce système est un tout auto-apprentissage en permanence, jour et nuit, chaque seconde en continu de l'expérience de la façon d'apprendre.
Il y a aussi un avantage car il est clairement défini entre l'interface, il peut donc être très facile d'intégrer des systèmes basés sur des règles, des systèmes basés sur des règles artificielles. Un autre point est de savoir comment construire la profondeur d 'un seul réseau de neurones, de sorte qu'il est interprétable.
La décision finale concernant, si la décision va effectivement utiliser la voiture est en fait pas un tel cadre appelé l'apprentissage de renforcement d'un tel cadre, juste un comportement naturel de chaque pilote pour apprendre, mais aussi de la simulation l'intérieur d'apprendre du système. Ceci est aussi le reflet de ce que je viens de dire deux points de vue, à partir des données naturelles pour apprendre, apprendre par l'émulation, sur les limites indiquées dans le catalogue apporte.
L'autre est sur le matériel que nous mettons l'accent sur deux aspects, le premier aspect est le matériel du système, y compris le compilateur avec le logiciel d'exécution et d'améliorer le fonctionnement du logiciel. En même temps, nous devons localiser la perception de modélisation en trois dimensions pour prédire le raisonnement, en fait, nous voulons re-conception de son architecture processeur basé sur l'architecture logicielle d'adaptation lui-même. Ceci est en fait actuellement dans le TPU de Google, y compris horizon BPU récemment fait, selon le matériel du logiciel de reconstruction.
Nous pouvons voir que, dans l'ère de l'intelligence artificielle en fait, l'ensemble du processeur d'applications logicielles pour conduire le changement de prendre effectivement lieu. Nous pouvons voir la profondeur du réseau de neurones informatique dans lequel notre performance ABG traditionnelle de différentes capacités avec GPU, nous pouvons voir dans un an et demi à l'intérieur d'une rangée classement est probablement moins il y a quelques années à des sociétés de semi-conducteurs aujourd'hui, en tant que deuxième plus grande société de semi-conducteurs du monde, pour devenir une entreprise de 100 milliards $, car le lecteur d'apporter l'intégralité de l'application logicielle de l'architecture processeur reconfigurable, une nouvelle opportunité apporte.
En fait, il y a aussi une opportunité considérable, car les algorithmes logiciels évoluent, comment faire l'architecture de votre processeur et flexible. En fait, de la manière la plus flexible pour changer le circuit et la manière ci-dessus, FPGA ont réellement vitalité assez dans le domaine du pilote automatique. Bien sûr, une fois que l'algorithme logiciel final lui-même peut être fixé, il doit être la direction des circuits intégrés spécifique de l'avenir, le soi-disant appelé ASIC. Google TPU horizon et sont BPU aller en ce sens, vous pouvez le voir en puissance de calcul maximale TPU par watt de puissance de calcul, mais est en fait relativement faible. ASIC pour faire le mieux possible, mais à la même puissance par watt de puissance de calcul peut être augmentée de 30 fois à 50 fois plus rapide que le GPU actuel, c'est maintenant au centre de la compétitivité industrielle. Horizon calculé conformément à ce qu'on percevait continuer à renforcer les capacités de prise de décision.
Ceci est notre collaboration avec Intel pour faire ensemble dans le processeur, par exemple, nous utilisons la conception de processeurs de faible puissance peut se faire en temps réel, pour chaque niveau de perception de pixels, chaque pixel en face d'une route très complexe, tous les piétons, non seulement il est probablement sorti de la boîte, puis tous les détails de la frontière sont capables de faire ce traitement très précis. Ensuite, nous avons l'architecture de processeur de nouvelle génération, en fait, sera perçue de deux dimensions à la perception sémantique en trois dimensions pour se développer. Je pense que, finalement, par la conception conjointe de matériel avec un logiciel, en fait, permet au capteur de calculer le plein en temps réel, puis de comprendre qu'il se passe autour non seulement des informations statiques, la position relative de l'information, y compris dynamique prochaine 5 piétonne avec le véhicule quelle direction PASSEZ. Pour atteindre le nec plus ultra en matière d'efficacité, le retard, la précision dans ce domaine, alors un résultat optimal, il est l'ensemble de l'industrie aller de l'avant pour le développement.
Enfin, je veux parler des données, la croissance du volume de données à l'époque à venir de la conduite automatisée est un grand défi. Désormais, presque tous les téléphones cellulaires, il dispose de plusieurs capteurs, un nombre croissant, le nombre de chaque voiture à l'avenir sera de plus en plus des capteurs. Ainsi, la croissance du capteur doit être supérieure à la croissance démographique. Dans ce cas, la croissance de la croissance des capteurs de données est linéaire, avec la croissance des données de croissance calculée est non linéaire, comme des algorithmes est plus complexe invention Il sera proposé. Donc, il est calculé pour apporter un énorme défi.
Donnez-vous un exemple pratique, est en train de faire dans la vision informatique universitaire, le plus grand ensemble de données est un échantillon de près de 1 million d'images, mais un des véhicules autonomes échantillons prélevés le jour est de six millions d'images haute définition automatiquement. 1000 ces véhicules, les données recueillies en un jour, ce qui équivaut au nombre de moteurs de recherche de Baidu ensemble des images extraites de l'ensemble d'Internet. Donc, 1000 voitures qui conduisent un jour, il a recueilli une quantité de données est si grand. Alors, comment pouvons-nous traiter avec le calcul d'un tel? En fait, il y a un autre aspect du défi de ce calcul.
Vous collectez des données dans la vraie route qui, par exemple, a dépassé 10 millions ou un milliard en fait, très difficile. Mais il y a beaucoup qui ne peuvent pas être pleinement exposé, cette simulation permet diverses situations totalement exposées, des milliards de kilomètres virtuels constamment à tester dans votre centre de données, c'est un pilote automatique nécessaire route.
Enfin, pour résumer, le premier point, la profondeur de l'apprentissage dans l'avenir conduira à pilote automatique révolution, comme nous le voyons beaucoup de domaines, si on dit que la vision par ordinateur, la reconnaissance vocale, ou aux échecs, ou beaucoup de robot intelligence artificielle l'application, ont appris la profondeur de la révolution. Le deuxième point, au-dessus de la route, puis dans l'avenir ne sont plus auto-renouvellement, puis les voitures qui se pilotent doivent, habitera dans une voiture d'auto-apprentissage constant, pas que vous allez en ligne à elle la formation, la formation est terminée. Le troisième point de vue, est la profondeur de l'apprentissage présente de nombreux avantages, mais nous devons faire face à ses défis, est qu'il est maintenant un système de boîte relativement noir. Le quatrième point de vue, je pense que c'est très important, il faut aller comme la profondeur que l'on appelle du matériel et les logiciels Apple pour intégrer la conviction que la sécurité de l'ensemble du système avec une efficacité, une fiabilité optimale. Seuls les logiciels ou le matériel ne suffit pas seulement.
Oui, je partage est que, je vous remercie.
Cliquez ci-dessous pour lire [l'original], et voir immédiatement deux jours le discours complet, les invités lourds, pleins de marchandises sèches.
