在余凯看来,人工智能时代,软硬件紧密结合将是技术和行业趋势,最有效的方式是软件和硬件在一家公司里面做。对于各方高度关注的中美技术竞争,余凯认为,中美芯片企业彼此需要,相互依赖。未来,中国将涌现出更多科学家创业的案例,产业资本将成为其坚实的资金提供方,同时也会受益于这些企业的技术突破。
路径和项目规划上的配合,难度要远超单一维度的软件和硬件。
除了技术的挑战以外,管理方面也存在挑战。
第一财经:余凯:
如何理解这里的管理挑战?举个例子,谷歌收购了智能家居公司Nestlabs,花了32亿美元。Nestlabs 是由前苹果员工,也就是被称为ipod之父的托尼·法德尔(Tony Fadell)创立的。苹果是高度软硬件结合的公司,并且苹果的管理形式是独裁式的,Nestlabs 也一定程度继承了这种传统;然而,谷歌是软件开发公司,其管理相当民主化。谷歌收购了Nestlabs以后,双方管理矛盾一直不能调和。谷歌背景的工程师和苹果背景的工程师很难在一起工作,导致软件和硬件的协调非常难。Nestlabs 刚刚创业的时候很受关注,因为他们引领了智能家居行业,其智能家居三件套当时非常流行。谷歌通过将法德尔开除试图去解决这个问题,但最终的结果是Nestlabs如今已经没人关注。
他们的整合不是很成功,恰恰说明了做软硬结合既有技术的挑战,也有管理的挑战,地平线也面临这些挑战,只是我们目前解决得还比较好。
第一财经:
如何看待通用芯片和专用芯片(人工智能芯片)的关系?地平线如何定位自己在芯片市场的位置?
我们过去认为CPU是通用芯片,一般认为通用芯片应该是万金油,做什么都可以,但如果CPU用来做深度神经网络计算的话,效率低到让人难以忍受。
实际上,没有所谓的通用芯片。CPU是序列执行的架构设计,适合逻辑计算,但神经网络计算是大量并行计算,大量神经元是同时开关、同时处理、并行处理的,是感知计算。
如果我们用“逻辑计算或感知计算”、“服务器或终端”对芯片公司进行划分,可以看到英特尔是“逻辑计算+服务器”、英伟达是“感知计算+服务器”,ARM是“逻辑计算+终端”,而地平线属于“感知计算+终端”。
不论是数据中心还是终端,随着数据的增加和人工智能相关需求的增加,未来人工智能相关的感知计算占比肯定要高于逻辑计算。
除了感知计算,为什么选择终
余凯: 第一财经:端市场?余凯:
其实这个问题就是为什么软硬件结合在边缘计算(靠近数据源头端计算)领域机会更大。服务器端不是不需要软硬结合,只是软件和硬件可以分得更开一点。相对终端而 言,服务器可以插电,对功耗要求较低,对实时性要求也不高。但未来的终端都是用电池的,对于效率更敏感,要求软硬件更协同。
在数据计算方面,边缘计算和中央计算未来在市场份额方面将平分秋色,大数据训练在中央计算,而数据计算执行在边缘计算,两者是相互配合的关系。
现在边缘计算占比还很小,互联网巨头都是以云计算作为出发点和根据地。从市场的重要性和空白点两个角度来考虑,我们选择这个市场定位。
从自动驾驶到物联网第一财经:
目前的深度学习被认为是专用人工智能(ANI),为什么地平线成立了通用人工智能(AGI)团队?
未来5到10年的时间里,边缘人工智能芯片肯定会从感知到决策,比如,汽车未来会有感知,也会做决策,未来汽车也是一种形态的机器人。如何让人工智能在不确定中做决策?这是通用人工智能要解决的事情。
目前深度学习主要是做感知,如果要过渡到通用人工智能,还需要引入增强学习和迁移学习,引入一些博弈论的概念,这些能让人工智能从被动的训练变成主动的学习。
以自动驾驶为例,如何验证自动驾驶的安全性?自动驾驶的安全性应该在极端条件、意外情况下去测试。意外情况指的就是训练数据中没有的情况,所以目前的深度学习和训练并不能保证汽车有足够的安全性,必须要去从大数据训练过渡到未来的人工智能自我推理、决策。这是我们特别关注的方向,这也是我们成立通用人工智能实验室并会有很大投入的原因。
余凯: 第一财经:
相对于深度学习的专用人工智能,目前通用人工智能发展很慢,未来这方面会有什么突破?
可以解决任意问题的通用学习是很难的,但集中于专门领域的通用学习更可能被突破,比如在围棋领域的通用人工智能就非常成功。如果聚焦自动驾驶,在这个领域进行强人工智能算法的开发,是很有可能突破的。
说到汽车,你如何看待自动驾驶的未来?这个领域会有什么样的时间节点?
自动驾驶是很宽泛的概念,包括L1、L2级别的辅助驾驶,L3以上级别的自动驾驶和无人驾驶。在高级别的自动驾驶和无人驾驶方面,我认为2025 年以前中国都不会有大规模的商业运营。
余凯: 第一财经: 余凯: