人工智能和机器学习中心舞台——这是为什么
我们到达了一个重要的时间点,对人工智能(AI)的兴趣,机器学习和深度学习获得了大量的牵引,为什么?我们正进入一个时代,科幻小说已经成为事实和现实。
人工智能和机器学习不是新概念;引用希腊神话中充斥着巨大的自动机,如塔洛斯的克里特岛和火神赫菲斯托斯的青铜机器人。然而,现代人工智能的思考机器的想法,我们都已经明白了达特茅斯学院成立于1956年。
自1950年代以来,许多研究,规划和项目到AI发起和资助数十亿的曲调;它也见证了无数炒作周期。但是,只有在过去的5 - 10年,人工智能的前景成为现实,真的。
研究计算的兴起
研究计算一直是高性能计算(HPC)的同义词二十多年,天体物理学等领域的首选工具。但是,在过去二十年中许多其它领域的科学研究开始需要传统的高性能计算系统之外的计算能力下降。
生物信息学为例,这是一个研究领域,旨在开发方法和软件工具对于理解生物数据,如人类基因组,需要更大的计算能力,但许多现有的HPC系统有着不同的要求。然而,结果最快的方法是补习到这些系统,现有的HPC不适合的目的。
这是研究计算出生的地方。你不能只有一个系统对于所有类型的研究,需要多样化,并提供一个服务或平台。从那里,HPC系统开始被用来满足不同的工作负载需求,如高端内存节点需要处理和分析大型,复杂的生物数据。
即使如此,科研人员非常擅长累人的一台超级计算机的可用资源,难得找到一个HPC系统都闲置,或有能力进行更多的研究项目。
想要的,需要的,更大的系统,大学开始看向云平台,帮助科学研究。的原因之一的云技术,如OpenStack开始立足在高等教育。
您可以构建超级计算机硬件——便宜,容易获得,通常广泛兼容范围广泛的技术,并且可以函数基于一个即插即用,使用这种日常研究。云方面可以使组织“突然”的公共云的工作过于复杂或大型商品HPC系统。
公共云提供商很快发现了这个机会,这就是为什么我们看到亚马逊和微软把很多工作构建hpc类型的基础设施,现在将图形处理单元(gpu)和InfiniBand的连接。
较大的增长HPC系统和利用公共云基础设施的能力使得研究变得更加的运算量,也得益于日益使用gpu,本质上是增压科学研究。
这种推进技术的结合使得人们进行深度学习和机器学习在一个更有意义的意义上,现代人工智能系统的前兆。尽管深度学习和机器学习算法存在多年,可用的计算能力不是并行运行大数据集,在任何类型的有用的时间。
你现在可以有多个gpu集群系统,可以解决大量数据使用大量复杂的算法。现在可以在时间框架,使深度学习和机器学习项目在经济上可行。
这个研究计算遗产和扩大研究的计算平台,将公共云,gpu的发展,使人工智能。有巨大的利益在人工智能和最尖端的研究人员正试图了解认知计算可以应用于他们的研究,并提供一个竞争优势。
没有一个不能受益于人工智能
哪里有数据有可能受益于人工智能。如果你已经有数据集用来产生见解或成果(几乎每个人都做什么!)那么你已经有了一个训练数据集,可以教您选择的算法如何帮助你。有许多可能的影响以这种方式使用人工智能:
- 对人类决策提供帮助。该算法给出了建议和提供推理,允许一个人接受或拒绝的建议。这将是相关领域,如医学,医生可以提供一个人工智能辅助诊断。
- 使生活更有趣,任何任务,一个人可以实现在第二个有潜力成为由人工智能。为什么一个人要坚持重复性任务当AI能学会这样做时,允许人们自由做更复杂的任务和有更多的空闲时间吗?
- 提高效率不作妥协。平方公里阵列(SKA)是一个很好的例子,人类不是身体上能看到,和评价,生成的大量数据从一个项目——一个巨大的比例数据丢弃之前已经被分析了。同时大量的数据从斯卡可能只是“噪音”或临时文件,它仍然是值得考虑的可能是什么数据丢弃。如果你应用人工智能的线的动态数据和分析它,你开始提供更大的明晰和确定数据你保持和丢弃。
研究计算和人工智能的未来
它一直是计算能力,举行了AI以及连接计算的能力,网络和存储在一起。以前,计算和存储之间的连接的速度不够快,但是你有供应商如Mellanox和英特尔推动InfiniBand的边界和以太网的速度。
有一个走向选择的体系结构。英特尔一直垄断领域的研究计算,但手臂正变得越来越有竞争力和OpenPOWER也推动新技术。
这种增强竞争意味着我们将看到新的组合和混合技术和供应商在相同的系统中,这无疑会积极影响的研究计算纪律。
长期而言,真正的成功真正的人工智能将在连接不同的HPC系统和框架在一起。干脆弄清楚如何连接非常复杂,表现为一个真正的挑战,但当这个问题已经解决了,我们肯定会进入黄金时代的研究计算。
