深度挖掘的公司開始為特定應用定制這種方法，并花費大量資金來獲得初創(chuàng)公司。

具有先進并行處理的神經(jīng)網(wǎng)絡已經(jīng)開始扎根于預測地震和颶風到解析MRI圖像數(shù)據(jù)的許多市場，以便識別和分類腫瘤。

由于這種方法在更多的地方得到實施，所以它是以許多專家從未設想的方式進行定制和解析的。它正在推動對這些計算架構如何應用的新研究。

荷蘭Asimov研究所的深度學習研究員Fjodor van Veen已經(jīng)確定了27種不同的神經(jīng)網(wǎng)絡結構類型。 （參見下面的圖1）。差異主要是應用程序特定的。

神經(jīng)網(wǎng)絡

圖。 1：神經(jīng)網(wǎng)絡架構。資料來源：阿西莫夫研究所

神經(jīng)網(wǎng)絡是基于閾值邏輯算法的概念，這是1943年由神經(jīng)生理學家Warren McCulloch和邏輯學家Walter Pitts首次提出的。研究在接下來的70年里一直徘徊，但是它真的開始飆升。

Nvidia的加速計算集團產(chǎn)品團隊負責人Roy Kim表示：“2012-2013年的大爆炸事件發(fā)生在兩個里程碑式的出版物上。其中一篇論文是由Geoffrey Hinton和他的團隊從多倫多大學（現(xiàn)在也是谷歌的半時間）撰寫，題為“ImageNet Classification with Deep Convolutional Neural Networks”。然后在2013年，Stanford的Andrew Ng（現(xiàn)在也是百度首席科學家），他的團隊發(fā)表了“與COTS HPC系統(tǒng)深度學習”。

Nvidia早期認識到，深層神經(jīng)網(wǎng)絡是人工智能革命的基礎，并開始投資于將GPU引入這個世界。 Kim指出卷積神經(jīng)網(wǎng)絡，復發(fā)神經(jīng)網(wǎng)絡和長時間內存（LSTM）網(wǎng)絡，其中每個網(wǎng)絡都設計用于解決特定問題，如圖像識別，語音或語言翻譯。他指出，Nvidia正在所有這些領域招聘硬件和軟件工程師。

6月份，Google大幅增加新聞，Google在神經(jīng)網(wǎng)絡手臂競賽的半導體領域處于領先地位。 Google卓越的硬件工程師Norm Jouppi公布了公司幾年努力的細節(jié)，Tensor處理器單元（TPU）是實現(xiàn)硅芯片神經(jīng)網(wǎng)絡組件的ASIC，而不是使用原始硅計算電源和內存庫和軟件，這也是谷歌也做的。

TPU針對TensorFlow進行了優(yōu)化，TensorFlow是Google使用數(shù)據(jù)流圖進行數(shù)值計算的軟件庫。它已經(jīng)在Google數(shù)據(jù)中心運行了一年多。

不過，這不僅僅是一些正在爭奪這一市場的玩家。創(chuàng)業(yè)公司Knupath和Nervana進入這個戰(zhàn)爭，尋求設計具有神經(jīng)網(wǎng)絡的晶體管領域。英特爾上個月向Nervana報了4.08億美元。

Nervana開發(fā)的硅“引擎”是在2017年的某個時候。Nervana暗示了前進的內存緩存，因為它具有8 Tb /秒的內存訪問速度。但事實上，Nervana在2014年以種子資本開始投入60萬美元，并在兩年之后賣出近680倍的投資，這證明了行業(yè)和金融家們正在占據(jù)的空間 - 以及這個市場有多熱。

市場驅動

汽車是該技術的核心應用，特別適用于ADAS。 Arteris董事長兼首席執(zhí)行官Charlie Janac說：“關鍵是您必須決定圖像是什么，并將其轉化為卷積神經(jīng)網(wǎng)絡算法。 “有兩種方法。一個是GPU。另一種是ASIC，其最終獲勝并且使用較少的電力。但一個非常好的實現(xiàn)是緊密耦合的硬件和軟件系統(tǒng)。

然而，到緊密耦合系統(tǒng)的這一點，取決于對什么問題需要解決的深刻理解。

Leti首席執(zhí)行官Marie Semeria說：“我們必須開發(fā)不同的技術選擇。 “這是全新的。首先，我們必須考慮使用。這是一種完全不同的駕駛技術方式。這是一個神經(jīng)性的技術推動。你需要什么？然后，您將根據(jù)此開發(fā)解決方案?！?/p>

該解決方案也可以非?？?。 Cadence顧問Chris Rowen表示，其中一些系統(tǒng)每秒可以運行數(shù)萬億次操作。但并不是所有這些操作都是完全準確的，而且這個操作也必須被構建到系統(tǒng)中。

Rowen說：“你必須采取一種統(tǒng)計手段來管理正確性。 “你正在使用更高的并行架構。”

最有效的

比較這些系統(tǒng)并不容易。在討論Google TPU時，Jouppi強調了世界各地的研究人員和工程師團隊的基本工作方法，以及他們正在使用的硬件和軟件的性能：ImageNet。 ImageNet是大學研究人員獨立維護的1400萬張圖像的集合，它允許工程團隊將他們的系統(tǒng)找到對象和分類（通常是其子集）的時間縮短。

本月晚些時候，ImageNet大型視覺識別挑戰(zhàn)賽（ILSVRC）的結果將于2016年發(fā)布，作為在阿姆斯特丹舉行的歐洲計算機視覺會議（ECCV）的一部分。

所有在這里討論的玩家將在那里，包括Nvidia，百度，谷歌和英特爾。高通也將在那里，因為它開始關鍵的軟件庫，就像Nvidia一樣。 Nvidia將展示其DGX-1深度學習用具和Jetson嵌入式平臺，適用于視頻分析和機器學習。

ECCV 2016的總裁Arnold Smeulders和Theo Gevers告訴“半導體工程”，ECCV的許多與會者都在半導體技術領域工作（而不是硅片上運行的軟件），從而實現(xiàn)計算機視覺。

“最近，半導體技術強國已經(jīng)開始對計算機視覺感興趣，”他們通過電子郵件說。 “現(xiàn)在，電腦可以了解圖像中存在哪些類型的場景和類型的場景。這需要從注釋示例中描述與機器學習匹配的特征中的圖像。在過去五年中，這些算法的力量使用深層學習架構大大增加。由于它們是計算密集型產(chǎn)品，包括高通，英特爾，華為和三星在內的芯片制造商，以及蘋果，谷歌，亞馬遜等大型企業(yè)以及許多高科技創(chuàng)業(yè)公司也將進入計算機視覺階段。

Smeulders和Gevers表示，興趣已經(jīng)增長到這樣的高度，會議場地在一個月前達到最大容量，注冊預計將會結束。

以前的ECCV版本長期以來每年大約有100名與會者長大，在蘇黎世的上一版本以1,200的成績結束。 “今年，我們在會議前一個月已經(jīng)有1500位與會者。在這一點上，我們不得不關閉注冊，因為我們雇用的建筑，荷蘭皇家劇院，不能更舒適地擁有，“他們寫道。

隨著行業(yè)的復雜和變化，工程經(jīng)理尋找必要的技能是很困難的。它還引發(fā)了電氣工程和計算機科學學生關于他們的課程是否會過時的問題，然后才能將它們應用于市場。那么一個學生對電子學有興趣，特別是半導體在計算機視覺中的作用呢，可以在現(xiàn)場找到工作嗎？

Semulders和Gevers表示：“由于圖像[識別]是每1/30秒的大量數(shù)據(jù)，所以半導體行業(yè)受到重視是很自然的事情?！?“由于大量的數(shù)據(jù)，直到最近，注意力僅限于處理圖像以產(chǎn)生另一個圖像（更可見，更清晰的圖像中的突出顯示元素）或減少圖像（目標區(qū)域或壓縮版本）。這是圖像處理領域：圖像輸入，圖像輸出。但最近，計算機視覺領域 - 即對圖像中可見的解釋 - 已經(jīng)經(jīng)歷了一個非常有成效的時期。他們寫道：要了解圖像的本質，正在形成的方式和深入網(wǎng)絡分析的方式，是現(xiàn)代計算機視覺的關鍵組成部分。

隨機信號處理，機器學習和計算機視覺將是學習和培訓的領域。

ECCV的亞洲對手是亞洲CCV。在這幾年，國際CCV舉行。 Smeulders和Gevers指出，每年夏天在美國舉行的計算機視覺和模式識別會議是對CCVs的補充，但是重點略有不同。 Google認為它是所有審查學科的前100名研究來源之一，這是列表中唯一的會議。論文將于11月15日在檀香山舉行的7月份e會議上公布。

Nvidia的Kim和其他人認為2012年至2013年將成為在這些神經(jīng)網(wǎng)絡應用中用于計算機視覺等任務的GPU的“大爆炸”。那么下一個大爆炸又是什么？

“自2004年以來，對圖像內容進行分類的比賽重新開始，幾個算法步驟已經(jīng)鋪平了道路，”Smeulders和Gevers寫道。 “一個是SIFT特征[Scale Invariant Feature Transform]。另一種是一些單詞和其他編碼方案，以及特征定位算法，以及大量圖像數(shù)據(jù)的特征學習。然后，GPU為深入學習網(wǎng)絡鋪平了道路，進一步提高了性能，因為它們加速了數(shù)據(jù)集的學習。這意味著需要幾周的任務現(xiàn)在可以在一夜之間運行。下一個大爆炸將再次在算法方面。

鑒于投入這筆市場的金額很大，毫無疑問，大事情將會前進。還有多大的待觀察，但鑒于這種方法的活動量以及投資的數(shù)量，預期是非常高的。