聯(lián)想大腦：‘智’同道合，勢(shì)在必‘型’

智通財(cái)經(jīng)APP獲悉，9月8日，2021聯(lián)想創(chuàng)新科技大會(huì)在線上召開。聯(lián)想集團(tuán)(00992)高級(jí)副總裁、首席技術(shù)官芮勇出席會(huì)議并發(fā)表演講。

芮勇發(fā)言全文如下：

大家早上好！我是芮勇。非常歡迎大家參加2021聯(lián)想創(chuàng)新科技大會(huì)。一年一度的盛會(huì)，是聯(lián)想展示技術(shù)創(chuàng)新的一個(gè)重要的舞臺(tái)。

今天，人工智能已經(jīng)極大程度地改變了人類的生活和生產(chǎn)方式。如元慶所說(shuō)，人工智能是推動(dòng)智能設(shè)備和智能基礎(chǔ)設(shè)施解決方案的關(guān)鍵要素，是驅(qū)動(dòng)行業(yè)智能化轉(zhuǎn)型的核心技術(shù)。

聯(lián)想基于30多年對(duì)行業(yè)數(shù)字化，智能化的深度理解，打造了一個(gè)面向行業(yè)智能化的人工智能平臺(tái) -- 聯(lián)想大腦。 我今天跟大家分享的主題就叫做——聯(lián)想大腦：智同道合，勢(shì)在必型，以此來(lái)表達(dá)聯(lián)想基于業(yè)界領(lǐng)先的人工智能技術(shù)，與諸位攜手，共同推進(jìn)行業(yè)智能化轉(zhuǎn)型的愿景和決心。

聯(lián)想大腦是聯(lián)想自主研發(fā)的企業(yè)級(jí)人工智能平臺(tái)，為行業(yè)用戶提供云-邊-端全場(chǎng)景、全生命周期的AI方案構(gòu)建、部署和運(yùn)行支持。用戶可利用聯(lián)想大腦云側(cè)的大規(guī)模分布式訓(xùn)練引擎構(gòu)建符合場(chǎng)景需求的AI模型；模型不僅可以部署在云側(cè)，壓縮后也可以部署在邊側(cè)和端側(cè)；在邊側(cè)和端側(cè)如果遇到之前沒見過(guò)的新問(wèn)題，聯(lián)想大腦還可以利用小樣本終身學(xué)習(xí)實(shí)時(shí)更新邊側(cè)和端側(cè)模型。更重要的是，隨著場(chǎng)景化AI模型的不斷豐富，用戶可通過(guò)一站式開發(fā)環(huán)境自動(dòng)生成AI解決方案，并實(shí)現(xiàn)規(guī)模化部署。聯(lián)想大腦提供6大類100余項(xiàng)人工智能能力，已廣泛應(yīng)用在了聯(lián)想的智能設(shè)備、智能基礎(chǔ)設(shè)施、以及行業(yè)智能化的一系列產(chǎn)品和服務(wù)中，為制造、醫(yī)療、教育、金融、零售等多個(gè)行業(yè)提供了智能化解決方案。

在不斷賦能行業(yè)的實(shí)踐中，聯(lián)想發(fā)現(xiàn)，各行各業(yè)在智能化轉(zhuǎn)型過(guò)程中都面臨著一系列共性的痛點(diǎn)，可歸納為三大類，一是模型構(gòu)建難，二是數(shù)據(jù)樣本少，三是場(chǎng)景適配慢。

先說(shuō)模型構(gòu)建難。在企業(yè)中，有很多業(yè)務(wù)專家，他們熟悉具體業(yè)務(wù)場(chǎng)景，想要通過(guò)人工智能來(lái)解決遇到的問(wèn)題，但他們可能不是人工智能專家，可能不知道該怎樣搭建合適的模型。傳統(tǒng)的做法是請(qǐng)專業(yè)的人工智能專家手動(dòng)搭建模型，不光耗時(shí)耗力，而且很難充分地利用計(jì)算資源達(dá)到精度和時(shí)延的聯(lián)合最優(yōu)。另外一個(gè)做法，是利用機(jī)器學(xué)習(xí)技術(shù)，搜索神經(jīng)網(wǎng)絡(luò)架構(gòu)，這種方法能夠節(jié)省人工成本，但是會(huì)耗費(fèi)大量的GPU算力。

針對(duì)這個(gè)典型的行業(yè)痛點(diǎn)，聯(lián)想創(chuàng)新地提出了“多層級(jí)細(xì)粒度神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索”技術(shù)，它能為不懂人工智能的業(yè)務(wù)人員，省時(shí)高效地構(gòu)建出高精度模型。

現(xiàn)在，讓我們一步一步抽絲剝繭，看看這個(gè)技術(shù)是如何實(shí)現(xiàn)的。

首先，為減少搜索空間，聯(lián)想創(chuàng)新地提出了模塊間- 層間- 層內(nèi)的漸進(jìn)式搜索方法，相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，能更快得到一個(gè)精度最優(yōu)、時(shí)延最小的網(wǎng)絡(luò)架構(gòu)；在此基礎(chǔ)上，又利用首創(chuàng)的網(wǎng)絡(luò)權(quán)重預(yù)熱技術(shù)，通過(guò)近鄰采樣，對(duì)網(wǎng)絡(luò)架構(gòu)的權(quán)重賦予先驗(yàn)初值，使得模型訓(xùn)練能快速收斂。這樣一來(lái)，就讓神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索贏在了起跑線上。

有了這一技術(shù)的加持，以圖像分類問(wèn)題為例，構(gòu)建同樣精度的模型，所需GPU算力僅為業(yè)界常用方法的1/10，效率大幅提升，能源消耗和碳排放水平也大幅降低。

除了模型構(gòu)建難，行業(yè)智能化轉(zhuǎn)型的第二個(gè)共性難點(diǎn)是樣本數(shù)據(jù)少，也就是說(shuō)當(dāng)模型被部署到邊側(cè)或端側(cè)以后，面對(duì)新出現(xiàn)的問(wèn)題和任務(wù)，很難收集到有效樣本數(shù)據(jù)。

聯(lián)想創(chuàng)新地將“數(shù)據(jù)增強(qiáng)”和“元學(xué)習(xí)”結(jié)合，打造了“小樣本終身學(xué)習(xí)技術(shù)”。

舉個(gè)通俗易懂的例子，學(xué)開車。比如，你會(huì)開小轎車，但需要學(xué)習(xí)開大卡車。兩者雖然存在不少差異，但會(huì)開小轎車的話，學(xué)開大卡車總比從零開始學(xué)更容易，因?yàn)橛行┗A(chǔ)可以借鑒。這就是元學(xué)習(xí) meta learning的原理。通過(guò)借鑒不同任務(wù)的相似之處，來(lái)實(shí)現(xiàn)任務(wù)層面的學(xué)習(xí)能力泛化，提升模型不斷適應(yīng)新任務(wù)的能力。此外，我們還通過(guò)原始樣本空間增強(qiáng)、模型特征空間中數(shù)據(jù)擴(kuò)充、風(fēng)格遷移等方式，擴(kuò)充了樣本容量，豐富了數(shù)據(jù)分布，進(jìn)一步提升了模型的學(xué)習(xí)能力，從而實(shí)現(xiàn)終身學(xué)習(xí)。

運(yùn)用了小樣本終身學(xué)習(xí)技術(shù)之后，仍以圖像分類問(wèn)題為例，達(dá)到相似精度所需要的訓(xùn)練樣本數(shù)量可下降兩個(gè)數(shù)量級(jí)。

有了1. 多層級(jí) 細(xì)粒度 神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索，和2. 小樣本終身學(xué)習(xí) 這兩項(xiàng)關(guān)鍵技術(shù)，企業(yè)就可以解決許多智能化轉(zhuǎn)型過(guò)程中的具體問(wèn)題了。而當(dāng)新的場(chǎng)景需求出現(xiàn)，比如新建一條智慧產(chǎn)線或智慧廠房，如何利用已有的能力迅速規(guī)模化復(fù)制一套完整的解決方案？這需要考慮到一系列因素：比如，新任務(wù)場(chǎng)景需要調(diào)用哪些人工智能能力組件？它們以一種什么形式組合、連接起來(lái)才能發(fā)揮作用？它們分別應(yīng)該跑在哪些設(shè)備上，才能滿足算力、存儲(chǔ)、網(wǎng)絡(luò)、功耗等資源需求？綜合考慮這些因素是很困難的，往往需要多年從業(yè)經(jīng)驗(yàn)和反復(fù)試驗(yàn)才能找到較優(yōu)的方案。這就產(chǎn)生了第三個(gè)痛點(diǎn)，如何快速高效地適配新場(chǎng)景。

而有了聯(lián)想基于多目標(biāo)優(yōu)化的解決方案自動(dòng)生成技術(shù)，用戶只需輸入新場(chǎng)景任務(wù)和限制條件，算法就能自動(dòng)確定需要哪些模型、跑在哪些設(shè)備上能達(dá)到用戶所期望的性能、模型之間如何進(jìn)行協(xié)作等等，從而構(gòu)建出最優(yōu)的完整方案。

有了這一技術(shù)，原來(lái)需要幾周才能搭建出一套新場(chǎng)景的智能化方案，現(xiàn)在幾個(gè)小時(shí)就可以完成。

聯(lián)想大腦的這些業(yè)界領(lǐng)先的核心技術(shù)，正在賦能許多行業(yè)的智能化轉(zhuǎn)型，比如在聯(lián)想武漢工廠，手機(jī)產(chǎn)品質(zhì)量檢測(cè)的背后就是聯(lián)想大腦。

以點(diǎn)膠檢測(cè)為例，手機(jī)線路板上的膠路如果出現(xiàn)斷裂、外溢等缺陷，會(huì)縮短手機(jī)使用壽命。為了解決點(diǎn)膠缺陷檢測(cè)問(wèn)題，工廠的技術(shù)人員無(wú)需聘用AI專家團(tuán)隊(duì)，自己就能通過(guò)聯(lián)想大腦云側(cè)的細(xì)粒度多層級(jí)網(wǎng)絡(luò)架構(gòu)搜索技術(shù)，快速構(gòu)建符合要求的缺陷檢測(cè)模型。模型部署到工廠邊緣側(cè)之后，在實(shí)際推理任務(wù)中，往往還會(huì)遇到此前模型訓(xùn)練時(shí)從未見過(guò)的新缺陷問(wèn)題，對(duì)于這類問(wèn)題，短期內(nèi)難以收集到充足的樣本。而利用聯(lián)想大腦的小樣本終身學(xué)習(xí)技術(shù)，可實(shí)時(shí)地在邊緣側(cè)更新模型，并同時(shí)實(shí)現(xiàn)云側(cè)母模型能力的持續(xù)提升。

與此同時(shí)，隨著工廠業(yè)務(wù)場(chǎng)景的擴(kuò)展，聯(lián)想大腦的一站式自動(dòng)解決方案生成技術(shù)，可以幫助工廠迅速完成規(guī)?；鉀Q方案在云、邊、端側(cè)的最優(yōu)化部署，實(shí)現(xiàn)設(shè)備資源利用的最大化。在聯(lián)

想大腦的賦能下，聯(lián)想的智能制造能力也正在從內(nèi)生走向外化，賦能多家制造龍頭企業(yè)的智能化轉(zhuǎn)型。

除了智能制造，聯(lián)想大腦也在推動(dòng)其他很多領(lǐng)域的智能化轉(zhuǎn)型，包括教育、醫(yī)療、環(huán)境保護(hù)等，持續(xù)助力社會(huì)公平以及可持續(xù)發(fā)展。比如在教育領(lǐng)域，依托聯(lián)想大腦打造的人工智能虛擬助教，能夠?yàn)?strong>欠發(fā)達(dá)地區(qū)的學(xué)生帶去名校的優(yōu)質(zhì)教學(xué)方法和資源，促進(jìn)教育的均衡化健康發(fā)展。

打造技術(shù)聯(lián)想，共創(chuàng)智慧未來(lái)。聯(lián)想大腦作為聯(lián)想智能化轉(zhuǎn)型的核心引擎，是一個(gè)開放的平臺(tái)，支持第三方開發(fā)者貢獻(xiàn)模型以及生態(tài)共享。非常歡迎行業(yè)伙伴參與聯(lián)想大腦的共建，讓我們攜手打造一個(gè)更加智慧和美好的未來(lái)！

謝謝大家!