Nvidia Titan V Presentation Extended Highlights
來源：
很多遊戲粉絲聽說英偉達發了新卡，激動得去搜索相關的新聞，可看來看去，發佈會上把「十年來最重要創新」、「全球首款光線追蹤 GPU」掛在嘴邊的老黃，卻沒怎麼提起新品在遊戲上的應用。
遊戲粉絲有些失望，核彈還是那個核彈，皮衣也還是那件皮衣，但發佈會上屢屢提起、演示的關鍵詞，卻並不是他們熟悉的 3A 大作了。
遊戲粉絲有些失望，核彈還是那個核彈，皮衣也還是那件皮衣，但發佈會上屢屢提起、演示的關鍵詞，卻並不是他們熟悉的 3A 大作了。
類似的情況，也出現在顯卡測評的視訊裡，當一位 up 主透過機器學習的訓練效果，來講解 NVIDIA Titan V 顯卡的性能時，彈幕上馬上刷起了「聽不懂」、「在說啥」的聲音。
遊戲粉絲們也許不是很買賬，但對英偉達而言，人工智慧卻是這家以圖形和計算起家的半導體公司，遇上的最好機會。在深度學習井噴式爆發的那幾年，擅長向量和矩陣運算的英偉達 GPU 被許多學者、研究員用來進行研究，和訓練自己的算法模型，甚至 Google Brain 和吳恩達這樣頂級的人工智慧研究團隊和科學家，也在使用英偉達的設備，久而久之，英偉達也將自己的注意力，轉移到了深度學習，這一剛剛在產業裡興起的領域。
「不夠，還不夠智慧」
幾年下來，英偉達在人工智慧領域，有了自己的累積，它開始有了新的判斷，專注於底層算力的英偉達開始思考上層應用的方向。
「人工智慧的第一階段，是開發自動化編程的軟體。第二階段，是將軟體應用於行業的自動化，這種自動化帶來的效率提升，會刺激原有的市場。」在今年的台北電腦展上，黃仁勳把人工智慧的發展分為了三個階段，「第三階段，是 AI 走出電腦，影響外部的世界。」
依黃仁勳的定義，目前我們已經處於人工智慧發展的第二階段，即人工智慧開始初步應用於各行各業。
比如工廠裡的人機協作，大型機械很容易在使用時誤傷到人，但如果給這些設備裝上傳感器，檢測身邊是否有人，即時作出是否要減速的判斷，在使用時就會安全許多。
再比如傳統的拆垛、堆垛設備，只要給設備加一個深度傳感器，它就能判斷出箱子的大小位置和重心，這時機器就能夠判斷出最佳操作位置，從而以最快的速度完成操作。
還有超市商場裡，每天營業員都會在關門後，花數個小時的時間整理、統計當天所剩貨品，現在市面上已經有能夠完成點貨和理貨功能的機器人，這些設備能給店家省下不少的人力。
這些都是時下已經投入使用的一些智慧機器，但在英偉達高級軟體經理李銘博士看來，「這些智慧是遠遠不夠的」。
「加一點智慧進去，解決當前場景最急需的問題，看起來是個智慧機械，但其實它對整個機器人本身的促進，並沒有想像中那麼大。」
李銘博士認為，這些智慧機器人普遍存在著一些問題：
第一，軟體成本上升太快，在安控、服務、工廠，不同的場景裡，有著不同的需求，體現在軟體編程上，軟體架構的邏輯可能會全局推翻，這就導致了軟體開發的成本居高不下。
第二，具體到場景裡，單個機械在應用時，還需要單獨的調試。以工業機器人的機械臂為例，在工廠裡需要為車床量身調試，設置具體操作參數，比如距離產線的距離，50cm 還是 60cm，10cm± 的誤差在生產線上，是絕對不允許的。
第三，面對環境的變化適應性差，比如工廠裡的光線發生變化，比如室外可能會發生的各種意外，現有的機器人是無法應對的。
第四，軟體更新，當功能有增加或者修改時，需要做很多額外的工作，比如改變程序的邏輯，甚至重新編程等等。
如前面黃仁勳提到人工智慧的三個階段，智慧從軟體開始，機器人從完成固定程序動作的普通機械，到今天「有一點點智慧」的機器人，依賴的正是人工智慧，在各自行業的初步應用。所以要解決以上這些智慧機器的問題，還需要回到軟體的層面，回到人工智慧身上。
機器該怎麼學習？
人工智慧的發展「越來越抽象，越來越複雜」。從早期簡單的是與否的判斷，到後來精準的辨識，可以在複雜的場景裡，找出特定的目標，再到後來，出現 AlphaGo 這樣可以做出主動的決策的 AI，甚至智慧如 AlphaGo Zero，可以完全依靠「自學」實現快速成長。可以看到，軟體的智慧水平，是領先於我們常見的硬體智慧的。
那麼，人工智慧在硬體上的部署，遇到了哪些困難呢？
首先是計算力。硬體，尤其移動機器人上，能夠搭載的計算力非常有限，這與 AlphaGo 這樣傾全公司，算力訓練出來的 AI 不同。
人工智慧經過這麼長時間的發展，在網路的種類、複雜程度和處理的資訊量上，都發生了天翻地覆的變化。網路種類上，從早期的 AlexNet 和 GoogleNet ，到現在各種各樣的 GAN（生成對抗網路）以及各種深度強化學習的網路，它們各自網路結構都有不同，開發者在適應最新的網路上，常常會遇到一些麻煩。
網路變得越來越複雜，處理的資訊量也在成倍地成長，算力需求越來越高的情況下，對搭載處理單元的體積，有更多限制的機器人，實際上存在著在智慧水準上升級的障礙。
網路變得越來越複雜，處理的資訊量也在成倍地成長，算力需求越來越高的情況下，對搭載處理單元的體積，有更多限制的機器人，實際上存在著在智慧水準上升級的障礙。
其次是訓練環境。對於 AlphaGo、DeepMind，科學家們可以設定一個基本規則，讓它永遠跑在電腦裡，不停地訓練，技巧磨煉得越來越強大，但機器人的訓練，卻遠遠沒有這麼簡單。
在去年的 GTC 大會上，黃仁勳展示了加州大學伯克萊分校的 AI 實驗室所做的曲棍球機器人實驗，在一個僅一米左右的直線上，伯克萊的曲棍球機器人「艾達」，足足試了 200 次，才熟練地掌握了將球打入門框的技巧。
「這還只是曲棍球！」黃仁勳說道，「如果我想抬起一輛汽車呢？如果我想開門呢？如果我想讓機器人和醫生配合做手術呢？」
「我們不可能讓機器這麼學習。」
這裡，英偉達高級軟體經理李銘博士指出，在使用深度強化學習，對機器人進行訓練時，有三個主要的障礙。
第一，真實世界的訓練進程太過緩慢，並且成本昂貴。Google 的機器人實驗室，曾經用三個月的時間，拿 14 台機械手臂完成了 30 萬次的拾取動作的訓練，同時還配備了一整隊的工程師「鞍前馬後地照料」這些機器人。對其他公司或者普通研究人員而言，這樣的成本是完全負擔不起的。
第二，訓練的部分非常危險，可能會造成一定程度的損失。機器人在訓練時，是直接與物理世界交互的，任何的碰撞都可能會導致機體的損傷，甚至可能會對訓練的「陪護」人員，造成傷害。
第三，訓練環境的搭建非常耗時耗力。以自動駕駛為例，如果要訓練汽車在面對前面汽車追撞時的表現，連日常生活中的數據都很難收集，更不要說搭建起類似的場景了。
NVIDIA 的答案
在今年台北電腦展的發佈會上，英偉達發佈了 NVIDIA Isaac 機器人平台，包含硬體、軟體和虛擬世界機器人模擬器的 NVIDIA Isaac。
同樣在這場發佈會上，黃仁勳還發佈了「世界首台專為機器人打造的處理器」NVIDIA Jetson Xavier，他手托著這台沒有巴掌大的電腦，面對媒體說道：「這就是未來智慧機器人的『大腦』。」
Jetson Xavier 擁有超過 90 億個晶體管，可提供每秒 30 萬億次操作以上的性能，這一處理能力，甚至比高性能的工作站，還要強大。同時，Xavier 擁有 6 個高性能處理器，包括 1 個 Volta Tensor Core GPU、1 個 8 核 ARM64 CPU、2 個 NVDLA 深度學習加速器、1 個圖像處理器、1 個視覺處理器，和 1 個影像處理器。超高的計算能力，讓可以直接部署在終端機器人上的 Jetson Xavier ，能夠為機器人的感知和計算，提供基礎算力的保障。
軟體上，Jetson Xavier 配備了一個工具箱，包含 API 工具包 Isaac SDK、智慧機器加速應用 Isaac IMX ，以及高度逼真的虛擬仿真環境 Isaac Sim。
英偉達在 2017 年的 GTC 上，首次發佈了 Isaac 虛擬仿真環境的部分。只需要普通遊戲引擎，開發者們就可以打造出一個非常仿真的虛擬環境，在這個 VR 世界裡，開發者可以在其算力支持的條件下，對機器進行盡可能多、盡可能快的訓練，訓練完成後，機器可以直接部署到機器人上，完成物理世界裡的測試。這樣一來，就解決了訓練環境的諸多問題。
在英偉達看來，機器人終歸是要擁有超強的邊緣計算能力的，而目前遠遠超越現階段機器人應用需求的 Jetson Xavier，正是為了下一代自主機器打造的 AI 計算晶片，在 Isaac 平台的支持下，機器無處不在地助力我們日常生活工作，提高整個社會的效率，終將在不久後成為現實。
0 comments:
張貼留言