在近日于美国硅谷举行的一场绘图处理技术大会(GPU Tech conference)上，Nvidia要传达的中心思想是“深度学习正在让运算技术转型(transforming)”；在这个大主题上，该公司将自己定位为火种、催化剂以及深度学习的推动者，还有──以长期来看──最大的获利者。

众多线索透露Nvidia将未来发展押注于人工智能(AI)，包括该公司最近公布的“深度学习机构(Deep Learning Institute，DLI)”计划，目标是在今年将深度学习开发者的数量提升到10万人；在2016年，Nvidia培训了1万名深度学习开发者。

Nvidia负责开发者项目的副总裁Greg Estes表示，AI在过去几年已经进军科学的各个领域，成为包括癌症研究、机器人、制造业到金融服务、仿冒品检测以及智能视频分析等各种应用的内部元素；Nvidia期望能成为培训利用AI做为应用程序关键元素之开发者的最前线。深度学习正在让运算技术转型 （来源：Nvidia）

目前“深度学习”在许多学校的信息科学课程中都有教授，但很少有学校提供专门的AI学位；Estes表示，Nvidia计划透过DLI为产、官、学界提供实务培训，目标任务是协助开发者、数据科学家以及工程师们着手进行神经网络的训练、优化与布署，以解决现实世界跨学科领域的各种问题。

如何将AI融入应用程序？

市场研究机构Tirias Research首席分析师Kevin Krewell接受EE Times采访时表示，深度学习的挑战在于很难开始并厘清如何将之融入传统的应用程序开发：“我认为Nvidia正在尝试让更多开发者接受训练，了解如何将机器学习融入现有的开发项目。”

他指出，不同于传统程序是布署算法来执行任务，机器学习是一个分为训练与布署的两阶段程序；而Nvidia的优势在于能藉由GPU等加速器让机器学习的性能表现更好，而不只是依靠中央处理器。

根据Nvidia提供的资料，该公司在推动自己的DLI深度学习机构之外，也与Amazon Web Services、Facebook、Google、梅约诊所(Mayo Clinic)、斯坦福大学(Stanford University)以及许多支持深度学习“框架”的社群合作，运用Caffe2、MXNe以及TensorFlow等共同发展培训实验室；这些合作十分关键，因为AI应用程序的开发者会需要取得云端与深度学习资源。

另一家市场研究机构Tirias Research的首席分析师Jim McGregor表示：“对应用程序开发者来说，最困难的事情是云端资源以及大型数据集；举例来说，手机供应商想在设备上推动机器学习，但为这些设备开发应用程序，需要云端/深度学习资源与数据集来进行训练，但这是手机供应商并没有提供的。”

McGregor指出，Nvidia可以提供硬件资源以及成熟的软件模型，但：“开发者仍需要服务供应商以及数据集。”而NVIDIA则表示，该公司还与 Microsoft Azure、IBM Power以及IBM Cloud 等团队合作，携手将实验室内容移植到他们的云端解决方案。

根据NVIDIA的新闻稿，其DLI已在全球各地训练许多开发人员，客户包括Adobe、阿里巴巴 (Alibaba)、SAP等知名企业；以及美国国家卫生研究院(NIH)、美国国家科学与技术中心、巴塞罗那超级运算中心等官方研究机构以及新加坡淡马锡理工学院、孟买印度理工学院等高等学术机构。

长期作战

Krewell认为，Nvidia深度学习策略的独特之处在于“现场实务课程”这个部分：“其他非学校的项目看来都是在线培训，例如Udacity/Google的免费课程；”而在他看来，Nvidia的DLI可望加速深度学习在实际软件程序的应用，并因此在长期上有助于该公司的GPU销售。Nvidia的DLI可提供之课程内容 （来源：Nvidia）

那么其他芯片供应商，例如也推动其FPGA在深度学习领域应用的Xilinx，难道不能也提供类似的培训计划？

深度学习催生新一代癌症诊断方案

Nvidia积极培育深度学习开发人才并与产、官、学界合作提供实务训练课程；那么其他芯片供应商，例如也推动其FPGA在深度学习领域应用的Xilinx，难道不能也提供类似的培训计划？

对此市场研究机构Tirias Research首席分析师Kevin Krewell认为并不尽然：“FPGA对于机器学习编程来说仍然太复杂，采用FPGA (或是像Google的TPU那样自行设计ASIC)会有一些优势，但GPU普遍可得、立即可用而且功能多样化，可以被用来执行显示器也可以执行机器学习。”

Nvdia推广深度学习的实际成功案例

Nvidia特别介绍已经在该公司平台上开发深度学习程序/产品的公司，像是一家中国新创公司推想科技(Infervision)，目标是为肺癌诊断开发人工智能断层扫描(CT)诊断解决方案。

推想科技创办人暨首席执行官陈宽(CK)自己就是AI浪潮中的代表性人物之一，他开发的程序将展现新科技如何协助医疗放射技师读取CT扫描与X光结果，以更早期、更有效率地检测肺癌患者的可疑病灶以及结节。

陈宽并没有参与Nvidia的培训，但在2012年于美国芝加哥大学主修经济与金融学科时偶然看到了一份Nvidia深度学习平台的介绍：“是我一个朋友给我看的，而我就被迷住了。”

他在2012年的美国总统大选期间，与其他芝加哥大学以及麻省理工学院(MIT)的学生合作利用AI开发一个程序，能分类推特(Twitter)上两党候选人奥巴马(Barack Obama)以及罗姆尼(Mitt Romney)的贴文，侦测公众对候选人的观感；这是陈宽在深度学习领域的首次投入。

2014年，还是博士班学生的陈宽回到中国于不同产业寻找AI商机，在多场面谈之后，有一位在中国顶级医院任职的放射科技师提供他一个关于开发深度学习癌症侦测技术可能性的灵感，并因此催生了推想科技；陈宽可说是遇到了贵人。

专业医师的采纳是推想科技开发之程序不断精进的关键因素，陈宽表示，现在中国有超过100所医院正在与该公司合作，导入断层扫描与X光设备撷取的数据并比较结果。

而陈宽之深度学习产品的分水岭，出现在Google旗下人工智能公司Deep Mind开发之AlphaGo于2015年击败人类围棋高手的那时候；AlphaGo在2016年再度于一场与人类棋士的对决中获胜。陈宽表示：“在那之后，中国医疗社群对AI仍抱持怀疑的人都改变了态度；不然没有人真的信任深度学习软件。”中国武汉同济医院的医师正在使用推想科技开发的程序 （来源：推想科技）

让机器自己学习

陈宽表示，医师们自1990年代就已经开始使用传统的计算机辅助机器视觉软件，例如R2；但R2与推想科技的新一代深度学习软件程序不同，医师必须要先告诉机器要找什么、描述寻找对象的特征，尽管也是集合许多专家开发的成果，但准确度并不是很高。

推想科技是让机器去学习该找什么：“机器会自己学习该注意的实际区域以及需要寻找的对象特征；”不过陈宽强调，这样的学习得仰赖从各家医疗院所长时间收集的大量数据。

幸运的是，自从2002年爆发的SARS疾病大流行，中国政府积极在大型医院推动设置新一代IT设备；陈宽表示，很多一线医院已经有自己的数据中心，储存所有的影像数据。当然，那些储存的影像并不是都很完美：“如果分辨率太差，就会成为GIGO (garbage in, garbage out)的经典案例。”

目前推想科技正在准备完成来自参与早期采用项目的放射技师测试结果，而为了扩大其业务规模，该公司也正在等待中国食品药品监督管理总局(CFDA)对其软件的批准。

陈宽表示，到目前为止看来，在人类放射技师以及计算机之间的比较研究结果“相当有前途”，两者能同时找到大于6mm的癌变结节；而计算机在3~6mm或更小的结节搜寻上表现更佳。不过他也坦承，科学家们还无法解释计算机是如何能得出特定结论，这是深度学习的一个缺点。

而他也强调，深度学习软件的目的不是要取代放射师，关键在于人类专家与计算机合作，验证出正确的结果。

编译：Judith Cheng

编译自EE Times