AWS殺入人工智能，正式加入全球AI大戰

在2016年11月底舉辦的AWSre:invent大會上，AWS正式推出了自己的AI産品線。以此為标志，AWS正式加入全球人工智能大戰。

AWS産品戰略總經理MattWood說，在過去5-6年間出現了對機器學習的大量需求，而這些需求主要受三大因素影響：算法、效能計算以及豐富與大型的資料集。在算法方面，雖然今天的算法與20年前相比沒有太多變化，但它們開始變得越來越複雜并結合了人工智能的算法。在豐富與大型的資料集方面，由于雲計算的出現，獲得和使用豐富而海量的資料成為可能。在效能計算方面，GPU可以創造出高度複雜和規模化的計算能力，進而把算法與海量資料相結合。

Matt表示，深度學習的出現解決了計算科學中一些特殊的場景，包括語音識别、圖像識别、自然語言識别、個性化推薦以及自主計算（自動駕駛及自主機器人）等。但在現實世界中，應用和使用深度學習算法卻遇到很多挑戰：可程式設計性、可移植性及性能。其中，可程式設計性指如何能夠大幅簡化神經元網絡程式設計的複雜性，可移植性指在雲中訓練神經元網絡後在手機上、智能汽車上等使用這些神經元網絡模型，性能即指神經元網絡的訓練及推理性能。

就在2016AWSre:invent大會前幾周，AWS推出了名為P2的GPU計算執行個體（雲伺服器），P2專門用于支援機器學習、高性能計算以及其它需要海量浮點并行計算的應用，同時提供預置優化的數種開源機器學習計算架構，其中包括mxnet、TensorFlow、Caffe、theano、Torch和CNTK等。P2提供了多達4萬2千個CUDA計算核心，AWS同時預建了基于P2的深度學習計算叢集，讓普通程式員能輕松完成規模化的機器學習程式設計和應用。

Matt介紹說，自從P2産品上線以來，就受到了廣大程式員的高度關注。一家叫做圖森的中國創業公司正把P2用于研發智能汽車算法，通過使用車載圖像識别裝置和深度學習算法，圖森軟體可以在白天和夜間識别行駛汽車的周邊，還能在平面圖像中精準識别三維空間裡的汽車的位置，精度達到厘米級。

在所有的開源深度學習架構中，AWS選擇mxnet作為官方機器學習首選平台。Matt介紹說，之是以選擇mxnet是因為它的可程式設計性、可移植性以及性能等。首先，mxnet支援包括Go、Python、Scala、R語言、JavaScript、C++等在内的廣泛的計算語言，這是因為mxnet實際上由前端和後端兩層組成，前端支援多種計算語言，但在後端卻使用統一系統和通用運算符。

其次，在程式設計模式的選擇上，mxnet同時支援指令行式程式設計和描述性程式設計這兩大主流程式設計方式。對于Python或Groovy等支援指令行式程式設計模式的語言來說，指令行程式設計方式雖然靈活并能使用語言本身提供的多種原生功能，但卻難以優化和用于大規模計算。而對于SQL等描述性程式設計語言來說，優化起來更加容易也支援更多的語言，但卻缺乏靈活性，Caffe、theano、Caffe等都屬于這種情況。mxnet則讓程式員能同時獲得這種兩種程式設計方式，大幅提高深度學習程式設計的效率與靈活性。

第三，在可移植性方面，mxnet隻需要很少量的存儲空間即可運作，上千層的神經元網絡也隻需4G存儲空間。在雲中訓練好的神經元模型，可以部署在智能手機、物聯網裝置、無人機等機器人裝置甚至是基于JavaScript的浏覽器裡，是以mxnet程式的可移植性非常好。

第四，在編寫并行高性能計算方面，mxnet也能創造更好的性能。mxnet可以輕松把串行算法改編為并行計算模式，并在一個GPU裡的多個CUDA核心上運作，也能很容易地擴充到多個GPU上。

基于mxnet，AWS在本次re:invent大會上正式推出了自己的AI産品線，首批産品包括支援24種語言47種聲音的文本到語音轉換服務AmazonPolly、基于深度學習的圖像和人臉識别服務AmazonRekognition以及可編寫自然人機互動的AmazonLex。其中，AmazonLex使用了同樣用于AmazonAlexa的自動語言識别和自然語言了解技術。由于與AWS程式設計環境Lamda內建在一起，開發者可以輕松使用Lex開發各種聊天機器人和服務機器人，并把這些機器人用于網絡應用、即時通信工具，或為手機及物聯網裝置添加自然語言互動功能。

自2016年11月30日起，AmazonPolly、AmazonRekognition在美國東部、美國西部、歐洲等地的AWS區域推出，未來将陸續擴充到其它區域，而使用者自即日起也開始申請使用AmazonLex的預覽了。

本文出處：暢享網

本文來自雲栖社群合作夥伴暢享網，了解相關資訊可以關注vsharing.com網站。