為什么人工智能（AI）特別是神經(jīng)網(wǎng)絡(luò)如今如此受歡迎？

這些算法背后的數(shù)學(xué)和科學(xué)是在幾十年前開發(fā)的，但直到最近幾年，神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)的人工智能才起飛。那么，究竟發(fā)生了什么使神經(jīng)網(wǎng)絡(luò)能夠成功，而過去卻沒有達(dá)到目標(biāo)呢？

通常情況下，有一個(gè)關(guān)鍵事件催化了任何技術(shù)從“利基”到“轉(zhuǎn)型”的相變。圖形處理單元（GPU）從圖形設(shè)備到通用計(jì)算機(jī)的重新構(gòu)想是當(dāng)前AI革命的核心。GPU 能夠加速一組特定的數(shù)學(xué)運(yùn)算：矢量和矩陣變換。它們使我們能夠在實(shí)際時(shí)間內(nèi)處理信息，但僅靠GPU不會(huì)將我們帶到這里。人工智能革命的發(fā)生是因?yàn)槌颂峁R力的GPU之外，還有一個(gè)基礎(chǔ)設(shè)施 - 互聯(lián)網(wǎng)和開源開發(fā)人員社區(qū) - 它促進(jìn)了數(shù)千名研究人員和開發(fā)人員的協(xié)作，并創(chuàng)建了工具和庫(kù)的集合，這些工具和庫(kù)在當(dāng)今的AI開發(fā)中無處不在。

如果沒有研究人員和開發(fā)人員大軍，那么加速神經(jīng)網(wǎng)絡(luò)的 GPU 驅(qū)動(dòng)的突破仍將是利基市場(chǎng)，他們創(chuàng)建了抽象出直接編程 GPU 的細(xì)微差別和困難的庫(kù)。這對(duì)于解決在各種用例中面臨的挑戰(zhàn)非常有效。但是，這些庫(kù)不遵循安全關(guān)鍵開發(fā)指南，而安全關(guān)鍵型開發(fā)指南正日益成為許多應(yīng)用程序的基本要求。

當(dāng)我們看到自動(dòng)駕駛，以及依賴于安全性、確定性和可靠性的嵌入式行業(yè)時(shí)，我們發(fā)現(xiàn)自己又回到了相變的起點(diǎn)。我們有GPU，通過Khronos Group的Vulkan? SC，我們有一個(gè)API支持安全關(guān)鍵圖形和用于編程GPU的計(jì)算?，F(xiàn)在，我們需要一個(gè)位于 Vulkan SC 安全層之上的圖書館補(bǔ)充集合，這些庫(kù)遵循安全關(guān)鍵準(zhǔn)則和標(biāo)準(zhǔn)，將我們從利基帶到主流。

CoreAVI通過引入ComputeCore啟動(dòng)了這場(chǎng)革命。ComputeCore是CoreAVI對(duì)線性代數(shù)（BLAS）API的實(shí)現(xiàn)。線性代數(shù)，尤其是向量，是為所有人工智能算法提供動(dòng)力的燃料。立即選擇您最喜歡的 AI 引擎。該引擎運(yùn)行速度很快，因?yàn)樗幸粋€(gè)加速所有矢量操作的 BLAS 庫(kù)。ComputeCore 正是這樣做的，但它的實(shí)施是為了滿足航空電子、汽車和工業(yè)市場(chǎng)的功能安全認(rèn)證標(biāo)準(zhǔn)（DO-178C、A 級(jí)、ISO 26262 ASIL D 和 IEC61508 SIL 3）。矢量和矩陣是人工智能和數(shù)據(jù)處理的核心。這經(jīng)常被提及，但幾乎從未解釋過。一起來看看吧。

什么是數(shù)據(jù)處理？

當(dāng)我們想到數(shù)據(jù)處理時(shí)，即廣義上的數(shù)據(jù)處理，即獲取某些信息并以某種方式對(duì)其進(jìn)行轉(zhuǎn)換，有一種數(shù)據(jù)結(jié)構(gòu)是任何和所有處理的核心，那就是向量。矢量到底有什么特別之處？

當(dāng)我們談到數(shù)據(jù)處理時(shí)，我們指的是獲取信息并對(duì)其進(jìn)行修改的能力。在某些情況下，我們希望轉(zhuǎn)換信息，以便我們可以從中提取知識(shí)。機(jī)器學(xué)習(xí)就是這種情況。我們可以拍攝圖像并以一種可以告訴我們場(chǎng)景中存在哪些對(duì)象的方式對(duì)其進(jìn)行轉(zhuǎn)換。我們這樣做是為了計(jì)算機(jī)視覺，使自動(dòng)駕駛汽車成為可能。我們還可以通過模糊、銳化或提取有關(guān)場(chǎng)景中結(jié)構(gòu)的邊緣信息來轉(zhuǎn)換圖像。這些操作是強(qiáng)大的視覺管道中的常見步驟。

數(shù)據(jù)也可能是非視覺的?？紤]一個(gè)天氣預(yù)報(bào)系統(tǒng)，我們希望該系統(tǒng)預(yù)測(cè)一年中給定日期的最高和最低溫度。在這種情況下，系統(tǒng)的輸入可能是描述過去十年中一天、給定位置的溫度范圍的歷史數(shù)據(jù)樣本集合。在任何情況下，數(shù)據(jù)樣本都是信息單元。分析圖像時(shí)，數(shù)據(jù)樣本是單個(gè)圖像。當(dāng)分析患者的臨床病史以試圖預(yù)測(cè)該患者的心臟病風(fēng)險(xiǎn)時(shí)，數(shù)據(jù)樣本是單個(gè)患者。數(shù)據(jù)樣本由以某種方式描述樣本的特征列表組成。對(duì)于圖像，特征是構(gòu)成圖像的像素。對(duì)于醫(yī)療患者，特征是描述該患者的屬性：年齡、性別、吸煙習(xí)慣、家族心臟病史以及與其臨床病史相關(guān)的其他信息。當(dāng)我們將每個(gè)數(shù)據(jù)樣本視為特征的集合時(shí)，此視圖與向量的概念非常吻合。

將數(shù)據(jù)樣本轉(zhuǎn)換為向量

我們?nèi)绾螌D像和患者轉(zhuǎn)換為載體？對(duì)于圖像，我們將每個(gè)像素的顏色解釋為數(shù)值，并構(gòu)建像素值列表。例如，寬 2 像素、高 2 像素的圖像將生成具有 4 個(gè)值的矢量，可能如下所示：［10，0，245，50］，其中每個(gè)值表示該像素的顏色強(qiáng)度。更高分辨率的圖像會(huì)產(chǎn)生更高維度的矢量，例如，256x256 像素的圖像會(huì)產(chǎn)生 65，536 個(gè)值的矢量。

患者信息也可以通過使用數(shù)字對(duì)每個(gè)特征的含義進(jìn)行編碼來矢量化，例如 1 = 男性，0 = 女性，1 = 家族心臟病史，0 = 沒有心臟病等。將數(shù)據(jù)樣本轉(zhuǎn)換為向量在兩個(gè)非常重要方面很有用：它有助于以易于與每個(gè)單獨(dú)樣本相關(guān)聯(lián)的方式封裝特征列表，其次，以幾何方式解釋向量揭示有關(guān)數(shù)據(jù)集中樣本如何相互關(guān)聯(lián)的信息。例如，假設(shè)我們要?jiǎng)?chuàng)建一個(gè)算法，可以學(xué)習(xí)區(qū)分汽車和行人的圖像。我們首先將圖像解釋為矢量。從幾何上講，矢量可以被認(rèn)為是空間中的箭頭，從坐標(biāo)系的原點(diǎn)開始，穿過空間到達(dá)由每個(gè)維度中的矢量值定義的點(diǎn)，參見圖 1。

圖1.此圖說明了笛卡爾坐標(biāo)系中的 3D 矢量 V1。向量是從原點(diǎn)開始，到由其 3 個(gè)分量定義的點(diǎn)結(jié)束的線：x、y、z。

雖然我們無法直觀地表示維度高于 3D 的向量，但在數(shù)學(xué)上我們?nèi)匀豢梢允褂孟嗤姆匠虂聿僮魉鼈?。向量之所以如此特別，是因?yàn)楫?dāng)我們從幾何角度解釋它們時(shí)，指向相似方向的向量具有相似的性質(zhì)。例如，當(dāng)我們將汽車和行人的圖像解釋為某個(gè)多維空間（稱為超空間）中的向量時(shí)，盡管我們無法可視化該向量指向的方向，但我們可以計(jì)算它，并且可以比較屬于汽車圖像的向量和屬于行人圖像的向量。事實(shí)證明，汽車圖像的矢量指向大致相同的方向，行人圖像的矢量指向與其他行人圖像相似的方向，但遠(yuǎn)離汽車矢量。

要?jiǎng)?chuàng)建一種可以學(xué)習(xí)自動(dòng)區(qū)分汽車和行人的算法，意味著以數(shù)學(xué)方式操縱這些向量，以了解它們指向的方向，并找到將汽車和行人向量所在的空間一分為二的線或超平面。一旦我們發(fā)現(xiàn)超平面，算法就可以簡(jiǎn)單地通過知道它的向量落在線的哪一側(cè)，具有所有汽車矢量的一側(cè)或具有所有行人矢量的一側(cè)來對(duì)全新的圖像進(jìn)行分類。

這就是為什么人工智能算法最終都會(huì)執(zhí)行大量的矢量操作。這是因?yàn)檩斎霐?shù)據(jù)通常表示為向量，因?yàn)檫@樣做在幾何上是有利的。AI中經(jīng)常使用的另一個(gè)數(shù)據(jù)結(jié)構(gòu)是矩陣。其原因不應(yīng)令人意外。向量是值的集合。矩陣只是將一個(gè)向量堆疊在另一個(gè)向量之上的集合。在某些情況下，將向量組合為矩陣很有用，這樣我們就可以同時(shí)處理一組向量，例如一組輸入樣本。

計(jì)算工具 – 內(nèi)容、原因和方式

在這一點(diǎn)上，我們已經(jīng)確定了人工智能對(duì)向量和矩陣的需求?，F(xiàn)在我們需要一種方法來快速執(zhí)行這些計(jì)算。

當(dāng)我們想到自動(dòng)化時(shí)——例如，在繁忙的高速公路上無人協(xié)助駕駛的汽車，或者在倉(cāng)庫(kù)或工廠與人類一起工作的機(jī)器人——我們會(huì)想到實(shí)時(shí)執(zhí)行的系統(tǒng)，并產(chǎn)生實(shí)時(shí)后果。當(dāng)自動(dòng)駕駛汽車未能檢測(cè)到行人并有足夠的時(shí)間避免碰撞時(shí)，人工智能算法本身可能不是故障的來源。事實(shí)上，該算法可能已經(jīng)正確檢測(cè)到行人，但檢測(cè)可能只是花費(fèi)了幾毫秒的時(shí)間。此示例有助于說明幾件事。首先，這些系統(tǒng)需要盡可能快地執(zhí)行矢量和矩陣數(shù)學(xué)運(yùn)算。其次，在安全關(guān)鍵應(yīng)用中，這些操作需要在確定的時(shí)間內(nèi)進(jìn)行。也就是說，我們需要能夠計(jì)算執(zhí)行算法的最壞情況執(zhí)行時(shí)間，以便我們可以確定對(duì)于每個(gè)可預(yù)見的情況，系統(tǒng)是否有足夠的時(shí)間對(duì)該算法的執(zhí)行結(jié)果做出反應(yīng)。如果避開障礙物的機(jī)會(huì)之窗已經(jīng)過去，那么發(fā)現(xiàn)障礙物就沒有什么用處。

為了解決這些問題，應(yīng)用程序和解決方案開發(fā)人員需要兩件事。首先，他們需要一個(gè)可以加速向量和矩陣運(yùn)算計(jì)算的工具。對(duì)于非安全關(guān)鍵用例，開源社區(qū)提供了大量免費(fèi)提供的工具和框架。其中包括Tensorflow，Pytorch，Caffe和Scikit-learn等框架。

所有這些框架和庫(kù)都依賴于上面提到的稱為 BLAS 庫(kù)的關(guān)鍵組件，該組件提供了一組函數(shù)來加速矢量和矩陣操作。不幸的是，這些框架沒有按照功能安全標(biāo)準(zhǔn)實(shí)施。行業(yè)需要的是生產(chǎn)一套構(gòu)建塊工具和框架，按照安全關(guān)鍵標(biāo)準(zhǔn)和實(shí)踐構(gòu)建。這些框架必須包括保證確定性執(zhí)行的 GPU 驅(qū)動(dòng)程序?qū)崿F(xiàn)。它們必須包括加速核心數(shù)學(xué)運(yùn)算的工具 - 例如BLAS API的安全關(guān)鍵實(shí)現(xiàn)。工具和框架必須為計(jì)算機(jī)視覺和圖像處理的基本預(yù)處理和后處理任務(wù)提供安全關(guān)鍵（確定性）解決方案，而且還必須為通用機(jī)器學(xué)習(xí)任務(wù)提供安全關(guān)鍵（確定性）解決方案，以幫助強(qiáng)大的人工智能管道中的每個(gè)決策過程。換句話說，該行業(yè)必須提供與非安全關(guān)鍵市場(chǎng)中相同的解決方案，并且具有相同的復(fù)雜性水平，同時(shí)在嚴(yán)重受限的環(huán)境中解決確定性和資源管理的難題。

加速度

到目前為止，我們已經(jīng)討論了處理向量和矩陣的必要性，并且以確定性的方式這樣做。我們還說過，為了快速執(zhí)行這些操作，我們需要一個(gè)執(zhí)行加速的工具。我們所說的加速度是什么意思？

通常，當(dāng)我們想到軟件執(zhí)行時(shí)，我們認(rèn)為CPU是執(zhí)行編程指令的終端設(shè)備。系統(tǒng)中的大多數(shù)軟件都在 CPU 上運(yùn)行。事實(shí)上，我們可以使用 C 編程語(yǔ)言實(shí)現(xiàn) BLAS 并在 CPU 上執(zhí)行計(jì)算。這種方法的好處是，嵌入式領(lǐng)域的大多數(shù)程序員（實(shí)時(shí)設(shè)備、汽車、機(jī)器人）都熟悉 C 編程語(yǔ)言，并且有用 C 語(yǔ)言開發(fā)安全關(guān)鍵軟件的標(biāo)準(zhǔn)實(shí)踐。

這種方法的缺點(diǎn)是 CPU 擅長(zhǎng)快速執(zhí)行順序操作，但不擅長(zhǎng)并行化工作。不幸的是，為大多數(shù)AI算法操作向量和矩陣所涉及的任務(wù)被稱為“令人尷尬的并行問題”。因此，在可以并行執(zhí)行這些計(jì)算而不是按順序執(zhí)行這些計(jì)算的機(jī)器上執(zhí)行這些計(jì)算符合我們的最佳利益。

結(jié)論

過去十年對(duì)人工智能來說是偉大的。研究社區(qū)和開源工程社區(qū)已經(jīng)開發(fā)了大量工具，為當(dāng)今許多非安全關(guān)鍵產(chǎn)品提供支持。亞馬遜的Alexa或谷歌的家庭助理等產(chǎn)品由最先進(jìn)的自然語(yǔ)言處理（NLP）算法提供支持。

對(duì)這些算法的突破性研究得益于工具生態(tài)系統(tǒng)，這些工具使工程師和科學(xué)家能夠相對(duì)輕松地開發(fā)和訓(xùn)練復(fù)雜的神經(jīng)網(wǎng)絡(luò)，并加速GPU設(shè)備上的操作。這些工具包括神經(jīng)網(wǎng)絡(luò)框架，如TensorFlow和PyTorch，統(tǒng)計(jì)和數(shù)據(jù)分析工具，如Python科學(xué)庫(kù)scikit-learn，以及高性能計(jì)算框架，如CUDA?和SYCL。?

像OpenCV這樣的圖像處理庫(kù)通過為常用算法和技術(shù)提供內(nèi)置功能，使工程師的工作更輕松。事實(shí)上，這些可用的框架是如此成功和無處不在，以至于當(dāng)我們進(jìn)入安全關(guān)鍵領(lǐng)域時(shí)，許多人還沒有意識(shí)到，在確定性和安全性很重要的情況下，這些工具是不可用的。但是，正如研究界使用超越CUDA或OpenCL?的工具生態(tài)系統(tǒng)一樣，安全關(guān)鍵行業(yè)需要建立一個(gè)安全關(guān)鍵工具和框架的生態(tài)系統(tǒng)。

BLAS 和 FFT 的安全關(guān)鍵型實(shí)施是朝著正確方向邁出的一步，但我們需要我們的合作伙伴以及整個(gè)嵌入式和自治社區(qū)幫助定義工具和安全關(guān)鍵 API，為未來所有可靠設(shè)備提供動(dòng)力。開源社區(qū)已經(jīng)展示了可以實(shí)現(xiàn)的目標(biāo)，并為我們的產(chǎn)品和想法原型提供了一個(gè)很好的平臺(tái)，但我們知道 Python 庫(kù)不能確定地執(zhí)行。自主意味著責(zé)任。負(fù)責(zé)任的系統(tǒng)必須安全可靠。行業(yè)越早意識(shí)到這一點(diǎn)，我們就能越早離開沙盒，建立一個(gè)基于嚴(yán)格的安全標(biāo)準(zhǔn)和指導(dǎo)方針的基礎(chǔ)設(shè)施，以促進(jìn)安全自主的大規(guī)模部署。

審核編輯：郭婷