人工智能模型服務(wù)商“布爾數(shù)據(jù)”宣布完成數(shù)千萬(wàn)元融資，由杭州市政府及財(cái)政局成立的杭高投、華甌創(chuàng)投共同投資。創(chuàng)始人肖豐表示，本輪融資將主要用于智能模型研究及產(chǎn)品開(kāi)發(fā)，以進(jìn)一步完善公司生態(tài)建設(shè)。此前，布爾數(shù)據(jù)曾于2018年底獲和山匯投資近千萬(wàn)元天使輪融資。

布爾數(shù)據(jù)是杭州首新網(wǎng)絡(luò)科技有限公司旗下的是一家人工智能科技公司，基于大數(shù)據(jù)風(fēng)控、人工智能、區(qū)塊鏈、機(jī)器學(xué)習(xí)算法等技術(shù)，為電商平臺(tái)、信用租賃、支付、銀行、非銀等行業(yè)提供智能風(fēng)控解決方案。

公司成立于2017年，總部位于杭州未來(lái)科技城。布爾數(shù)據(jù)將人工智能與業(yè)務(wù)場(chǎng)景結(jié)合，使人工智能技術(shù)得到場(chǎng)景化落地。

具體來(lái)看，其產(chǎn)品主要有以下4種：

1、多頭借貸報(bào)告：基于信貸、支付等機(jī)構(gòu)的數(shù)據(jù)，通過(guò)多維度數(shù)據(jù)分析，包括多頭趨勢(shì)、申請(qǐng)機(jī)構(gòu)、負(fù)債風(fēng)險(xiǎn)、信貸逾期等全面分析用戶借貸行為，識(shí)別貸前欺詐風(fēng)險(xiǎn)，降低逾期率。應(yīng)用場(chǎng)景有消費(fèi)貸、汽車金融、融資租賃等。

2、小微商戶評(píng)級(jí)報(bào)告：基于商戶交易數(shù)據(jù)及資信狀況，綜合分析商戶的經(jīng)營(yíng)能力及信譽(yù)情況，有效識(shí)別小微商戶信貸風(fēng)險(xiǎn)。應(yīng)用場(chǎng)景有商戶信貸服務(wù)、融資租賃等。

3、個(gè)人貸前評(píng)級(jí)報(bào)告：從欺詐、借貸、司法等維度進(jìn)行模型分析，有效識(shí)別欺詐人群，甄別不良信用記錄，幫助機(jī)構(gòu)篩選優(yōu)質(zhì)目標(biāo)人群，識(shí)別潛在風(fēng)險(xiǎn)。

4、信息校驗(yàn)驗(yàn)證服務(wù)：針對(duì)個(gè)人及企業(yè)基本信息，提供信息校驗(yàn)驗(yàn)證服務(wù)。包括人臉驗(yàn)證、活體識(shí)別、OCR識(shí)別等驗(yàn)證功能。

其核心技術(shù)為智能風(fēng)控引擎技術(shù)，可基于風(fēng)險(xiǎn)場(chǎng)景、用戶狀態(tài)，Al智能推薦管控策略，實(shí)現(xiàn)在線模型智能進(jìn)化，提升系統(tǒng)整體風(fēng)控能力。

布爾數(shù)據(jù)還建立動(dòng)態(tài)反欺詐模型，將機(jī)器學(xué)習(xí)、人工智能應(yīng)用到風(fēng)控模型中。其設(shè)備指紋技術(shù)采用機(jī)器學(xué)習(xí)為Android、IOS、H5等設(shè)備定位唯一設(shè)備ID。利用布爾數(shù)據(jù)強(qiáng)大的決策引擎，精準(zhǔn)分析一個(gè)設(shè)備上用戶的操作行為，發(fā)現(xiàn)多用戶之間的關(guān)聯(lián)情況，并識(shí)別模擬器，篡改設(shè)備等風(fēng)險(xiǎn)設(shè)備信息。其地理定位技術(shù)通過(guò)IP、基站、wifi、身份證、手機(jī)號(hào)及銀行卡等多維度的地理位置信息，利用算法等解析地址數(shù)據(jù)進(jìn)行匹配關(guān)聯(lián)，篩查相似地址進(jìn)行風(fēng)險(xiǎn)判斷，識(shí)別基于位置的欺詐行為。

布爾數(shù)據(jù)主要與銀行、保險(xiǎn)、第三方支付、電商平臺(tái)等大型機(jī)構(gòu)合作。據(jù)悉，公司目前已為數(shù)百家金融機(jī)構(gòu)、電商平臺(tái)及政府部門等提供畫(huà)像評(píng)級(jí)產(chǎn)品。

團(tuán)隊(duì)方面，公司有來(lái)自阿里巴巴、螞蟻金服、銀行、支付公司的人工智能領(lǐng)域算法專家。

背景

各種新類型設(shè)備將會(huì)導(dǎo)致數(shù)據(jù)量的爆發(fā)，其中大部分新設(shè)備目前還不存在。數(shù)據(jù)是有價(jià)值的，因?yàn)槿斯ぶ悄埽?a href="http://www.makelele.cn/tags/ai/" target="_blank">AI）可以將數(shù)據(jù)中挖掘出商業(yè)價(jià)值。為了實(shí)現(xiàn)人工智能，我們將不得不啟用新的計(jì)算模型。

關(guān)鍵信息

一共有兩條關(guān)鍵信息。首先，人工智能工作負(fù)載（即機(jī)器學(xué)習(xí)、深度學(xué)習(xí)）需要一種處理數(shù)據(jù)的新方法——我們稱之為新的計(jì)算架構(gòu)（即計(jì)算模型）。后面將闡述“計(jì)算架構(gòu)”的含義，以及AI工作負(fù)載需要哪些類型的更改。其次，人工智能計(jì)算架構(gòu)需要材料工程的突破。我將討論一些我們遇到的突破類型的例子。在應(yīng)用材料領(lǐng)域，我們很興奮地預(yù)見(jiàn)到人工智能將為材料工程帶來(lái)巨大的增長(zhǎng)機(jī)遇。

在這篇文章中，我的目標(biāo)是總結(jié)AI工作負(fù)載的計(jì)算架構(gòu)需求是如何不同于業(yè)界已經(jīng)熟悉了幾十年的傳統(tǒng)計(jì)算架構(gòu)（如x86或ARM）。我們將討論為什么傳統(tǒng)的馮?諾依曼計(jì)算架構(gòu)對(duì)人工智能來(lái)說(shuō)是不夠的。并從一個(gè)我們做過(guò)的實(shí)證分析來(lái)說(shuō)明，如果我們不啟用新的計(jì)算架構(gòu)，人工智能將無(wú)法實(shí)現(xiàn)。

人工智能的工作量有什么獨(dú)特之處？

有三大不同之處，而且它們是相互關(guān)聯(lián)的。

首先，人工智能需要大量?jī)?nèi)存，因?yàn)樽盍餍械腁I工作負(fù)載操作大量數(shù)據(jù)，但是內(nèi)存也需要不同的組織方式。在流行的CPU中使用的傳統(tǒng)多層緩存架構(gòu)對(duì)AI來(lái)說(shuō)是不必要的，AI需要更直接、更快速的內(nèi)存訪問(wèn)。對(duì)于通過(guò)將數(shù)據(jù)存儲(chǔ)在緩存中來(lái)重用數(shù)據(jù)，則沒(méi)有那么多的關(guān)注。

在人工智能系統(tǒng)中輸入大量的數(shù)據(jù)是非常重要的。以谷歌Translate?翻譯服務(wù)為例：在2010年時(shí)，谷歌聘請(qǐng)了語(yǔ)言學(xué)家和算法專家來(lái)實(shí)現(xiàn)從英語(yǔ)到漢語(yǔ)的翻譯，最后，他們的翻譯準(zhǔn)確率達(dá)到了70%。這很好，但不是很好。最近，谷歌采取了一種不同的方法：他們雇傭了很多數(shù)據(jù)科學(xué)家，數(shù)據(jù)科學(xué)家們將每個(gè)可用的英文網(wǎng)頁(yè)及其中文譯文輸入到一個(gè)相對(duì)簡(jiǎn)單的深度學(xué)習(xí)算法中。這給了他們更好的結(jié)果，準(zhǔn)確率高達(dá)98%！正如您所看到的，這里的重點(diǎn)是使用更簡(jiǎn)單的算法來(lái)使用更多的數(shù)據(jù)，這是支持用大量數(shù)據(jù)驅(qū)動(dòng)AI的論點(diǎn)。

其次，人工智能涉及大量的并行計(jì)算。并行計(jì)算意味著您可以并行地處理工作負(fù)載的不同部分，而不必?fù)?dān)心相互依賴。以圖像處理為例，可以并行處理圖像的不同部分，最后把圖像拼湊在一起。因此，所有傳統(tǒng)CPU中提供的復(fù)雜流水線對(duì)AI來(lái)說(shuō)都是不必要的。

第三，人工智能需要大量的低精度計(jì)算，無(wú)論是浮點(diǎn)運(yùn)算還是整數(shù)運(yùn)算。這就是神經(jīng)網(wǎng)絡(luò)的力量，它是機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的核心。傳統(tǒng)的CPU有64位精度，在某些情況下可以達(dá)到512位。在很大程度上，AI并不需要這些。

因此，我們?cè)谶@里有三個(gè)基本的和重要的計(jì)算架構(gòu)變化，這是人工智能工作負(fù)載所需要的。這將我們帶到了同構(gòu)與異構(gòu)計(jì)算體系結(jié)構(gòu)的主題。

同構(gòu)計(jì)算與異構(gòu)計(jì)算

在PC和移動(dòng)時(shí)代，大多數(shù)應(yīng)用程序（或工作負(fù)載）在處理需求（即計(jì)算架構(gòu)）方面看起來(lái)很相似。最初，所有的工作負(fù)載都是由CPU處理的，當(dāng)我們開(kāi)始使用更多的圖片、視頻和游戲時(shí)，我們開(kāi)始使用GPU。

將來(lái)，我們的工作負(fù)載看起來(lái)會(huì)越來(lái)越不同，每個(gè)工作負(fù)載都有自己的計(jì)算需求。我們需要的是各種不同的體系結(jié)構(gòu)，每種結(jié)構(gòu)都針對(duì)特定類型的工作負(fù)載進(jìn)行了優(yōu)化。這就是我們所說(shuō)的“硬件復(fù)興”，因?yàn)樗苿?dòng)了針對(duì)各種新工作負(fù)載的體系結(jié)構(gòu)創(chuàng)新。

還有一個(gè)原因可以解釋為什么這個(gè)行業(yè)正在從同構(gòu)計(jì)算轉(zhuǎn)向異構(gòu)計(jì)算。這與功耗密度有關(guān)，功耗密度限制了傳統(tǒng)CPU的性能。我們正處在一個(gè)用現(xiàn)代多核CPU架構(gòu)來(lái)提高性能的困難時(shí)期。人工智能工作負(fù)載最基本的需求是更高的功耗效率（即每個(gè)操作對(duì)應(yīng)的功耗）。隨著登納德定律（Dennard Scaling）的結(jié)束，實(shí)現(xiàn)這一點(diǎn)的惟一方法是構(gòu)建特定于域（domain-specific）或特定于工作負(fù)載的體系結(jié)構(gòu)，從而從根本上提高計(jì)算效率。

實(shí)證分析：DRAM和NAND出貨量與數(shù)據(jù)生成相關(guān)

為了理解數(shù)據(jù)生成和計(jì)算需求之間的關(guān)系，我們將年度DRAM和NAND出貨量與年度數(shù)據(jù)生成進(jìn)行了比較。經(jīng)驗(yàn)關(guān)系表明，DRAM和NAND出貨量的增長(zhǎng)速度都要高于數(shù)據(jù)生成的增長(zhǎng)速度。在我們的分析中引入的數(shù)學(xué)關(guān)系是底層計(jì)算體系結(jié)構(gòu)的代表。

我們利用所發(fā)現(xiàn)的經(jīng)驗(yàn)關(guān)系做了一個(gè)思維實(shí)驗(yàn)，考慮在1%的智能汽車使用率下增加數(shù)據(jù)生成造成的影響。假設(shè)每輛智能汽車每天產(chǎn)生大約4TB的數(shù)據(jù)，我們發(fā)現(xiàn)，到2020年與前智能汽車水平相比，智能汽車產(chǎn)生的數(shù)據(jù)總量增加了5倍。

根據(jù)這一分析，使用傳統(tǒng)的計(jì)算模型，我們將需要8倍的DRAM裝機(jī)容量和25倍的NAND裝機(jī)容量（2020年）來(lái)處理1%的智能汽車使用。在應(yīng)用材料行業(yè)，我們絕對(duì)希望這種情況發(fā)生，但我們不認(rèn)為會(huì)發(fā)生。相反，該行業(yè)將需要采用基于新材料和3D設(shè)計(jì)技術(shù)的新型存儲(chǔ)器，以及新的計(jì)算架構(gòu)。

綜上，傳統(tǒng)的馮?諾依曼計(jì)算架構(gòu)在處理人工智能所需的海量數(shù)據(jù)時(shí)是不經(jīng)濟(jì)的，甚至是不可行的。我們需要新的計(jì)算架構(gòu)。