上周，F(xiàn)acebook 宣布其打造了世界上最準(zhǔn)確的目標(biāo)識別系統(tǒng)，該系統(tǒng)使用了 35 億張圖像（全來自于 Instagram ）。在 AI 界有這么一句老話：越大越好。要訓(xùn)練最快的算法，必須使用最大的數(shù)據(jù)集和性能最強(qiáng)的處理器。這種傳統(tǒng)觀念幫助科技巨頭吸引了不少人才和投資，但是斯坦福大學(xué)最近組織的一項 AI 競賽表明這種觀念并不一定正確。在人工智能領(lǐng)域，原來才智仍舊可以打敗性能。

證據(jù)來自于 DAWNBench 挑戰(zhàn)賽，去年 11 月斯坦福大學(xué)的研究員宣布正式啟動這項比賽，上周他們宣布了比賽的獲勝者。我們可以將 DAWNBench 看作是 AI 工程師的田徑運(yùn)動會，不過比賽項目不是跨欄和跳遠(yuǎn)，而是諸如目標(biāo)識別和閱讀理解這樣的任務(wù)。來自于大學(xué)、政府部門和業(yè)內(nèi)的團(tuán)隊和個人相互角逐，比賽項目為誰設(shè)計的算法最優(yōu)秀，斯坦福大學(xué)的研究員作為裁判。每個參賽的算法都必須滿足基本的準(zhǔn)確性標(biāo)準(zhǔn)（例如：在給定數(shù)據(jù)集中識別出 93% 的狗），評判標(biāo)準(zhǔn)包括訓(xùn)練算法的時間和訓(xùn)練成本。

斯坦福大學(xué)研究員 Matei Zaharia 和 Cody Coleman 解釋稱，這些評判標(biāo)準(zhǔn)可以反映 AI 領(lǐng)域的實際需求。Zaharia 告訴科技媒體《 The Verge 》，“如果你的團(tuán)隊較小，通過衡量成本，你就可以知道是否需要用 Google 級別的基礎(chǔ)設(shè)施來與別人競爭。通過測定訓(xùn)練速度，你就可以知道部署某一 AI 解決方案需要多長時間。也就是說，這些衡量標(biāo)準(zhǔn)可以幫助我們判斷小團(tuán)隊是否能與科技巨頭一較高下”。

比賽的結(jié)果并不能給出直接的答案，但是卻告訴我們：要在 AI 領(lǐng)域取得成功，計算能力并不是唯一要義，巧妙的算法設(shè)計至少一樣重要。雖然 Google 和 Intel 這樣的大型科技公司在很多任務(wù)中成績突出，但是小型團(tuán)隊（甚至個人）通過使用鮮為人知的獨特方法也可以名列前茅。

拿 DAWNBench 的目標(biāo)識別挑戰(zhàn)賽來說，這項比賽要求參賽團(tuán)隊訓(xùn)練出可以識別圖片數(shù)據(jù)集 CIFAR-10 中的目標(biāo)的算法。CIFAR-10 是一個相對較舊的數(shù)據(jù)集，但是它反映了企業(yè)在現(xiàn)實中可能要處理的各種數(shù)據(jù)。CIFAR-10 包含 6 萬張尺寸為 32×32 的小圖像，每張圖像都?xì)w類在一個類別下，例如“狗”、“青蛙”、“船”或“卡車”，共有 10 個類別。

▌“用基礎(chǔ)的資源實現(xiàn)世界級的結(jié)果”

在 DAWNBench 的榜單中，排名前三的獲勝者都是 Fast.AI 的研究員，他們的算法訓(xùn)練時間最短而且訓(xùn)練成本最低。Fast.AI 并不是大型研究實驗室，而是一個創(chuàng)造學(xué)習(xí)資源的非盈利組織，致力于讓所有人都能學(xué)習(xí)深度學(xué)習(xí)。Fast.AI. 聯(lián)合創(chuàng)始人、企業(yè)家兼數(shù)據(jù)科學(xué)家 Jeremy Howard 表示，他的學(xué)生的成功靠的是創(chuàng)新思考，這表示任何人都能“用基礎(chǔ)的資源實現(xiàn)世界級的結(jié)果”。

Howard 解釋稱，為了設(shè)計出能解決 CIFAR 識別任務(wù)的算法，F(xiàn)ast.AI 團(tuán)隊選擇了一種相對不知名的訓(xùn)練方法——超收斂（super convergence）。創(chuàng)建這種方法的不是資金雄厚的科技公司，而是美國海軍研究實驗室（Naval Research Laboratory）研究員 Leslie Smith。

超級收斂的基本原理是，緩慢增加用于訓(xùn)練算法的數(shù)據(jù)流。我們可以這么理解這種方法：如果你要教某人識別樹木，你不會一開始就給他們一片森林。開始的時候你會教他們每一種樹及其樹葉的模樣，慢慢地將信息灌輸給他們。這樣解釋有點過分簡化，但是 Fast.AI 使用超級收斂法訓(xùn)練的算法在訓(xùn)練速度上比競爭對手的算法快很多。Fast.AI 團(tuán)隊可以在三分鐘內(nèi)訓(xùn)練出一個能對 CIFAR 數(shù)據(jù)集進(jìn)行分類的算法，而且準(zhǔn)確度滿足比賽要求。排名第二的團(tuán)隊沒有使用超級收斂法，他們的訓(xùn)練時間超過半小時。

不過，F(xiàn)ast.AI 沒有一路贏得所有比賽。在另一項挑戰(zhàn)賽中，參賽者需要利用目標(biāo)識別算法對 ImageNet 數(shù)據(jù)集進(jìn)行分類，結(jié)果 Google 大獲全勝，包攬了訓(xùn)練時間最短的前三名和訓(xùn)練成本最低的第一名和第二名（ Fsat.AI 獲得了成本最低的第三名和訓(xùn)練時間最短的第四名）。但是，Google 的算法都在自家定制的 AI 硬件上運(yùn)行，芯片也是針對任務(wù)特別設(shè)計的，即張量處理器（TPU）。事實上，Google 在一些任務(wù)中使用的處理器是其自稱的 TPU“pod”——串聯(lián)運(yùn)行的 64 枚 TPU 芯片。相比之下，F(xiàn)ast.AI 參賽團(tuán)隊使用的是普通電腦上用的英偉達(dá) GPU，所有人都可以買到。

Google 的張量處理器（TPU）是 Google 特別定制的芯片

Howard 表示，“Google 自家的基礎(chǔ)設(shè)備可以輕松地訓(xùn)練算法，但可能價值不大。但是只花 25 美元用同一機(jī)器在三小時內(nèi)完成相同的訓(xùn)練任務(wù)，價值就很大”。

ImageNet 的結(jié)果特別明顯，因為評判標(biāo)準(zhǔn)很模糊。Google 的硬件幫助它大獲全勝，但是考慮到它是世界上最富有的科技公司，這個結(jié)果并不讓人驚訝。雖然 Fast.Ai 的學(xué)生的確提出了一種創(chuàng)新的解決方案，但是 Google 的解決方案也很巧妙。Google 的一個參賽團(tuán)隊使用了一種名為 “AutoML” 的算法，這一系列的算法可以在沒有人類指導(dǎo)的情況下搜索可以處理某一給定任務(wù)的最佳算法。也就是說，AI 設(shè)計 AI。

理解這些結(jié)果的困難在于，并不是只要找出哪個團(tuán)隊的結(jié)果最好就可以了，這些團(tuán)隊有著社會和政治上的影響。例如，思考一下誰控制著人工智能的未來，是利用 AI 增強(qiáng)自身勢力和財富的 Amazon、Facebook 和 Google 等科技巨頭嗎？AI 帶來的好處是否能平均、民主地分配給所有人？

對 Howard 而言，這些問題很重要。他表示，“我不希望深度學(xué)習(xí)被掌握在一小撮精英手中。每當(dāng)我與年輕的從業(yè)者和學(xué)生對話時，越大越好這個觀念真的很讓我煩惱。對 Google 這樣的公司而言，這樣的觀念很好，因為這能幫助它們吸引到人才，人們都認(rèn)為除非你在 Google 工作，否則你干不出什么的。但是這種觀念是錯誤的”。

▌AI 的力量會被大公司獨占還是會被平均分配？

很遺憾，我們都不是 AI 預(yù)言家。沒人可以通過觀察 DAWNBench 挑戰(zhàn)賽的結(jié)果來預(yù)測 AI 的未來。如果說這項比賽的結(jié)果有什么啟示，那就是告訴我們 AI 行業(yè)還在不斷變化中。決定 AI 未來的是小巧靈妙的算法還是硬件的計算能力？沒人知道答案，且希望得到一個簡單的答案是不合理的。

DAWNBench 組織者 Zaharia 和Coleman 表示，他們很高興看到這項比賽引起了如此巨大的回應(yīng)。Coleman 稱：“比賽結(jié)果有很大的多樣性?？吹?a href="http://www.makelele.cn/v/tag/557/" target="_blank">機(jī)器學(xué)習(xí)領(lǐng)域發(fā)生的事后，我并不是很擔(dān)心（某一家公司）會主導(dǎo)整個行業(yè)。在我們現(xiàn)在所處的這個階段，我們?nèi)匀荒芸吹叫驴蚣艿牟粩嘤楷F(xiàn)，以及大量想法的分享?！?/p>

這兩位組織者指出，大部分 DAWNBench 挑戰(zhàn)賽的參賽作品都是開源的，但是這不是比賽的一個評判標(biāo)準(zhǔn)，這意味著這些作品的代碼都發(fā)布在網(wǎng)上，任何人都可以獲取。不管誰是比賽的獲勝者，每個人都能從中受益。