人工智能需要什么基础？

来源：蜘蛛抓取(WebSpider) 时间：2022-07-02 09:58 标签： 人工智能好学吗

目前，“新基建”已进入全面铺开落地的阶段，国家层面和地方政府均抛出政策扶持与长期规划，大型科技企业机构也进一步加大了在新基建领域的投入，但另一大问题也随之而来：我们的从业者配置跟上了吗?

近日，百度回应了这一诉求：未来十年，百度将继续加大在人工智能、芯片、云计算、数据中心等新基建领域的投入，并推出两个“500万”计划：预计到2030年，百度智能云服务器台数超过500万台;未来5年，预计培养AI人才500万。

相比各大巨头在资金和硬件上的投入，百度未来五年培养500万AI人才的动作更引人关注，因为它直面了AI新基建所面临的最大痛点：人才缺口。

经济转型带动岗位变革，AI人才缺口加剧

新基建的根本目标之一，是通过对5G基站建设、特高压、城际高速铁路和城市轨道交通、新能源汽车充电桩、大数据中心、人工智能、工业互联网七大领域的投入建设，推动中国经济转型升级。

如果仔细分析这些领域，就会发现它们的共同之处在于：代表了最前沿的科技，具备高附加值，与人们的生活息息相关。尤其是人工智能，作为第四次工业革命的核心技术，它也成为了新基建的核心驱动力。

但是，基础建设离不开对应的技术人才，而“新基建”的领域，人才缺口问题由来已久。以人工智能为例，它是国家科技竞争力的重要体现，但有媒体报道称，到2025年中国AI人才缺口将达到1000万，这严重制约了人工智能技术研发突破和在各行各业的落地实践，许多公司为AI岗位开出高薪，依然“一将难求”。

而且，AI新基建需要的人才，并非单纯在高校完成学业就可以“赶鸭子上架”，我们可以看到，在其他领域的成熟人才培养体系中，例如电气工程师、道路工程师等，都具备教育、实践、认证等全面环节。此外，人工智能技术与业务落地实践结合非常紧密，这就要求在实际场景中人才需求十分立体化和多样化：高层管理者需要培养AI战略思维，中层人员需要既懂AI理论基础又能结合产业需求实践，低层人员需结合应用场景实际操作……这些都是目前大行业所缺失的，因此很多AI相关专业的学子，从毕业到投入实际工作依然有很长的路要走。

百度的AI人才观：以产业智能化需求为基础，结合理论与实践

培养特定领域的人才，是一项浩大、复杂、系统的工程，国家进行政策上的顶层设计，高校负责在校教育和理论知识的培养，但更多的环节，需要社会尤其是具备领先技术、实践经验与资源资金的头部企业来完善。

这就是百度发力AI人才培养的潜在动机：不仅仅是发掘和培养优秀的AI人才为自己所用，更要利用自己在AI赛道的领先优势，去反哺国内人工智能产业，实现生态繁荣，为“智能经济”的全面到来打好基础。而百度在这方面的优势也相当明显：多年以来，深厚的技术沉淀与业务实践，让百度成为中国人工智能“领头雁”，更作为AI平台型公司，持续向外界输出AI能力与行业解决方案，推动行业智能化转型。

实际上，百度在AI人才培养上也下了很大的功夫，并且形成了独特的AI人才培养观念：在百度看来，AI产业应该面对技术需求和产业难点来培养人才，而不是单纯地灌输AI相关知识，要坚持理论与实践相结合。要做到这一点，单靠几家企业和几所高校远远不够，因此百度通过与科技部、教育部等政府指导部门，高校、研究所等学界，以及行业龙头企业等产业界展开合作。

举例来说，大型赛事是AI学子最佳练兵场之一，百度主办了包括百度之星大赛、百度-西安交大大数据竞赛、中国高校计算机大赛人工智能创意赛等在内的顶级AI赛事，过程中还提供了技术平台、专业指导和资金支持，最终实现“以赛促学”的目标。

再以前文提及的企业各层级AI人才需求为例，百度同样推出了零基础深度学习集训营、AI快车道-企业深度学习实战营、黄埔学院-首席AI架构师培养计划等，分别面向企业不同层面的需求，结合企业智能化转型中的痛点来培训施教，理论和实践两手抓，推进AI人才整体培养。

百度AI人才培养硕果累累：已培养超百万人，覆盖产业链超一亿人次

目前，在AI人才培养上，百度已经形成了学习、实践、比赛、认证、就业的全周期服务体系闭环。

教学资源方面，百度联合清华等高校编撰出版《深度学习导论与应用实践》、“自动驾驶技术系列丛书”等专业教材，还有即将出版面向青少年的科普教材《大圣陪你学AI》等。同时，百度还通过战略合作为高校提供AI师资培训、课程资源、教学管理平台等。全国超过200所高校在百度的技术与资源支持下开设了AI课程。

应用实践方面，百度联合教育机构、高校建立了应用级实训室和平台级实训室，让在校学子有更多的实践机会。百度还推出了人工智能学习与实训社区AIStudio，可以帮助学生、从业者及每个对AI有兴趣的人进行学习实践，并形成足够繁荣的社区氛围来交流学习。此外，前文已经提及，百度面向企业从业者，提供各层级人才的培养与实训，可以更好地结合实际应用场景中的需求与痛点来实践，切实解决人工智能落地过程中存在的问题。

赛事活动方面，近一年百度累计举办超60场国内外大型AI赛事，包括百度之星大赛、百度-西安交大大数据竞赛、中国高校计算机大赛人工智能创意赛、中国人工智能大赛-语言与知识技术竞赛等，不仅为AI学子提供了大量实战机会，也挖掘出许多中国人工智能领域的新生代力量，例如小马智行创始人楼天城、第四范式创始人戴文渊、旷视联合创始人兼CTO唐文斌等人，都获得过百度之星大赛的优秀成绩。

认证与就业方面，百度不仅发布了国内AI领域第一个专业技术人才培养标准——《深度学习工程师能力评估标准》，还推出了云智学院认证体系，智能对话工程师认证、深度学习工程师认证等，这有助于AI人才的培养和就业趋于规范。云智学院还上线了AI人才与岗位匹配的就业平台“才智中心”，为通过考试和认证的学员提供就业和招聘信息的对接。经过百度认证的AI人才，也更容易被求贤若渴的企业“捕捉”到，获得大展拳脚的舞台。

AI人才全周期服务体系的意义在于，它贯穿了AI人才的成长历程，既能够提升AI人才的数量与质量，也能带来大量既懂理论又懂实践的AI人才，下沉到各个产业，更符合AI新基建的特殊需求。根据百度提供的数据显示，目前已经培养AI人才超过100万，帮助大量企业实现了智能化转型，成为智能经济最重要的引擎之一。此次百度宣布“培养AI人才500万”计划，率先扛起AI人才大旗，相信能够充分发挥自身的技术优势和平台资源，进一步加快为“新基建”输送具备AI思维和能力的新型建设者。

声明：本站转载此文目的在于传递更多信息，并不代表赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本网联系，我们将在第一时间删除内容,本网站对此声明具有最终解释权。

 如何搭建自己的人工智能系统?

像很多事情一样，答案是“视情况而定”。如果我们将深度学习作为一个日益流行的人工智能的例子。工作负载，为数据集的深度学习训练构建 AI 系统在很大程度上取决于您可以轻松访问的资源、专业知识和基础设施数量。例如，您可能作为独立开发人员或在较小环境中作为研究人员使用的系统看起来与支持大型组织努力“支持”与客户的业务交互所需的系统有很大不同，或者提高临床护理质量，或检测大量金融交易数据中的欺诈行为。最终，这变成了您是设计和构建自己的系统，还是针对您的问题采用专门构建的解决方案的问题。

对于前者，当今消费市场中常见的 GPU 技术往往会进入“自己动手”的人工智能领域。系统非常强大，并且提供比基于 CPU 的系统明显更好的性能。可以在当今的 GPU 上实现通用并行计算的现成工具包，结合支持流行深度学习框架所需的编程技能，可以产生很好的结果，正如 Alex Krizhevsky 的“AlexNet”首次证明的那样，该工具包赢得了 ImageNet Large规模视觉识别挑战

对于后者(大规模深度学习，对于大型组织)——有两个重要的考虑因素会影响你实施人工智能的方法。系统：

1. 你需要多快开始看到结果?

如果您正在进行探索之旅，并且喜欢玩各种硬件和软件配置的智力挑战和有时“侦探工作”，那么您很可能没有按照老板设定的时间表进行操作，或者某种商业或研究势在必行。在这种情况下，当您将您感兴趣的包括 GPU、驱动程序、库和深度学习框架在内的系统拼凑在一起时，沿着一条曲折的道路走下去可能完全没问题，并在您承担角色时筛选可能有数百页的文档“系统集成商”。

但是，如果您的努力受到从数据中获取洞察力的首要需求的引导，那么您可能需要一条更简单、更快速的路径来实现这一目标。在这种情况下，您需要利用“解决方案化”平台或设备，例如 NVIDIA DGX-1 或 DGX Station

集成您需要的所有组件，并通过已发布的基准测试进行验证，在您关心的框架上提供可量化的性能。此类设备应根据它们的“即插即用”程度以及开通体验是否直观、引导您完成易于导航的简单管理界面、管理数据集、分配资源、并安排工作。这种部署模式使您不必戴上“IT 管理员”的帽子，并让您尽快开始训练神经网络，在短短一天内启动并运行。

获得更快洞察的另一个方面是协同工作的硬件和软件的性能。 GPU 优化的深度学习软件堆栈的好处是能够在深度学习训练中达到比单独使用 GPU 硬件更高的加速因子。与使用相同 Tesla V100 GPU 构建但缺乏集成、优化的深度学习软件的其他系统相比，NVIDIA DGX 系统的深度学习性能提高了 30%。这里重要的一点是，即使你构建了一个 A.I.您自己的系统，使用绝对最新的 GPU 技术，相对于集成的硬件和软件系统，该系统仍然处于性能劣势，该系统经过全面优化和软件工程，以实现每个深度学习框架的最大性能。

2. 我准备花多少时间管理和优化基础设施?

类似于“探索之旅”路线，您的 A.I.系统可能看起来非常不同，具体取决于您遵循的路线。如果您热衷于花时间微调您的软件堆栈，使用不同的框架和支持库组合，并且不介意在社区论坛中寻求故障排除支持，那么构建您自己的系统可能是您的最佳选择。现实情况是，要调整“完美”的深度学习堆栈，从框架到 GPU，通常需要大量的软件工程技能支出驱动程序，以及中间的每一层。还要考虑到框架本身通常是开源的，并且在不断发展。因此，确保您的堆栈以最佳性能运行意味着承诺在工时进行调整和重新调整，并可能在持续的基础上重新构建您的堆栈。如果这是您的章程，那么这可能不是问题，但如果您正在资助其他人来完成这项工作，则可能意味着数十万美元的软件工程运营支出，以确保您最大限度地提高人工智能的投资回报率。投资。

或者，A.I.像 NVIDIA 的 DGX 这样的设备，包括访问流行的深度学习框架，如 TensorFlow、Caffe2、MXNet 等，以及支持库，所有这些都与硬件集成，可以节省大量时间和金钱。此类产品具有预先优化的堆栈，由解决方案提供商定期(最好是每月)更新。这使您免受开源软件的流失和不确定性的影响，同时如果您对硬件和软件中的任何元素有问题，还可以为您提供企业级支持。

此外，由于数据科学和人工智能的实验性质，开发人员经常发现他们自己(或他们的团队)需要同时对系统资源和软件配置的不同组合进行实验，以确定哪种模型可以最快地获得洞察力。基于 Docker 的容器能够支持深度学习堆栈的多个版本的共存，每个版本彼此隔离，并具有自己的支持驱动程序和库的实例。这使系统操作系统的基本映像保持“干净”，并避免在实验者想要尝试不同的配置排列时必须重新映像设备的可能性。容器与正确的管理和调度设备相结合，还可以使研究人员团队同时使用该平台，并在他们正在开发的模型上进行协作，从而提高系统的利用率，推动您部门的人工智能获得更高的回报。投资。

所有这一切都可以为您(试图利用人工智能力量的数据科学家)提高生产力。在您的企业中。所以，你真的有两条途径来构建人工智能。系统，每个系统都适合您可能正在处理的一组不同的时间表、业务目标和运营设置。选择最终将归结为您是否有自由扩展您的章程以包括系统集成商和 IT 管理员的角色，或者您的职责是否让您始终专注于数据科学并为您的组织获取洞察力。

本页面由 PMCAFF 渲染引擎自动排版

我要回帖

更多关于 人工智能好学吗 的文章

 

随机推荐