作者/來源: 新浪、CSDN發布于: 2015-08-27 20:36:51點擊數: 463
7月22日首屆阿里云分享日×云棲大會北京峰會召開，吸引了海內外2000余名開發者、創業者及生態伙伴參與。
阿里云CTO章文嵩在分享日指出，隨著DT時代的到臨，高性能數據分析需求開始顯現，云上將形成包括高性能計算在內的技術生態。
章文嵩透露，阿里巴巴內部早期上線了33個GPU線上應用，進行著1億+張級別的圖片訓練，同時配備了2P?FLOPS的GPU計算集群，結果在一周之內就被幾乎全部占用，這是阿里云此前沒預料到的。而當下在圖片識別領域就出現了諸如face++?deepglint?senstime?linkface?cogtu等眾多初創公司，因此章文嵩判斷，基于深度學習的圖像，語音技術應用即將爆發。這些技術的爆發帶來一個非常迫切的問題：高性能數據分析。
GPU高性能計算背后的新需求
為了更好闡述這一觀點，章文嵩從多方面進行了剖析：
內部：去年阿里集團內部共上線了33個GPU應用，對應的圖片訓練已經到1億+張。在阿里云上線2P?FLOPS的GPU計算集群（未來規模還將翻番）之后，一周之內就被所有業務部門一搶而光。已經涵蓋人臉識別、標簽識別、質量控制、商品分類、風格預測、拍照購、OCR、語音識別、圖象搜索、反黃等多個方面，為業務創造了巨大價值。
外部，基于深度學習、圖形圖象識別、語音技術的大規模爆發，業內迅速涌現出如Face++、格靈深瞳、Linkface、知圖科技等10+創業公司。
在他看來，神經網絡在80年代后期出現過一個低點。2000年前后，從淺層學習到深度學習的演變，將神經網絡提高了幾個數量級，對計算需求更高。尤其是近幾年，2012年谷歌大腦用16000個CPU實現深度學習，為整個業界帶來很好的啟示。在互聯網這富饒的土壤上，語音和圖像的技術與應用的成熟，深度學習技術與業務的緊密結合，使得技術的投入和發展進入了良性循環。“我們可以看到，數據和計算成為爆發的基石。比如深度學習模型對數據依賴性非常高。過去解決問題是從模型算法著手，現在更多是獲得高質量數據。數據已然決定了整個模型的訓練效果，高質量的數據當然需要多多益善。這就帶來了一個巨大挑戰：獲取、保存海量數據，并要大幅降低存儲成本。要知道，即使是銀行，14天后數據就會清除。另一方面，商業領域計算能力從未過剩。一張圖片的特征提取要170G次浮點計算；120萬張圖片進行一次網絡訓練，需要318P次浮點運算；一個CPU要算上22天的計算量拿GPU來做，大概是18個小時。”
具體來看：
-數據能力。包括數據獲取、數據存儲、數據傳輸、數據加工和數據使用，正如原油、汽油和石油只是提煉品一樣，挖掘和提煉能力越高，產出就越高。DT發展的必然階段，就是從數據分析到高性能數據分析。要實現這一點，需要更高效能、更強大的計算能力。
-計算能力。比如谷歌大腦用了1000臺服務器，每臺6核，耗電是600KW，500萬美金的成本投入。而斯坦福大學人工智能實驗室重新做了一遍,只需要3臺GPU服務器，耗電只有4KW，3.3萬美元的投入。技術演進將帶來巨大變革。在參數模型中，包含GPU，眾核處理器充當內存，關鍵計算用Hybrid?CPU—FPGA，在加上極致的軟件性能優化，效能提升迅猛。“我們在一種模型上的優化，最多可以提升60%，而美國一家技術創業公司同樣的優化，只能提升20%。”通過軟硬一體的優化，使得物理機+加速器的能力能直接對外部輸出，將是云上IaaS的第二種形態。這樣的方式下，云上超算能力不會成為瓶頸。
-構建技術生態。企業不僅需要計算，還有更多配套服務。比如數據、信息的高速獲取和分發需要極速CDN，數據和信息存儲需要對象存儲，互聯網應用落地需要云服務器、負載均衡、云數據庫，大數據分析和高性能數據分析需要大數據處理如ODPS和高性能計算，GPU集群對外輸出（今年9月份天池大數據計算，會讓參賽選手使用GPU集群）。
章文嵩總結道：“我們相信數據能力＋計算能力＋技術生態，可以實現用技術拓展商業邊界的目標。阿里巴巴聯合更多合作伙伴，開放出更多如同人臉識別、深度學習等人工智能新技術，和社會分享，幫助企業實現彎道超車。”
