让超级计算机变成“大脑”
让超级计算机变成“大脑”
构成今年keynote的主体是一个相对新鲜的概念——深度学习(deep learning)。这是一个有些接近人工智能的概念，它标志着运算体系能够通过学习来掌握规则，进而由规则完成自主性的各种工作。深度学习过程需要面对极大的样本数量，当样本数量和运算能力越过临界点之后，深度学习网络将呈现爆炸性的增长，只有大规模并行计算机制才能为其提供必要的处理速度。而这，正是NVIDIA能够努力的方向。
并行计算在深度学习过程中能够表现出绝佳的速度
凭借GPU大并行计算，超级计算机第一次拥有了接近人的表现和学习能力。包括百度在内的一系列合作者正在于NVIDIA展开密切合作，以GPU并行计算的形式高速处理超大规模的数据，以此来建立基于超级计算机的深度学习系统，这套学习系统能够帮助超级计算机在既有规则基础上创造新的规则。研究发现，当对样本的分析量达到一定数量之后，深度学习系统能够突破瓶颈并表现出惊人的识别和创造能力。
众多领域都能从深度学习中收益
以图形识别为例，深度学习体系的进步速度一直是十分缓慢的，准确率至仅有74%，平均每年进步速度2%，而当NVIDIA以GPU大规模并行计算能力介入该领域之后，图像识别准确率的进步速度有了飞跃，在接下来的一年里实现了10%的提升，并且还在持续增长。1月13日，百度率先做到了5.98%的误差率，接下来的2月6日，微软将误差率降低到了4.94%，五天后的2月11日，谷歌再次将这一数字降低到了4.82%。激烈竞争的背后不仅意味着大规模的投入，同时也反映了在GPU的帮助下，超级计算机在图形识别领域的能力正越来越接近人类的水平。
尽管从本质上来讲，计算机识别图像的过程依旧基于传统的特定关键性信息，但深度学习系统允许创建更多层规则以便收集更多不同的关键性信息。当规则和信息的层级增长到一定级别之后，规律性的整体规则就会自然呈现，所以在完成这一质变过程之后，机器就具有了接近人类的模糊识别，而非过去的简单直线条识别能力。
深度学习合作伙伴一览
基于深度学习的系统将在未来对我们的生活产生难以估量的影响，深度学习网络的图片识别和语音识别等服务将彻底改变我们的搜索习惯以及信息获取过程，同时还会影响医学等科学领域的发展，包括癌症识别以及分子动力学模拟等在内的一系列前沿领域都将从中获益。而基于深度学习系统的预测过程也将彻底改变人类传统的商业模式。这并非科幻或者空中楼阁，实际上我们正在使用的大量产品，比如百度图片搜索及语音功能，就是基于深度学习系统所推出的实际产品。
digits devbox发布
除了介绍深度学习过程之外，黄仁勋还在keynote当中发布了digits devbox，一款基于多GPU的小型工作站，这款小型工作站可以用多GPU加速小规模的深度学习和训练过程，加速深度学习体系的发展并让更多中小型用户从中获益。
如果觉得《人脑改造成超级计算机 让超级计算机变成“大脑”》对你有帮助，请点赞、收藏，并留下你的观点哦！
