“人工智能已經(jīng)極大地改變了人類的生活和生產(chǎn)方式。”在2021聯(lián)想創(chuàng)新科技大會上，聯(lián)想集團高級副總裁、首席技術(shù)官芮勇分析說，聯(lián)想在不斷賦能行業(yè)的實踐中發(fā)現(xiàn)，各行各業(yè)在智能化轉(zhuǎn)型過程中都面臨著一系列共性的痛點，可歸納為三大類，一是模型構(gòu)建難，二是數(shù)據(jù)樣本少，三是場景適配慢。

對于模型構(gòu)建難，芮勇觀察到，在企業(yè)中，很多業(yè)務(wù)專家熟悉具體場景，但他們可能不是人工智能專家，不知道怎樣用人工智能搭建合適的模型。傳統(tǒng)的做法是請人工智能專家手動搭建模型，這不僅耗時耗力，而且很難充分利用計算資源達到精度和時延的聯(lián)合最優(yōu)。另外一個做法是利用機器學習技術(shù)，搜索神經(jīng)網(wǎng)絡(luò)架構(gòu)，這種方法能夠節(jié)省人工成本，但是會耗費大量的GPU算力。

“當模型被部署到邊側(cè)或端側(cè)以后，面對新出現(xiàn)的問題和任務(wù)，很難收集到有效的樣本數(shù)據(jù)。”芮勇說。

在芮勇看來，當新的場景需求出現(xiàn)，比如新建一條智慧產(chǎn)線或一座智慧廠房，如何利用已有的能力迅速規(guī)?；瘡椭埔惶淄暾慕鉀Q方案？這需要考慮到一系列因素，比如新任務(wù)場景需要調(diào)用哪些人工智能能力組件？它們以一種什么形式組合、連接起來才能發(fā)揮作用？它們分別應(yīng)該跑在哪些設(shè)備上，才能滿足算力、存儲、網(wǎng)絡(luò)、功耗等資源需求？綜合考慮這些因素是很困難的，往往需要積累多年從業(yè)經(jīng)驗和通過反復試驗才能找到較優(yōu)的方案。這就產(chǎn)生了第三個痛點，如何快速高效地適配新場景。

針對模型構(gòu)建難這一痛點，芮勇介紹說，聯(lián)想提出了“多層級細粒度神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索”技術(shù)，它能為業(yè)務(wù)人員省時高效地構(gòu)建出高精度模型。首先，為減少搜索空間，聯(lián)想提出了模塊間—層間—層內(nèi)的漸進式搜索方法，相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，能更快得到一個精度最優(yōu)、時延最小的網(wǎng)絡(luò)架構(gòu)；在此基礎(chǔ)上，利用網(wǎng)絡(luò)權(quán)重預熱技術(shù)，通過近鄰采樣，對網(wǎng)絡(luò)架構(gòu)的權(quán)重賦予先驗初值，使得模型訓練能快速收斂。以圖像分類問題為例，有了這一技術(shù)的加持，構(gòu)建同樣精度的模型，所需GPU算力僅為業(yè)界常用方法的1/10。

為解決樣本數(shù)據(jù)少這一行業(yè)轉(zhuǎn)型痛點，聯(lián)想將“數(shù)據(jù)增強”和“元學習”結(jié)合，打造了“小樣本終身學習技術(shù)”。芮勇舉了個通俗易懂的例子——學開車。“比如，你會開小轎車，現(xiàn)在需要學習開大卡車。兩者雖然存在不少差異，但會開小轎車的話，學開大卡車總比從零開始學更容易，因為有些基礎(chǔ)可以借鑒。這就是元學習的原理。通過借鑒不同任務(wù)的相似之處，來實現(xiàn)任務(wù)層面的學習能力泛化，提升模型不斷適應(yīng)新任務(wù)的能力。”芮勇說。

對于場景適配慢的行業(yè)智能化轉(zhuǎn)型痛點，芮勇介紹說，有了聯(lián)想基于多目標優(yōu)化的解決方案自動生成技術(shù)，用戶只需輸入新場景任務(wù)和限制條件，算法就能自動確定需要哪些模型，跑在哪些設(shè)備上能達到用戶所期望的性能，模型之間如何進行協(xié)作等，從而構(gòu)建出最優(yōu)的完整方案。有了這一技術(shù)，原來需要幾周才能搭建出一套新場景的智能化方案，現(xiàn)在幾個小時就可以完成。

上述這些助力行業(yè)智能化轉(zhuǎn)型并解決痛點的方案，主要由面向行業(yè)智能化的人工智能平臺——聯(lián)想大腦提供支持。“聯(lián)想大腦的這些技術(shù)，正在賦能許多行業(yè)的智能化轉(zhuǎn)型。”芮勇說。