【计算讲谈社】第七讲|AI 的价值探索:如何拓展商业边界?

简介: 当前 AI 行业处于什么发展阶段?AI 是工具还是目的?如何探索 AI 的应用边界?阿里云【大咖说】全新子系列【计算讲谈社】第七讲《AI 的价值探索:如何拓展商业边界?》上线,中科院博士李昊、阿里巴巴研究员吴翰清携学员共话“AI”。

 1.png

当前 AI 行业处于什么发展阶段?AI 是工具还是目的?如何探索 AI 的应用边界?。8 月 5 日,阿里云【大咖说】全新子系列【计算讲谈社】第七讲《AI 的价值探索:如何拓展商业边界?》上线,中科院博士李昊、阿里巴巴研究员吴翰清携学员共话“AI”。

image.gif观看视频请戳:https://talk.aliyun.com/computing/AI1

 

长视频详情页封面图.png

    讲师介绍


    李昊:中科院博士,十余年AI行业老兵,研究方向涵盖遥感影像智能解译、智能天气预报、AIoT、智慧园区等,发表顶会论文50+,国内外专利90+。

    吴翰清(道哥)阿里巴巴研究员阿里巴巴、淘宝、支付宝安全体系创建者《白帽子讲Web安全》作者MIT TR35 中国互联网安全领域入选第一人阿里云城市大脑早期建设者之一目前工作于大规模计算和人工智能领域。


      学员介绍

      王刚(玄瞳)阿里云AI产品专家,北京大学计算机硕士,深度强化学习和动作识别方向。

      陈新(骏维)阿里云高级产品专家,深耕CDN领域。

      于开丞(杰柯):达摩院算法专家,瑞士联邦理工博士,深耕视觉模型和AutoML,阿里星。

      谭冠群(君扬)阿里云高级产品专家,深耕安全领域。

      肖子彤(栖风)阿里云技术专家,机密计算方向,DEFCON CTF全球总决赛冠军,阿里星。

      江波(云联)阿里云高级产品专家,深耕云计算金融领域。

      王烨(萌豆)阿里云高级技术专家,深耕数据库领域。

      袁华良国内视频AI产品早期建设者,深耕视频云和人工智能结合领域。

       

      【大咖说】是什么?

      简介:【大咖说】是阿里云推出的内容版块,由“大咖”主讲,提供理念、思想、方法论、趋势等内容,形式有嘉宾演讲、对话访谈等,意在通过传递“信息和观点”,表达对未来的洞察。(阿里云【大咖说】官网地址:https://talk.aliyun.com/

       

      【计算讲谈社】是什么?

      简介:【计算讲谈社】是由阿里云【大咖说】推出的子系列,由吴翰清(道哥)主讲、联合八名学员和各领域专家,以“讲”和“谈”的形式,共同探讨“计算未来”;主张从根源上思考问题,勇于对固化“常识”或“经验”提出质疑,意在培养人才和沉淀有价值的内容。

      无二维码海报.png

      目录
      相关文章
      |
      17天前
      |
      存储 人工智能 算法
      【AI系统】计算与调度
      本文探讨了计算与调度的概念,特别是在神经网络和图像处理中的应用。通过分离算法定义和计算组织,Halide 等工具能够显著提升图像处理程序的性能,同时保持代码的简洁性和可维护性。文章详细介绍了计算与调度的基本概念、调度树的构建与约束,以及如何通过调度变换优化计算性能。此外,还讨论了自动调优方法在大规模调度空间中的应用,展示了如何通过探索和预测找到最优的调度方案。
      36 0
      |
      10天前
      |
      人工智能 缓存 并行计算
      转载:【AI系统】CPU 计算本质
      本文深入探讨了CPU计算性能,分析了算力敏感度及技术趋势对CPU性能的影响。文章通过具体数据和实例,讲解了CPU算力的计算方法、算力与数据加载之间的平衡,以及如何通过算力敏感度分析优化计算系统性能。同时,文章还考察了服务器、GPU和超级计算机等平台的性能发展,揭示了这些变化如何塑造我们对CPU性能的理解和期待。
      转载:【AI系统】CPU 计算本质
      |
      10天前
      |
      机器学习/深度学习 存储 人工智能
      转载:【AI系统】计算之比特位宽
      本文详细介绍了深度学习中模型量化操作及其重要性,重点探讨了比特位宽的概念,包括整数和浮点数的表示方法。文章还分析了不同数据类型(如FP32、FP16、BF16、FP8等)在AI模型中的应用,特别是FP8数据类型在提升计算性能和降低内存占用方面的优势。最后,文章讨论了降低比特位宽对AI芯片性能的影响,强调了在不同应用场景中选择合适数据类型的重要性。
      转载:【AI系统】计算之比特位宽
      |
      13天前
      |
      机器学习/深度学习 人工智能 前端开发
      【AI系统】计算图的控制流实现
      计算图作为有向无环图(DAG),能够抽象神经网络模型,但在编程中遇到控制流语句(如if、else、while、for)时,如何表示成为难题。引入控制流后,开发者可构建更复杂的模型结构,但部署含控制流的模型至不支持Python的设备上较为困难。目前,PyTorch仅支持Python控制流,而TensorFlow通过引入控制流原语来解决此问题。计算图的动态与静态实现各有优劣,动态图易于调试,静态图利于优化。
      41 5
      【AI系统】计算图的控制流实现
      |
      13天前
      |
      机器学习/深度学习 人工智能 算法
      【AI系统】计算图挑战与未来
      当前主流AI框架采用计算图抽象神经网络计算,以张量和算子为核心元素,有效表达模型计算逻辑。计算图不仅简化数据流动,支持内存优化和算子调度,还促进了自动微分功能的实现,区分静态图和动态图两种形式。未来,计算图将在图神经网络、大数据融合、推理部署及科学计算等领域持续演进,适应更复杂的计算需求。
      46 5
      【AI系统】计算图挑战与未来
      |
      13天前
      |
      机器学习/深度学习 人工智能 PyTorch
      【AI系统】计算图基本介绍
      近年来,AI框架如TensorFlow和PyTorch通过计算图描述神经网络,推动了AI技术的发展。计算图不仅抽象了神经网络的计算表达,还支持了模型算子的高效执行、梯度计算及参数训练。随着模型复杂度增加,如MOE、GAN、Attention Transformer等,AI框架需具备快速分析模型结构的能力,以优化训练效率。计算图与自动微分紧密结合,实现了从前向计算到反向传播的全流程自动化。
      38 4
      【AI系统】计算图基本介绍
      |
      14天前
      |
      存储 机器学习/深度学习 人工智能
      【AI系统】计算图优化架构
      本文介绍了推理引擎转换中的图优化模块,涵盖算子融合、布局转换、算子替换及内存优化等技术,旨在提升模型推理效率。计算图优化技术通过减少计算冗余、提高计算效率和减少内存占用,显著改善模型在资源受限设备上的运行表现。文中详细探讨了离线优化模块面临的挑战及解决方案,包括结构冗余、精度冗余、算法冗余和读写冗余的处理方法。此外,文章还介绍了ONNX Runtime的图优化机制及其在实际应用中的实现,展示了如何通过图优化提高模型推理性能的具体示例。
      45 4
      【AI系统】计算图优化架构
      |
      15天前
      |
      机器学习/深度学习 存储 人工智能
      【AI系统】自定义计算图 IR
      本文介绍了模型转换的方法及流程,重点讲解了计算图的自定义方法和优化技术。通过IR(Intermediate Representation)将不同AI框架的模型转换为统一格式,实现跨平台高效部署。计算图由张量和算子构成,支持多种数据类型和内存排布格式,通过算子融合等优化技术提高模型性能。文章还详细说明了如何使用FlatBuffers定义计算图结构,包括张量、算子和网络模型的定义,为自定义神经网络提供了实践指南。
      31 3
      【AI系统】自定义计算图 IR
      |
      13天前
      |
      人工智能 调度 算法框架/工具
      【AI系统】计算图的调度与执行
      深度学习训练过程涉及前向计算、计算损失及更新权重参数。AI框架通过计算图统一表示训练过程,算子作为计算图的节点,由后端硬件高效执行。计算图调度包括算子间的调度、并发调度和异构调度,确保计算资源的有效利用。图执行模式分为单算子执行、整图下沉执行和图切分多设备执行,适应不同场景需求。以PyTorch为例,其算子执行通过两次调度选择合适的Kernel进行张量操作,并支持自动求导。
      45 5
      |
      17天前
      |
      机器学习/深度学习 人工智能 API
      【AI系统】昇腾异构计算架构 CANN
      本文介绍了昇腾 AI 异构计算架构 CANN,涵盖硬件层面的达·芬奇架构和软件层面的全栈支持,旨在提供高性能神经网络计算所需的硬件基础和软件环境。通过多层级架构,CANN 实现了高效的 AI 应用开发与性能优化,支持多种主流 AI 框架,并提供丰富的开发工具和接口,助力开发者快速构建和优化神经网络模型。
      37 1
      下一篇
      DataWorks