2018年4月18日，由鯤云科技主辦的2018年全球人工智能應用創新峰會在深圳五洲賓館召開，現場來自兩化融合服務聯盟秘書長周劍，英國皇家工程院院士，電子電氣工程師協會院士、帝國理工大學教授陸永青教授，英國皇家工程院院士、英國曼徹斯特大學教授Steve Furber教授、斯坦福大學教授Kunle Olukotun，美國微軟Derek Chiou教授，中國超級計算領域國際權威清華大學教授楊廣文等眾多嘉賓帶來了AI從研究到落地應用方向多個角度的精彩演講。

兩化融合服務聯盟秘書長周劍表示，世界正處于在從工業經濟向數字經濟加速轉型過度的大變革時代，工業經濟向數字經濟轉型的過程實質就是傳統產業能力與IT能力的集成、融合和更新的過程。數字經濟發展受限要推動企業的全面數字化，尤其是底層設備設施的數字化，進而實現企業數據的上下層貫通，OT和IT的融合和創新應用。人和機器智能的融合創新是核心。數字時代的核心競爭力體現在產業知識與大數據、人工智能技術的深度融合應用，加速知識創新和價值創造。

兩化融合服務聯盟秘書長周劍

他同時指出數字經濟發展的三大路徑：第一、推動IT能力平臺化，全面推進產業資源云遷移；第二階段，推動產業能力平臺化，促進產業資源合作和協同共享；第三、推進產業知識與大數據、人工智能深度融合，提升產業創新能力。

英國皇家工程院院士，帝國理工大學教授陸永青教授

英國皇家工程院院士，電子電氣工程師協會院士、英國計算機協會院士，天地一體化信息技術國家重點實驗室及帝國學院人工智能數據處理聯合實驗室主任，帝國理工大學教授陸永青教授，帶來了《人工智能技術：從研究到實踐》的精彩演講。

他強調，機器學習計算平臺能力決定人工智能在各個領域的應用效率。其三個體現領域，金融計算，其響應速度決定交易盈利；而設計優化，其計算時間決定生產率；機器視覺，計算能力決定判斷實時性及傳輸帶寬。如何提高機器學習計算平臺能力呢？中的核心技術便是——定制計算。而定制計算與傳統計算最大的區別在于，傳統計算是程序配合處理器，定制計算是處理器配合程序。

陸永青教授就定制計算進入深入剖析，指出可定制計算架構指向深度神經網絡，可定制工具指向編譯器，而平臺生態系統將催生更多的產品。AI落地領域已經在智能金融、智能制造和智慧城市當中，他結合鯤云科技所研發的雨人計算系統進行深入講解，介紹了其在中國商飛的機載飛行測試、衛星數據處理、數據中心加速等方面的落地應用。

英國皇家工程院院士，電子電器工程師協會院士，英國計算機協會接觸院士，英國曼徹斯特大學教授，ARM技術創始人Steve Furber教授，其研究領域包括異步系統、用于傳感器網絡的超低功率處理器、芯片互連和全局異步本地同步和神經系統工程。

英國皇家工程院院士，英國曼徹斯特大學教授，ARM技術創始人Steve Furber教授

作為歐盟腦計劃計算負責人，Steve Furber教授說：“他的一個重要愿景，有一天腦現象可以變成數學方程式，希望關于神經系統的微積分學可以留傳給下一代。”他提出兩個問題，1、大規模并行計算可以加速我們對人腦的理解嗎？我們對人腦的深入探索可以為更高效，容錯率更大的并行計算提供方向嗎？

近年來，Steve Furber教授和他的團隊正在嘗試一項大膽的研究計劃。這個項目被稱為 “Spinnaker”。也可以親切的叫做“Brain Box”。Spinnaker是一個開源的，釋放高速度和可信軟件變化多云持續交付平臺。比如Spinnake項目之一，在一臺電腦里包含一百個手機處理器，能夠模擬大約1%的人腦計算，約等于10個老鼠大腦的計算量。

Spinnaker在Netflix公司創建的，數百個團隊在數百萬次規劃中進行了精密的測試。它結合了強大靈活的通道管理系統與云系統供應商的一體化。準備用 100 萬個 ARM 微處理器創造一個大腦的電子模型。完成的設計將被放置在10個19英寸的支架上，每個支架搭載100000個芯片，最重要的內置卡片被放置在5個刀片機箱，每個核心模擬1000個神經元。

Web2.0時代，以用戶行動為主導產生了海量數據內容，這些內容經由Amazon、谷歌、Facebook、騰訊、阿里等巨型互聯網企業收集整理，作為生產資料反饋和服務市場。這過個程中，面對大數據指數級的增長，新一代芯片的構建迫在眉睫。美國電子電氣工程師協會院士，斯坦福大學教授Kunle Olukotun，其研究團隊的方向在于——幫助擁有特定領域專業知識的用戶在無需了解機器學習或者硬件認知的前提下構建起高質量機器學習系統。

Kunle Olukotun教授發表了《用摩爾定律擴展機器學習性能》的演講，他指出，訓練數據是人工智能的關鍵，訓練數據的挑戰之一是：昂貴和緩慢，尤其在專業領域；第二、現實世界的問題在變化，手動標記的訓練數據不會。

舊的計算模式用算法進行經典確定性計算，進行調式的計算是必須和正確的，新的計算模型從數據訓練的概率極其學習模型，為改善并行性創造可能。機器學習中的關鍵算法是隨機梯度下降法（SGD）。SGD是由數百億個共享單一數據結構的小型作業組成。HALP與SGDH和SVRG的訓練損失和驗證準確性相匹配。越來越多的數據中心選用FPGA作為應用加速器，正式因為兩大優勢：性能/瓦特和可編程性。而硬件并行模式有助于提高生產力，改善數據的局部性和利用嵌套并行，并且抓住設計空間，生成verilog，比特流。

Kunle Olukotun教授介紹了Spatial，這種語言負責將算法中的各部分映射至并發處理器中的各部分。作為其核心，這款芯片采用16 x 8交錯式計算單元（簡稱PCU）與模式內存單元（簡稱PMU）陣列，且各單元通過三條互連通道利用三種控制協議實現對接。與HDL相比，其體系結構和設計參數更容易實現。單一源程序可以映射到許多硬件目標，還可以優化目標參數。

這款113平方毫米的芯片采用Spatial以將應用程序映射至陣列當中，用以交付相當于28納米制程FPGA芯片約95倍的性能水平以及高達77倍的每瓦性能。最終呈現效果來看，其每瓦性能水平可達FPGA的10倍，而編程易行性則可達FPGA的上百倍。

Derek Chiou教授，美國微軟公司partner Group硬件工程經理

Derek Chiou教授表示，微軟云系統是基于大規模運算的能力，微軟可配置云的目標就是在同一硬件上支持加速基礎架構和深度學習神經網絡。微軟數據中心必須考慮規模經濟，有差異就集成新的器件，每1-2年就會有新的應用集成進來。ASIC不是最有效的，我們選擇FPGA。

Derek Chiou重點介紹了用于加速軟件定義網絡的AccelNet，以及用于Bing中DNN加速的BrainWave堆棧，通過發揮FPGA低延遲以及高靈活的特性，實現更高性能的網絡和深度學習加速，在效率和成本的約束條件下，充分滿足網絡及搜索的不同需求。

國家超級計算無錫中心主任 楊廣文教授

超級計算領域國際權威楊廣文教授介紹了神威。太湖之光超級計算機的系統架構及應用，深入分享神威計算系統的深度學習平臺及其優化進展，最后介紹了一下神威。太湖之光超算系統的長期規劃，其中包含會引入AI的計算加速芯片，這也將與鯤云科技正在推動的AI芯片方向不謀而合，雙方將深入探討合作的機會。