0
7月15日，曠視舉辦了第二屆技術開放日活動，曠視聯合創始人、CEO印奇，曠視研究院基礎科研負責人張祥雨、算法量產負責人周而進、計算攝影負責人范浩強等出席活動，介紹了曠視對于AIoT、AI基礎研究的理解和實踐。
曠視將AIoT定義為“AIoT=AI+IoT+空間”。其中，“AI”和“IoT”是兩個相輔相成的核心關鍵詞。AI是不斷演進的算法能力，如今越來越多的AI算法正在各行各業發揮核心的價值；IoT是軟硬結合的設備載體，只有在特定的載體中，AI才能最大限度地釋放其價值。
在此基礎上，曠視還強調“空間”這一關鍵詞，提出空間是應用場景的閉環。在過去二三十年，互聯網、5G、AR、VR等技術的不斷演進，給虛擬世界帶來了翻天覆地的變化。但與此同時，技術對于物理世界的改造并沒有發生根本性的變化。曠視認為，“Make the Physical World Better”將是未來AIoT從業者努力追求的方向。
為了支撐AIoT這一長期發展戰略，曠視構建了“2+1”的AIoT核心技術科研體系，即以“基礎算法科研”和“規模算法量產”為兩大核心的AI技術體系，和以“計算攝影學”為核心的“算法定義硬件”IoT技術體系（包括AI傳感器和AI機器人）。
AI為“本”，是曠視的核心技術能力；IoT為“器”，是曠視實現AI規模化落地的硬件載體。這一整套科研體系，涵蓋了從基礎研究、算法生產到軟硬一體化產品的AI落地全鏈路。
基礎模型科研是AI創新突破的根基。
在2012年AlexNet被提出之后，基于深度學習的神經網絡成為AI視覺發展的主要原動力之一。神經網絡根據用途、構建方式的不同，大致可以分為CNN、Transformer、基于自動化神經網絡架構搜索的模型以及輕量化模型等。這些模型極大地推動了AI發展的歷史進程。
到目前，曠視認為，“大”和“統一”已經成為視覺AI基礎研究的最新趨勢。
其中，“大”主要是指AI大模型，即利用大數據、大算力和大參數量，提高模型的表達能力，使得AI模型能夠適用于多種任務、多種數據和多種應用場景。
曠視研究院基礎科研負責人張祥雨認為，“大”是提高AI系統性能的重要捷徑之一。但是，大并不意味好，片面地追求大參數量、大計算量和大數據量，并不一定能夠實現更強大的模型，反而會產生更大的計算開銷，令整體收益非常有限。
曠視基礎科研倡導的“大”，是要以創新的算法驅動，充分發揮大數據、大算力的威力，拓展AI認知的邊界。曠視關于“大”的研究，從實用角度出發，集中體現在大模型、大算法和大應用三個層面。
同時，AI視覺的研究領域眾多，包括CNNs、VL Models、 Transformers等基礎模型研發，物體檢測、分割等視覺基礎應用，優化、自監督、半監督等AI算法演化等。每個研究路徑，都會衍生出一系列算法。
曠視發現，這些算法在底層正在走向統一。通過統一的算法、模型來表示和建模各種數據、任務，將產生更加簡單、強大且通用的系統。圍繞“統一”的趨勢，曠視在“基礎模型架構”、“算法”和“認知”，進行了全面布局。曠視基礎科研的“統一”，集中體現在統一各種基礎模型架構，從紛繁的AI算法中提煉其本質特性，使其能支持各種任務、數據和平臺，并最終構建統一的、高性能的視覺AI系統。
在“大”和“統一”的理念下，曠視基礎模型科研聚焦于通用圖像大模型、視頻理解大模型、計算攝影大模型和自動駕駛感知大模型四個方向，并取得了多項突出的科研成果。張祥雨強調，基礎模型科研需要堅持長期主義，解決人工智能最本質的難題。
“落地實用是算法價值的最終檢驗標準”。
曠視研究院算法量產負責人周而進表示，算法落地的主要挑戰在于整個生產環節的復雜性上。具體來說，分為三個層面：第一，數據生產的復雜性。第二，算法模型本身的不確定性。第三，算法落地的AIoT硬件平臺的多樣性。
要解決這些問題，他認為“算法生產過程的標準化，是解決復雜的、碎片化的算法生產的有效手段”。這個標準化過程，包括了數據生產的標準化、算法模型的標準化和推理框架的標準化。
為此，曠視發布了自研的算法生產平臺AIS（AI Service）。
AIS基于曠視Brain++體系，構建了一套覆蓋數據處理、模型訓練、性能分析調優、推理部署測試等算法生產全鏈路的零代碼、自動化的生產力工具平臺。AIS標志著曠視Brain++的又一次提升，讓算法量產真正成為可能。
曠視 AIS 算法生產平臺提供多種功能支持算法快速生產部署，可以大幅降低算法生產的門檻，提升算法生產效率。目前，AIS平臺已經能夠支持100多種業務模型訓練，最快2小時即可完成，而且模型產出精度指標遠高于業界平均水平。經驗證，算法研發人員使用Brain++和AIS平臺，可以實現智能標注平均加速30倍，自動學習訓練加速4至20倍。
周而進認為，算法量產不是單一的產品，而是對AI生產模式的理念革新和生產力進化。曠視希望通過AI算法生產的標準化以及AI生產力平臺的構建，極大地降低算法生產的成本和門檻，讓更多人可以參與進來，促進算法在更多行業的落地。
AIoT產生了豐富的應用場景，其需求在不斷地改變與升級，這對于算法提出了越來越多的需求。同時，算法本身也對于硬件應該提供怎樣的信息和輸入提出了要求，甚至從根本上改造了硬件的形態與樣式。
因此，“算法定義硬件”的全新理念應運而生。
以AI傳感器為例，曠視研究院計算攝影負責人范浩強認為，隨著AI、視覺算法等領域的發展，傳感器將不再單獨的、直接地提供應用價值，傳感器和應用之間需要算法來作為承上啟下的橋梁。從技術角度講，這兩者最顯著的結合點就是計算攝影。
以手機拍照為例，搭載了曠視AI算法和傳感器的手機，在燈光、月光、星光等不同環境下成像能力的提升。此外，在非成像的屏下光學指紋方面，算法也在牽引傳感技術向前發展。目前，曠視助力某業內公司實現了千萬顆級的指紋傳感器出貨。該產品具備業界最小的尺寸、最快的識別速度以及支付級的安全認證。
范浩強認為，“應用-算法-傳感器”的全鏈路整合能力，是“算法定義硬件”的核心。而曠視是業界少數能將傳感器的光學、模組、電子學的設計能力，傳感器的物理建模和算法能力，以及傳感器的應用能力融為一體的公司。
除此之外，在技術開放日上，20個有料有趣的技術Demo也集中亮相，系統性地展示了曠視在前沿技術探索、軟硬件協同設計、算法量產應用，以及商業化產品落地方面的實踐。雷峰網(公眾號：雷峰網)雷峰網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
