逢甲大学
重点新闻(0930～1006)
逢甲大学 电子避震系统 道路缺陷
逢甲大学打造国产AI避震系统，更开发全球首款道路缺陷样本资料库
在国科会4年资助下，逢甲大学副教授林昱成团队打造出国产自驾车电子避震系统，结合AI道路缺陷感知系统和AI决策控制晶片系统，可即时辨识车前20公尺的6种道路缺陷（适用於车速100km/hr以下），让避震系统根据不同路况来动态调控，更通过ISO26311乘坐舒适性测试，满足乘车体验和车辆操作稳定性要求。该系统的出现，意味着台湾有能力自产车电尖端感知和控制技术，也代表国产技术融入车辆产业供应链。
进一步来说，为训练道路缺陷感知AI，团队收集了常见的6种道路缺陷影像作为训练资料，包括坑洞、人孔盖、减速坡、积水、伸缩缝、水坑，共89,723张照片，打造出全球首套道路缺陷样本资料库（TPDID），未来还能延伸应用至东南亚复杂的交通情况。团队也透露，未来也可透过道路缺陷感测，即时将缺陷资讯通报给道路养护单位，提高道路修补效率。
另一方面，团队开发出的强化学习决策控制系统，能根据道路缺陷侦测结果来调整避震系统。比如，当车辆行经坑洞或减速坡时，系统会动态调整避震器，来提高乘坐舒适性和悬吊耐久性。此外，这两套AI系统所搭配的硬体零组件皆为国产，如电磁阀可调阻尼驱动电路、空气弹簧驱动电路；这些系统也已导入Nissan系列车种。（详全文）
DeepMind 矩阵乘法 演算法
DeepMind新AI系统可找出更快的矩阵乘法新演算法
DeepMind打造一款AI系统AlphaTensor，以击败全球三大棋艺AI的AlphaZero为基础，可用来找出更有效率的矩阵乘法演算法。DeepMind认为，AlphaZero不只可用在游戏上，也能用来解决悬而未决的数学问题。
AlphaTensor是AlphaZero的延伸，AlphaZero是个完全未经训练的神经网路，经自我对战来进行强化学习，而奠基於此的AlphaTensor，一开始也未被灌输任何既有的矩阵乘法演算法，而是藉自我学习，来重新发现历史上各种快速的矩阵演算法，且最终超越人类，找到比现今更快的演算法。不只如此，DeepMind也用AlphaTensor来替特定的硬体寻找最佳演算法，像是Nvidia V100 GPU与Google TPU v2，而AlphaTensor也在同样的硬体上，在乘以更大矩阵的速度上比常用的演算法快了10%~20%。（详全文）
IBM 边缘运算 装置端训练
IBM联手MIT打造边缘运算新方法，在装置用新资料微调模型只需256KB记忆体
IBM与MIT发表一系列边缘运算轻量级技术，在装置端微调预训练模型只需256KB记忆体。团队表示，一般来说，小型IoT设备难以直接利用装置端感测器搜集的新资料，来更新模型；这包含两个问题：类神经网路量化图因混杂的单精度和缺乏正规化，而难以优化，另一个是硬体资源（如记忆体和算力）不足以用於反向运算。
为解决问题，团队先设计稀疏更新（Sparse Update）演算法，来跳过不重要的层与子张量梯度运算，再用自建的训练系统Tiny Training Engine来实作。该系统修剪了反向运算张量，来支援稀疏更新，并将执行时间的自动微分卸载到编译时间。团队表示，他们的框架可用於IoT装置（如SRAM只有256KB的微型控制器），来透过迁移学习执行视觉辨识任务，所使用的记忆体是现有框架的百分之一，但准确度与云端训练、部署在边缘的tinyML应用程式VWW一样。特别是，这款框架不仅能让IoT装置推论模型，还能让模型在装置端，根据新资料来微调，实现不间断的学习。（详全文）
汉莎航空 Google 准点率
汉莎航空运用深度学习预测瑞士白斯风提高航班准点率
汉莎航空与Google公开新一波合作成果，透过预测机场跑道的风速，来提高航班准点率，不只降低营运损失，也提升乘客体验。风的大小和风向对机场运作有重大影响，在瑞士有种白斯风（BISE），又冷又乾，会严重影响航班时刻、迫使飞机改道，甚至导致航班延误、取消。
这种状况在苏黎世机场特别严重，不只对汉莎航空造成数百万美元的损失，同时也会引发乘客不满。於是，汉莎航空和Google采用Meteoswiss模拟资料，也就是瑞士多个气象站过去5年来收集的气象测量值，以每10分钟的解析度，获得风向、速度、压力、温度和湿度等天气资料，以及气象站位置海拔高度等资讯。但因为白斯风并非直接可用的变数，因此团队设计跑道周围的顺风速度作为代理目标变数，当此数值高於特定阈值，就表示跑道会出现白斯风。
双方也在Google全托管机器学习平台Vertex AI建立专案，实验结果显示，新系统给出的预测，优於汉莎航空原有的启发式演算法，且随着预测的时间加长，出现了明显的效能差异，新系统能够获得更高的召回率和精确度。汉莎航空计画将这个预测白斯风实验性专案，整合到营运决策支援套件中，供苏黎世克洛滕机场营运控制中心使用。（详全文）
文字转影片 Imagen Video Phenaki
Google发表两款文字转影片工具
Meta上周才发表文字转影像AI系统，Google近日也推出两款文字转影片工具：Imagen Video和Phenaki，分别主打影片品质和长度。其中，Imagen Video是以Google先前开发的Imagen文生图模型为基础，采串连扩散模型来产出高解析度的影片。具体方法是先透过自然语言预训练模型T5嵌入使用者输入的文字，再由一个基本的影片扩散模型，以每秒3帧的速度产生一个解度析为24×48的16帧影像，之後再用多个TSR与SSR模型，最终产生每秒24帧、总长128帧且解析度高达1280×768的5.3秒影片。
至於Phenaki则可产出总长数分钟的影片，只是影像品质不如Imagen Video。Phenaki可将一段特定长度的提示文字，转换为任意长度的影片。不过，Phenaki产出影片非常贴近文字叙述，且Google认为它不仅可用来产生描述单个概念的影片，还能可根据一系列文字，产生连贯的多个影片。有监於用来训练Imagen Video的资料中可能含不适当的内容，Google目前不打算开源该模型。（详全文）
Meta 加速推论 AITemplate
Meta开源可加速程式码执行的推论系统AITemplate
Meta最近开源一款服务AITemplate（AIT），可将深度神经网路转为C++程式码，来加速模型推论。AIT是一个Python框架，目前支援Nvidia、AMD的GPU，未来也可能支援英特尔GPU产品。
Meta AI研究院指出，目前AI业者的高效能GPU推论解决方案选择非常有限，且AI正式部署流程需要快速开发，因此他们开发一套加速系统，来解决问题。AITemplate有2大特色，分别是高效能，以及统一、开放与灵活。它在Nvidia TensorCore GPU和AMD MatrixCore GPU上执行各主要模型的效能，都达到Roofline FP16，如ResNet、MaskRCNN、BERT、VisionTransformer与Stable Diffusion等。此外，它适用於Nvidia GPU或AMD GPU的FP16深度神经网路模型，且完全开源。这意味着AITemplate在Nvidia与AMD的GPU上执行各种AI模型时，可达到近似於原生硬体的效能，相较於PyTorch中的Eager模式，AITemplate在Nvidia CPU的效能改善了12倍，在AMD GPU上改善了4倍。（详全文）
AI权利法案 OSTP 退出权
美发布AI权利法案蓝图，5大指引保障人民权利
美国白宫科技政策办公室（OSTP）最近发布AI权利法案蓝图，要来引导AI与其它自动化系统的设计、发展与部署，保障美国人民的权利。该法案最终目标在於，利用AI推动进步和保护人类之间取得平衡。该法案蓝图包含5大保护原则，也就是建立安全与有效的系统、避免演算法歧视、保护个人隐私、阐明自动化系统的依据与用途，以及允许使用者退出。OSTP希望，此一蓝图在AI系统建置之前，就嵌入对人类的保护，让被边缘化的社群於开发过程中拥有发言权，也让设计者可确保AI技术能嘉惠所有人。（详全文）
吴恩达 机器学习 迭代
吴恩达：迭代是开发ML产品的关键
AI专家吴恩达指出，打造AI产品的一大关键是迭代。因为，开发机器学习系统，本身就是一个高度迭代的过程，比如先建立一个雏形，再做实验衡量其表现，接着分析结果，以此为基础、打造更好的系统。甚至在资料收集、训练模型、开发系统等阶段，都得不断重复这个轮回，直到产品成形。
他点出，开发ML系统需要迭代是因为，刚展开一个专案时，开发者并不知道会从资料中找到什麽奇怪或让人惊艳的结果，因此需要一直探索，才能做出改善模型的好决策。再来，尝试不同模型既快速又低成本。特别是，迭代在3种情况下更能体现好处：当开发者面对不确定性或风险时，又或是在建置系统、可提供有意义的回馈来降低不确定性或风险时，以及每次迭代的成本不高时。
这也是吴恩达推崇「最小可行性产品」（MVP）的原因，因为它讲求用最低成本快速推出一项产品，与开发软体一样，可帮助开发者在开发过多无用的功能前，透过使用者回馈先来修正产品。（详全文）
图片来源／逢甲大学、Google、IBM、DeepMind
AI近期新闻
1. 特斯拉推出人形机器人，最快明年量产
2. Google打造音档生成AI系统AudioLM
资料来源：iThome整理，2022年10月