“人工智能已經極大地改變了人類的生活和生產方式。”在2021聯想創新科技大會上，聯想集團高級副總裁、首席技術官芮勇分析說，聯想在不斷賦能行業的實踐中發現，各行各業在智能化轉型過程中都面臨著一系列共性的痛點，可歸納為三大類，一是模型構建難，二是數據樣本少，三是場景適配慢。
對于模型構建難，芮勇觀察到，在企業中，很多業務專家熟悉具體場景，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合最優。另外一個做法是利用機器學習技術，搜索神經網絡架構，這種方法能夠節省人工成本，但是會耗費大量的GPU算力。
“當模型被部署到邊側或端側以后，面對新出現的問題和任務，很難收集到有效的樣本數據。”芮勇說。
在芮勇看來，當新的場景需求出現，比如新建一條智慧產線或一座智慧廠房，如何利用已有的能力迅速規模化復制一套完整的解決方案？這需要考慮到一系列因素，比如新任務場景需要調用哪些人工智能能力組件？它們以一種什么形式組合、連接起來才能發揮作用？它們分別應該跑在哪些設備上，才能滿足算力、存儲、網絡、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經驗和通過反復試驗才能找到較優的方案。這就產生了第三個痛點，如何快速高效地適配新場景。
針對模型構建難這一痛點，芮勇介紹說，聯想提出了“多層級細粒度神經網絡架構搜索”技術，它能為業務人員省時高效地構建出高精度模型。首先，為減少搜索空間，聯想提出了模塊間—層間—層內的漸進式搜索方法，相比傳統的神經網絡架構搜索方法，能更快得到一個精度最優、時延最小的網絡架構；在此基礎上，利用網絡權重預熱技術，通過近鄰采樣，對網絡架構的權重賦予先驗初值，使得模型訓練能快速收斂。以圖像分類問題為例，有了這一技術的加持，構建同樣精度的模型，所需GPU算力僅為業界常用方法的1/10。
為解決樣本數據少這一行業轉型痛點，聯想將“數據增強”和“元學習”結合，打造了“小樣本終身學習技術”。芮勇舉了個通俗易懂的例子——學開車。“比如，你會開小轎車，現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，因為有些基礎可以借鑒。這就是元學習的原理。通過借鑒不同任務的相似之處，來實現任務層面的學習能力泛化，提升模型不斷適應新任務的能力。”芮勇說。
對于場景適配慢的行業智能化轉型痛點，芮勇介紹說，有了聯想基于多目標優化的解決方案自動生成技術，用戶只需輸入新場景任務和限制條件，算法就能自動確定需要哪些模型，跑在哪些設備上能達到用戶所期望的性能，模型之間如何進行協作等，從而構建出最優的完整方案。有了這一技術，原來需要幾周才能搭建出一套新場景的智能化方案，現在幾個小時就可以完成。
上述這些助力行業智能化轉型并解決痛點的方案，主要由面向行業智能化的人工智能平臺——聯想大腦提供支持。“聯想大腦的這些技術，正在賦能許多行業的智能化轉型。”芮勇說。
