AI趨勢周報第199期：逢甲大學打造國產AI避震系統，更開發全球首款道路缺陷樣本資料庫

重點新聞(0930～1006)

逢甲大學     電子避震系統     道路缺陷  

逢甲大學打造國產AI避震系統，更開發全球首款道路缺陷樣本資料庫

在國科會4年資助下，逢甲大學副教授林昱成團隊打造出國產自駕車電子避震系統，結合AI道路缺陷感知系統和AI決策控制晶片系統，可即時辨識車前20公尺的6種道路缺陷（適用於車速100km/hr以下），讓避震系統根據不同路況來動態調控，更通過ISO26311乘坐舒適性測試，滿足乘車體驗和車輛操作穩定性要求。該系統的出現，意味著臺灣有能力自產車電尖端感知和控制技術，也代表國產技術融入車輛產業供應鏈。

進一步來說，為訓練道路缺陷感知AI，團隊收集了常見的6種道路缺陷影像作為訓練資料，包括坑洞、人孔蓋、減速坡、積水、伸縮縫、水坑，共89,723張照片，打造出全球首套道路缺陷樣本資料庫（TPDID），未來還能延伸應用至東南亞複雜的交通情況。團隊也透露，未來也可透過道路缺陷感測，即時將缺陷資訊通報給道路養護單位，提高道路修補效率。

另一方面，團隊開發出的強化學習決策控制系統，能根據道路缺陷偵測結果來調整避震系統。比如，當車輛行經坑洞或減速坡時，系統會動態調整避震器，來提高乘坐舒適性和懸吊耐久性。此外，這兩套AI系統所搭配的硬體零組件皆為國產，如電磁閥可調阻尼驅動電路、空氣彈簧驅動電路；這些系統也已導入Nissan系列車種。（詳全文）

  DeepMind     矩陣乘法     演算法  

DeepMind新AI系統可找出更快的矩陣乘法新演算法

DeepMind打造一款AI系統AlphaTensor，以擊敗全球三大棋藝AI的AlphaZero為基礎，可用來找出更有效率的矩陣乘法演算法。DeepMind認為，AlphaZero不只可用在遊戲上，也能用來解決懸而未決的數學問題。

AlphaTensor是AlphaZero的延伸，AlphaZero是個完全未經訓練的神經網路，經自我對戰來進行強化學習，而奠基於此的AlphaTensor，一開始也未被灌輸任何既有的矩陣乘法演算法，而是藉自我學習，來重新發現歷史上各種快速的矩陣演算法，且最終超越人類，找到比現今更快的演算法。不只如此，DeepMind也用AlphaTensor來替特定的硬體尋找最佳演算法，像是Nvidia V100 GPU與Google TPU v2，而AlphaTensor也在同樣的硬體上，在乘以更大矩陣的速度上比常用的演算法快了10%~20%。（詳全文）

  IBM     邊緣運算     裝置端訓練  

IBM聯手MIT打造邊緣運算新方法，在裝置用新資料微調模型只需256KB記憶體

IBM與MIT發表一系列邊緣運算輕量級技術，在裝置端微調預訓練模型只需256KB記憶體。團隊表示，一般來說，小型IoT設備難以直接利用裝置端感測器搜集的新資料，來更新模型；這包含兩個問題：類神經網路量化圖因混雜的單精度和缺乏正規化，而難以優化，另一個是硬體資源（如記憶體和算力）不足以用於反向運算。

為解決問題，團隊先設計稀疏更新（Sparse Update）演算法，來跳過不重要的層與子張量梯度運算，再用自建的訓練系統Tiny Training Engine來實作。該系統修剪了反向運算張量，來支援稀疏更新，並將執行時間的自動微分卸載到編譯時間。團隊表示，他們的框架可用於IoT裝置（如SRAM只有256KB的微型控制器），來透過遷移學習執行視覺辨識任務，所使用的記憶體是現有框架的百分之一，但準確度與雲端訓練、部署在邊緣的tinyML應用程式VWW一樣。特別是，這款框架不僅能讓IoT裝置推論模型，還能讓模型在裝置端，根據新資料來微調，實現不間斷的學習。（詳全文）

  漢莎航空    Google       準點率  

漢莎航空運用深度學習預測瑞士白斯風提高航班準點率

漢莎航空與Google公開新一波合作成果，透過預測機場跑道的風速，來提高航班準點率，不只降低營運損失，也提升乘客體驗。風的大小和風向對機場運作有重大影響，在瑞士有種白斯風（BISE），又冷又乾，會嚴重影響航班時刻、迫使飛機改道，甚至導致航班延誤、取消。

這種狀況在蘇黎世機場特別嚴重，不只對漢莎航空造成數百萬美元的損失，同時也會引發乘客不滿。於是，漢莎航空和Google採用Meteoswiss模擬資料，也就是瑞士多個氣象站過去5年來收集的氣象測量值，以每10分鐘的解析度，獲得風向、速度、壓力、溫度和濕度等天氣資料，以及氣象站位置海拔高度等資訊。但因為白斯風並非直接可用的變數，因此團隊設計跑道周圍的順風速度作為代理目標變數，當此數值高於特定閾值，就表示跑道會出現白斯風。

雙方也在Google全託管機器學習平臺Vertex AI建立專案，實驗結果顯示，新系統給出的預測，優於漢莎航空原有的啟發式演算法，且隨著預測的時間加長，出現了明顯的效能差異，新系統能夠獲得更高的召回率和精確度。漢莎航空計畫將這個預測白斯風實驗性專案，整合到營運決策支援套件中，供蘇黎世克洛滕機場營運控制中心使用。（詳全文）

  文字轉影片     Imagen Video     Phenaki  

Google發表兩款文字轉影片工具

Meta上周才發表文字轉影像AI系統，Google近日也推出兩款文字轉影片工具：Imagen Video和Phenaki，分別主打影片品質和長度。其中，Imagen Video是以Google先前開發的Imagen文生圖模型為基礎，採串連擴散模型來產出高解析度的影片。具體方法是先透過自然語言預訓練模型T5嵌入使用者輸入的文字，再由一個基本的影片擴散模型，以每秒3幀的速度產生一個解度析為24x48的16幀影像，之後再用多個TSR與SSR模型，最終產生每秒24幀、總長128幀且解析度高達1280x768的5.3秒影片。

至於Phenaki則可產出總長數分鐘的影片，只是影像品質不如Imagen Video。Phenaki可將一段特定長度的提示文字，轉換為任意長度的影片。不過，Phenaki產出影片非常貼近文字敘述，且Google認為它不僅可用來產生描述單個概念的影片，還能可根據一系列文字，產生連貫的多個影片。有鑑於用來訓練Imagen Video的資料中可能含不適當的內容，Google目前不打算開源該模型。（詳全文）

  Meta     加速推論     AITemplate  

Meta開源可加速程式碼執行的推論系統AITemplate

Meta最近開源一款服務AITemplate（AIT），可將深度神經網路轉為C++程式碼，來加速模型推論。AIT是一個Python框架，目前支援Nvidia、AMD的GPU，未來也可能支援英特爾GPU產品。

Meta AI研究院指出，目前AI業者的高效能GPU推論解決方案選擇非常有限，且AI正式部署流程需要快速開發，因此他們開發一套加速系統，來解決問題。AITemplate有2大特色，分別是高效能，以及統一、開放與靈活。它在Nvidia TensorCore GPU和AMD MatrixCore GPU上執行各主要模型的效能，都達到Roofline FP16，如ResNet、MaskRCNN、BERT、VisionTransformer與Stable Diffusion等。此外，它適用於Nvidia GPU或AMD GPU的FP16深度神經網路模型，且完全開源。這意味著AITemplate在Nvidia與AMD的GPU上執行各種AI模型時，可達到近似於原生硬體的效能，相較於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。（詳全文）

  AI權利法案     OSTP     退出權  

美發布AI權利法案藍圖，5大指引保障人民權利

美國白宮科技政策辦公室（OSTP）最近發布AI權利法案藍圖，要來引導AI與其它自動化系統的設計、發展與部署，保障美國人民的權利。該法案最終目標在於，利用AI推動進步和保護人類之間取得平衡。該法案藍圖包含5大保護原則，也就是建立安全與有效的系統、避免演算法歧視、保護個人隱私、闡明自動化系統的依據與用途，以及允許使用者退出。OSTP希望，此一藍圖在AI系統建置之前，就嵌入對人類的保護，讓被邊緣化的社群於開發過程中擁有發言權，也讓設計者可確保AI技術能嘉惠所有人。（詳全文）

  吳恩達     機器學習     迭代  

吳恩達：迭代是開發ML產品的關鍵

AI專家吳恩達指出，打造AI產品的一大關鍵是迭代。因為，開發機器學習系統，本身就是一個高度迭代的過程，比如先建立一個雛形，再做實驗衡量其表現，接著分析結果，以此為基礎、打造更好的系統。甚至在資料收集、訓練模型、開發系統等階段，都得不斷重複這個輪迴，直到產品成形。

他點出，開發ML系統需要迭代是因為，剛展開一個專案時，開發者並不知道會從資料中找到什麼奇怪或讓人驚豔的結果，因此需要一直探索，才能做出改善模型的好決策。再來，嘗試不同模型既快速又低成本。特別是，迭代在3種情況下更能體現好處：當開發者面對不確定性或風險時，又或是在建置系統、可提供有意義的回饋來降低不確定性或風險時，以及每次迭代的成本不高時。

這也是吳恩達推崇「最小可行性產品」（MVP）的原因，因為它講求用最低成本快速推出一項產品，與開發軟體一樣，可幫助開發者在開發過多無用的功能前，透過使用者回饋先來修正產品。（詳全文）

圖片來源／逢甲大學、Google、IBM、DeepMind

  AI近期新聞 

1. 特斯拉推出人形機器人，最快明年量產

2. Google打造音檔生成AI系統AudioLM

資料來源：iThome整理，2022年10月