看看其机会在哪,阿里健康发布超级药房1

原标题:阿里健康发布超级药房1.0 药品真伪一比就知

原标题:回顾百度智能小程序过去这俩月 看看其机会在哪?

原标题:干货 | 地平线:面向低功耗 AI 芯片上视觉任务的神经网络设计 | 职播间第 2 期

  【环球网科技综合报道】“一盒药从入选大药房,到送达用户手里,至少需要经过6大工序,18人的严格把关。”阿里健康大药房总经理刘恒浩展示了他的淘宝订单页面,点击购买药品下的“码上放心”按钮,就可以看到所购药品的追溯码。“收货后,比对药盒和订单上的追溯码结果一致,便可放心使用。”据了解,将每一笔销售给消费者的药品订单都与药盒上的追溯码绑定,确保消费者“所买即所得”,这在医药电商领域属于首创。

在当下的互联网业界,ALL IN 小程序似乎成为了企业「面向未来,走得更远」的必由之路,从小程序业态的诞生开始,这一赛道就从来不乏头部玩家的青睐:腾讯凭借小程序,向外界霸气擘画出属于微信互联网的「野蛮图景」;谷歌丝毫不吝惜在「INSTANT APPS」上的资源投入,指望小程序继续为自家的「流量高塔」添砖加瓦......

AI 科技评论按:随着这几年神经网络和硬件(GPU)的迅猛发展,深度学习在包括互联网,金融,驾驶,安防等很多行业都得到了广泛的应用。然而在实际部署的时候,许多场景例如无人驾驶,安防等对设备在功耗,成本,散热性等方面都有额外的限制,导致了无法大规模应用深度学习解决方案。

除了用追溯码保障用户的购药安全,9月12日,阿里健康在大药房成立两周年之际,第一次揭秘了新零售时代的“超级药房1.0”标准,即“全球找货、大数据选品、抽检审查、全环节监控、药品追溯和执业药师全天候服务”等六大运作流程。

巨头们无一能够逃过小程序的「魔咒」,7 月正式发布智能小程序的百度更加验证了这一点。

近日,在雷锋网 AI 研习社第 2 期职播间上,地平线初创人员黄李超就介绍了 AI 芯片的背景以及怎么从算法角度去设计适合嵌入式平台高效的神经网络模型,并应用于视觉任务中。之后地平线的 HR 也进行了招聘宣讲,并为大家进行了招聘解读。公开课回放视频网址:

“2.5元,这么便宜的维生素C别处都买不到!”“今天我要实名表扬3495号药师,专业又贴心。”“直接在网上下单,有时送到家里,有时送到单位,非常之方便。”主持人康辉在《最喜爱的十家淘宝店》一文中这么夸奖阿里健康大药房。

事实上,如果深究起来,百度才算是小程序领域的先行者,早在 2013 年百度就发布过基于小程序理念设计的产品,那时候叫做轻应用,如果小程序这个名字强调的是形式的小巧精致,那么轻应用的主打的则是服务的快速触达,总体来说,这两者基本上可以看作是一个模子刻出来的孪生兄弟,只不过一个生不逢时,过早的夭折,另一个则如日中天,成为移动互联网时代一颗冉冉升起的新星。

黄李超:本科毕业于中山大学,在帝国理工硕士毕业之后于 2014 年加入了百度深度学习研究院,期间研发了最早的基于全卷积网络的目标检测算法——DenseBox,并在 KITTI、FDDB 等特定物体检测数据集上长期保持第一名。 2015 年,他作为初创人员加入地平线,现研究方向包括深度学习系统研发,以及计算机视觉中物体检测,语义分割等方向。

除了用户的评价,阿里健康还公布了一组数据,截至2018年9月,阿里健康大药房共上线来自15个国家和地区的12000余个商品,涵盖OTC药品、保健滋补、成人用品、医疗器械、隐形眼镜、美妆个护、母婴孕产等多个种类,累计1.4亿人次到访,服务超2300万人次,覆盖了国内34个省份和300多个城市。客服团队超过2000人,其中95%是执业药师。

就算微信凭借推出小程序的先发优势,已经取得了值得大书特书的业绩:用户规模超过 3 亿,小程序数量超过百万,但是这并不意味着小程序会成为腾讯独步天下的独门利器,因为归根究底小程序最大的创新之处是缩短了流量的触及与转化路径,从而从底层提升了服务效率与使用体验,而本来 BAT 各家的流量就存在着天然的属性差异,就如同三家天生拥有截然不同的互联网基因一般,这也导致了各家可以凭借自身的技术优势,给小程序这一普适形式注入专属的内涵。

分享主题:面向低功耗 AI 芯片上视觉任务的神经网络设计

在客户满意度、业绩双增长的背后,是一套被阿里健康称为“超级药房1.0”的标准体系在做支撑。阿里健康大药房负责人刘恒浩认为,“全与安全”是一家药房服务好消费者的关键,而“超级药房1.0”标准的六个运作流程则是保障全与安全的要素。

显然,百度也深谙此道,不仅高调自信的发布智能小程序,还在与自身的业务优势进行整合的基础上,探索出了一条不同于腾讯版的小程序发展之路。

分享提纲

例如,在“全”这方面,阿里健康大药房通过大数据建模选取全球范围内的健康优质商品。对稀缺药有需求的患者及其家属,则建立“全球找药联盟”,提供在线实时查询药品信息的公益产品。今年7月,“全球找药联盟”增加了一个寻找免费药和创新药的入口,和药研所合作上线中国临床研究登记查询平台,让患者可以通过信息登记或直接联系在研的医疗机构,参与药品临床研究。

究竟百度智能小程序的布局战略有哪些玄机,在小程序这盘大棋中的胜算几何。在百度智能小程序推出满两个月之际,回答这个问题,显然是一个比较合适的时机。

  1. 介绍当前 AI 芯片概况,包括现有的深度学习硬件发展情况,以及为何要为神经网络去设计专用芯片。
  2. 从算法角度,讲解如何设计高性能的神经网络结构,使其既满足嵌入式设备的低功耗要求,又满足应用场景下的性能要求。
  3. 分享高性价比的神经网络,在计算机视觉领域的应用,包括实时的物体检测,语义分割等。
  4. 地平线 2019 年最全的校招政策解读。

在“安全”方面,阿里健康大药房除了严格执行“入库身份验证、全库阴凉管理、透明实验室抽检、效期管理、双重复核”等标准化流程外,还为用户提供专业的执业药师在线咨询及追溯码验真两大特色服务。据阿里健康大药房客服负责人张耀如介绍,为用户提供在线用药咨询的客服团队中95%以上是具备丰富药事经验的执业药师。为提升用户体验,阿里健康大药房还为万余名大药房老用户开通了24小时一对一专属服务,满足其全全天候的健康咨询需求。

将开放进行到底

雷锋网 AI 研习社将其分享内容整理如下:

图片 1

首先,百度决心打造一个开放的发展格局。凭借 10 亿用户的庞大体量与社交裂变的无限机遇,微信平台固然给小程序开发者提供了一个性价比较高的创作土壤,但是我们应该清醒的认识到种种围绕微信小程序的美好畅想,终究还是逃不过资本与利益的现实考量,在开发者前赴后继编织自己的小程序梦境的同时,其实微信也在坐享百万小程序的流量加持,这很有可能会让腾讯筑起更加难以跨越的流量藩篱,这也是为什么国内的手机厂商们联合起来推出快应用来阻击腾讯小程序的根本原因。

今天,我将从以下三个方面来进行分享:

将“码上放心”追溯信息与医药电商订单绑定,为用户提供药品验真服务,是阿里健康大药房的另一个特色。记者在阿里健康大药房购买了一盒治疗咽喉疼痛的药,待发货后点开订单,就可以发现所购药品下方的“码上放心”按钮,点击后即可以显示药品的追溯码信息。消费者在购买药品后可以通过订单上的追溯码信息比对收到的药盒,确认“所买即所得”,避免物流过程中药品被调包的问题,用手机淘宝、支付宝和阿里健康App扫码后,还能了解药品的更多信息。

这边微信在利用品牌的附加价值吸附全域流量于一处,那边百度果断决定通过开放生态向开发者开放全域流量。所谓的全域流量其实可以从两个角度来理解,其一开发者可以在极低的开发门槛下,只需改动几行代码,即可将小程序脚本运行在包括手机百度、百度贴吧、百度地图、百度网盘在内的百度系产品之中,实现流量的全系跑通;其二百度智能小程序还支持开发者将智能小程序发布在其他 APP 之中,其中包括 B 站这样年轻用户使用粘性很强的平台,实现流量的全网跑通。可以看出,百度开发智能小程序的一条思路是想方设法打破 APP 时代下流量割裂的信息孤岛,希望通过借助智能小程序轻便快捷的特质,助推流量的全域流通,同时也为各个平台的流量获取赋予更加美妙的想象空间。

第一,当前 AI 芯片发展的现状。这里的 AI 芯片并不是单指狭义的 AI 专用芯片,而是指广义上包括 GPU 在内所有可以承载 AI 运算的硬件平台。

“阿里健康大药房取得今天的成绩,是为用户提供优质的、确定性的消费体验带来的回报。”阿里健康执行董事,医药事业部总经理汪强说,未来大药房还将与阿里巴巴集团生态内的其他业务合作,力图探索出新的产品、新的品类和新的服务模式,满足消费者全天候全场景的健康需求。

AI 技术的加入,或许将成为关键变量

第二,在嵌入式设备的环境下如何设计高效的神经网络。这里我使用的案例都选自业界中比较重要的一些工作——也有一部分来自我们的地平线。同时这一节大部分的工作都已经落地到实际应用场景。

天猫总裁靖捷也认为:“未来五年,健康将重新定义什么是理想生活。”他说,阿里健康这几年积累了健康领域的产品和运营能力,比如在线实时查询药品信息的全球找药联盟。让消费者迅速找到适合自己的健康商品和服务,这既需要强大的计算能力,也需要敏锐的洞察力。

如果说开放是百度智能小程序运作逻辑的本质属性,那么智能则是其赋能机制的具体演绎。不得不承认,在 BAT 战火愈演愈烈的移动互联网时代,百度作为连接一切信息的介质的属性被不断淡化,稳定迭代的微信搜索接口能力、愈发千人千面的淘宝推荐机制,这些看似微妙的变化都在无时无刻挑战百度信息耦合剂的地位,这也使得百度不得不抓紧一切机遇实现业务的转型升级——依托前期海量的搜索数据的加持,重点布局 AI 领域。当然,作为攻城略地的真刀真枪,这些 AI 领域的技术积累自然也成为了百度智能小程序对于开发者的致命吸引力。

第三,算法+硬件在计算机应用上的一些成果。

作者:李文瑶返回搜狐,查看更多

单从被命名为智能小程序就可以看出,智能始终是百度版小程序最大的宣传卖点。简单来说,百度智能小程序的 AI 加持主要集中于百度大脑 3.0 下的云端算法算力与移动端的深度学习框架,具体一些就是诸如语音识别合成、人脸扫描识别、增强现实沉浸式交互等先端技术。百度方面将这些 AI 的核心功能进行底层封装,开发者只需输入简单代码,即可自由调用,真正为开发者打造了一片尽情挥洒创意的试验田。

介绍 AI 芯片之前,先介绍 AI 的大环境。大家都知道现在是机器学习时代,其中最具代表性的是深度学习,它大大促进图像、语音、自然语言处理方面的发展,同时也给很多行业带来了社会级的影响。例如在社交网络的推荐系统、自动驾驶、医疗图像等领域,都用到了神经图像技术,其中,在图像医疗,机器的准确率甚至大大超过了人类。

责任编辑:

图片 2

图片 3

要说集成百度 AI 数据接口最为充分的,要算百度联合长隆动物园共同发布的「长隆 AR 动物园」智能小程序。在已经上线的一期功能中,开放了 AR 知识科普、步行 AR 导航等实用功能,其中 AR 知识科普可以为游客有声朗读动物科普知识、随时随地观赏珍稀的 AR 动物,借助鲜活生动的交互场景与沉浸式的感官体验,显著增强了游园的知识性与趣味性,获得了游客的交相称赞,自上线以来,长隆 AR 动物园智能小程序总启动用户数超过了 189 万,人均的用户停留时长峰 4 分钟。

从整个互联网发展的情况来看,我们先后经历了 PC 互联网、移动互联网时代,而接下来我们最有可能进入一个智能万物互联的时代。PC 时代主要解决信息的联通问题,移动互联网时代则让通讯设备小型化,让信息联通变得触手可及。我相信在未来,所有的设备除了能够互联之外,还能拥有智能:即设备能够自主感知环节,并且能根据环境做出判断和控制。现在我们其实看到了很多未来的雏形,比如无人车、无人机、人脸开卡支付等等。不过,要让所有设备都拥有智能,自然会对人工智能这一方向提出更多要求,迎接更多的挑战,包括算法、硬件等方面。

图片 4

大规模运用深度学习需要去应对很多挑战。首先从算法和软件上看,如果把 AI 和深度学习用在某个行业中,需要对这个行业的场景有深入的理解。场景中也有很多痛点需要去解决,但是是否一定要用深度学习去解决呢?在特定场景下,往往需要具备能耗比、性价比的解决方案,而不是一个仅仅能够刷数据集的算法。随着这几年算法的快速发展,人们对 AI 的期望也在不断提高,算法的发展是否能跟上大家的期望,这也是一个问题。

如何在海量信息中埋设服务触点

从硬件上看,当前硬件的发展已经难以匹配当前深度学习对于计算资源的需求,特别是在一些应用场景中,成本和功耗都是受限的,缺少低成本、低功耗、高性能的硬件平台直接制约了 AI 技术和深度学习方案的大规模应用,这也是我们地平线致力于解决的行业难题。

一定程度上,小程序头部战场拼杀的层次除了技术功能接口,还有内容生态的建设与运营。微信小程序近期向开发者开放了小程序与公众号的绑定接口,这也意味着微信小程序领域从上至下开始探索建立导流机制,事实上微信的这项举措也是在逐步打磨内容与服务之间的转化闭环。

当前 AI 芯片发展的现状

不可否认,不论是微信还是百度,内容具备成为服务的前置载体的逻辑都天然成立。优质的内容能够创造打动人心的场景体验,最终让交易与服务成为这一切的合理注脚。目前,百度可以提供的内容入口包括搜索流量、百家号、feed 流推荐以及 banner「我的」下的「常用服务」、语音搜索直达等。

接下来我们介绍一下 AI 硬件的一些情况。大家都知道,最早神经网络是运行在 CPU 上的。但是 CPU 并不能非常高效地去运行神经网络,因为 CPU 是为通用计算而设计的,而且其计算方式以串行为主——虽然一些运行指令可以同时处理较多数据。除此之外,CPU 在设计上也花了很多精力去优化多级缓存,使得程序能够相对高效地读写数据,但是这种缓存设计对神经网络来讲并没有太大的必要。另外,CPU 上也做了很多其他优化,如分支预测等,这些都是让通用的运算更加高效,但是对神经网络来说都是额外的开销。所以神经网络适合用什么样的硬件结构呢?

图片 5

图片 6

「携程」智能小程序自然地出现在百度信息流中,并可以在百度 App 界面下面「我的」-「常用服务」中找到。

在讲这个问题之前,我们先从神经网络的特性说起:

话说回来,百度平台每日产生的数亿次搜索请求中,本身就存在着非常深厚的信息与服务需求,这就为百度智能小程序的内容对接留下了广阔的发挥空间,只需将这部分蕴藏在搜索行为背后的服务需求,借助搜索结果与 feed 流推荐等机制加以捕捉并满足,百度自身所绑定的全网信息非常轻易就能成为服务与工具的载体,实现从人找服务向服务找人的跃迁。

第一,神经网络的运算具有大规模的并行性,要求每个神经元都可以独立并行计算;

以爱说唱智能小程序为例,在百度搜索里直接搜「爱说唱」,会在结果页最上方呈现智能小程序;如果搜索一档说唱相关综艺节目「中国新说唱」,结果栏也会出现「爱说唱」智能小程序。再以携程小程序为例,只要用户近期存在针对旅游资讯的搜索行为,并且关注了推送旅游攻略与优惠信息的百家号,携程智能小程序就会自动被推送出现在手机百度 feed 流推荐之中,从而达到唤醒用户的目的。不论是哪种方式,从中都可以窥见百度试图盘活存量搜索数据、打通内容——信息——服务最优链路的愿景与初心。

第二,神经网络运算的基本单元主要还是相乘累加,这就要求硬件必须有足够多的运算单元;

图片 7

第三,神经元每一次运算都会产生很多中间结果,这些中间结果最后并不会复用,这就要求设备有足够的带宽。一个理想的设备,它应该有就比较大的片上存储,并且带宽也要足够,这样才能放下网络的权重和网络的输入;

不曾停下的脚步

第四,由于神经网络对计算的精度并没有那么敏感,所以在硬件设计的时候可以使用更简单的数据类型,比如整型或者 16bit 的浮点数。因此,这几年大家使用的神经网络解决方案,都是 CPU+比较适合于神经网络运算的硬件(可以是 GPU、DSP、FPGA、TPU、ASIC 等)组成异构的计算平台。

虽然百度版的智能小程序仅仅推出了两月有余,百度小程序在更新迭代上,从未表现出丝毫的懈怠。现在用户可以直接从手机百度 APP 首页下拉调取进入小程序页面,虽然与微信的首页下拉采取了相同的调取方式,但是相较于微信的半屏展示,百度的全屏呈现显然使得小程序的排布更加符合视觉习惯,更加便于用户的查找与点击。

最常用的方案是 CPU+GPU,这个是深度学习训练的一个标配,好处是算力和吞吐量大,而且编程比较容易,但是它存在的问题是,GPU 的功耗比较高,延迟比较大,特别是在应用部署领域的场景下,几乎没有人会用服务器级别的 GPU。

同时,百度方面也已经确定,在全面开放数据能力接口的基础上,推出完全开源的开发社区,并且在能力的最大范围之内,向合作伙伴提供丰富多元的广告组件,进一步完善百度智能小程序的价值变现与循环逻辑。以上种种,无不向外界宣示百度智能小程序作为后起之秀,也拥有着不小的发展潜力。

应用场景下用的更多的方案是 FPGA 或者 DSP,它们功耗比 GPU 低很多,但是相对的开发成本较大。DSP 依赖专用的指令集,它也会随着 DSP 的型号变化有所差异。FPGA 则是用硬件语言去开发,开发难度会更大。其实也有一起企业会用 CPU+FPGA 去搭建训练平台,来缓解 GPU 训练部署的功耗问题。

图片 8

虽然刚刚提了很多神经网络加速的解决方案,但是最合适的还是 CPU+专用芯片。我们需要专用 AI 芯片的主要原因是: 虽然现在的硬件工艺不断在发展,但是发展的速度很难满足深度学习对计算力的需求。其中,最重要有两点:

小程序风口由腾讯率先开启,如今百度野心勃勃的高调入局,酝酿鸿猷上演一出漂亮的王子复仇记的同时,试图通过一套具有「百度特色」的理念与方法论,结合自身的先进技术与信息资源,重塑一个开放包容的互联网场域。

第一,过去人们认为晶体管的尺寸变小,功耗也会变小,所以在相同面积下,它的功耗能保持基本不变,但其实这条定律在 2006 年的时候就已经终结了

如果算上即将于 9 月中旬正式推出小程序的支付宝,至此 BAT 三巨头将正式移师小程序战场,开启新一轮的攻防战。虽然起步时间不尽相同,运营理念也存在差异,但最终孰优孰劣还得交给用户的 PICK 来检验。返回搜狐,查看更多

第二点,我们熟悉的摩尔定律其实在这几年也已经终结了。

责任编辑:

我们可以看到芯片在这几年工艺的发展变得越来越慢,因此我们需要依靠专门的芯片架构去提升神经网络对计算平台的需求。

图片 9

最著名的的一个例子就是 Google 的 TPU,第一版在 2013 年开始开发,历时大约 15 个月。TPU 里面使用了大量乘法单元,有 256*256 个 8 位的乘法器;片上有 28MB 的缓存,能够存储网络的参数和输入。同时,TPU 上的数据和指令经过 PCN 总线一起发过来,然后经过片上内存重新排布,最后计算完放回缓冲区,最后直接输出。第一版 TPU 有 92TOPS 的运算能力,但是只针对于神经网络的前向预测,支持的网络类型也很有限,主要以多层感知器为主。

而在第二版的 TPU 里面,已经能够支持训练、预测,也能够使用浮点数进行训练,单个 TPU 就有 45TFLOPS 的算力,比 GPU 要大得多。

图片 10

其实我们地平线也研发了专用的 AI 芯片,叫做 BPU,第一代从 2015 年开始设计,到 2017 年最终流片回来,有两个系列——旭日和征程系列,都针对图像和视频任务的计算,包括图像分类、物体检测、在线跟踪等,作为一个神经网络协处理器,侧重于嵌入式的高性能、低功耗、低成本的方案。

图片 11

比较值得一提的是,我们在我们的 BPU 架构上设计了弹性的 Tensor Core,它能够把图像计算所需要的基本单元,常用操作例如卷积、Pooling 等硬件化,非常高效地去执行这些操作。中间通过数据路由桥(Data Routing Bridge)从片上读取数据,并负责数据的传输和调度,同时,整个数据存储资源和计算资源都可以通过编辑器输出的指令来执行调度,从而实现更灵活地算法,包括各种类型的模型结构以及不同的任务。

总的来说,CPU+专用硬件是当前神经网络加速的一个较好的解决方案。针对专用硬件,我们可以根据功耗、开发容易度和灵活性进行排序,其能耗跟其他两者(开发容易度和灵活性)是相互矛盾的——芯片的能效比非常高,但是它的开发难度和灵活度最低。

如何设计高效的神经网络

说了这么多硬件知识,接下来我们讨论怎么样从算法角度,也就是从神经网络设计的角度去谈怎么加速神经网络。相信这个也是大家比较关心的问题。

本文由澳门威利斯人手机版发布于科学,转载请注明出处:看看其机会在哪,阿里健康发布超级药房1

TAG标签:
Ctrl+D 将本页面保存为书签,全面了解最新资讯,方便快捷。