《国产人工智能操作系统 降低大模型训练架构编程门槛》

  • 来源专题:中国科学院文献情报制造与材料知识资源中心—领域情报网
  • 编译者: 冯瑞华
  • 发布时间:2022-05-09
  • 除了芯片等硬件,人工智能操作系统也是人工智能领域需要自主可控的核心关键技术。日前,由科技部主办、科技部火炬高技术产业开发中心承办的首届“全国颠覆性技术创新大赛”(以下简称大赛)落下帷幕,经过层层选拔,最终36个优质项目获得本次大赛的最高奖项——优胜奖,其中包括由中国团队自主研发的“人工智能操作系统”。

      据了解,此次大赛在苏州、成都、青岛3个城市进行领域赛,旨在加强颠覆性技术供给,培育颠覆性创新文化,探索颠覆性技术“发现—遴选—培育”的新机制,重点发现和挖掘一批颠覆性技术方向,来自全国各地重点高校、知名科研院所、行业龙头企业、新兴创新企业的2724个技术项目参与了大赛。

      在人工智能领域,深度学习框架是基础软件,被称为“AI领域的操作系统”,定位和PC时代的操作系统Windows、移动互联网时代的IOS和安卓类似,是连接数据、算法和算力等人工智能要素的关键一环,其下接芯片,上承应用,所有人工智能的算法及应用都要通过深度学习框架进行训练与部署,其重要性不言而喻。

      在深度学习框架领域起跑最快的美国,拥有着市场占有率最高的两款产品——谷歌研发的TensorFlow和Meta(原Facebook)研发的PyTorch,几乎形成垄断之势。与此同时,亚马逊、微软等国际科技巨头也都在自行研发同类产品。我国在“十四五”规划中,将“深度学习框架”列入“新一代人工智能”板块,成为国家重点支持的前沿创新技术。国内百度、华为、旷视等企业也推出了深度学习框架。

      据了解,深度学习框架有3个重要维度:完备性、易用性、高效性。现有深度学习框架在解决完备性和易用性上已经十分成熟,因此高效性就成为国产框架瞄准的突破点。此次获得优胜奖的“人工智能操作系统”是来自北京一流科技的OneFlow分布式深度学习框架,其特点就在于高效性。它首创了静态调度与流式执行架构,解决了分布式深度学习面临的“网络墙”难题,同时,“基于全局性视角”的分布式编程接口,让普通工程师也能快速训练部署大模型,从而使更多的企业具备了深度挖掘自身数据资产的能力,降低了大模型训练架构的编程门槛,让大模型快速落地成为可能。

      据了解,目前该深度学习框架作为中国团队自主研发的基础软件,已形成纯国产化AI模型训练部署解决方案。未来,还将推出专门适配新兴硬件的标准化模块。

相关报告
  • 《人工智能大模型“拿捏”电池寿命》

    • 来源专题:能源情报网监测服务平台
    • 编译者:郭楷模
    • 发布时间:2024-09-25
    • 从清晨唤醒我们的闹钟,到随身携带的手机,再到电动汽车、无人机等新兴产品,无一不依赖于电池提供的稳定电力。 然而,随着电池使用时间的增长,其容量会逐渐衰减,造成供电时间缩短,影响设备的正常功能。如果能及时检测电池寿命,用户就能在电池性能明显下降前采取相应措施,从而避免因电池问题导致的设备故障或数据丢失,延长电池整体使用寿命。 近日,中国科学院大连化学物理研究所(以下简称大连化物所)研究员陈忠伟、副研究员毛治宇团队,联合西安交通大学教授冯江涛,在电池健康管理领域取得新进展。他们开发了一种新型的深度学习模型,有效解决了传统方法对大量充电测试数据的依赖问题,为电池实时寿命预估提供了新思路,实现了锂电池寿命的端到端评估。同时,该模型作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分,为电池智能管理提供了解决方案。相关成果发表于《电气电子工程师学会交通电气化学报》。 难以预测的电池寿命 电池的循环寿命是指电池在规定的充放电条件下,经历多次完全充放电循环后,容量或性能下降到初始值的某一规定百分比所能经历的充放电次数。通常以电池容量衰减到初始值的80%作为循环寿命的“终点”。 假如一部手机的电池循环寿命是500次,这就意味着,如果每天把手机电量完全用完再充满,那么大约500天后,你就会感觉手机电量没有以前那么耐用了,因为电池的循环寿命到了。 由于电池容量退化是一个受多种因素影响的动态过程,包括充放电循环次数、充放电深度、环境温度、电池老化等,这些因素相互作用,使得电池寿命预测变得尤为复杂。 此前,电池寿命预测都在实验室内进行。比如让电池加速循环,在高温45℃下高倍率运行,以此推断它在实际应用场景中的使用寿命。但是,不同的应用场景和运行条件会对锂电池寿命产生显著影响,以致无法实现对电池的精准预测。 目前,很多团队正积极投身于人工智能领域的探索。“遗憾的是,当前的人工智能技术及其学习深度,以及有限的人力资源,不能完全满足对电池寿命进行精确检测的需求。”毛治宇说,“基于这一现状,我们萌生了一个设想——设计一个能够直接且高效检测电池寿命的创新模型。这一模型致力于突破现有技术的局限,为电池健康管理提供更为可靠和智能的解决方案。” 人工智能模型让电池“透视” 2017年,毛治宇在加拿大滑铁卢大学读博士,陈忠伟是他的导师。当时,人工智能刚刚起步,他们想尝试一下,用它能否解决电池寿命检测这一难题。 “实际上,电池包括正极、负极、隔膜、电极液等,是一个复杂的电化学系统。但是,那时候的模型还停留在简单的神经网络学习,人工智能检测刚刚开始,我们就用自己的电池尝试测试,并纳入此前未被考虑到的电池老化问题,最终检测出来的电池寿命与实际寿命相比,精度有了很大提高。”毛治宇回忆当初第一次尝试时说。 这次初步尝试开启了毛治宇在人工智能应用于电池智能管理方向的科研之路。后来,二人先后归国工作,毛治宇又加入了陈忠伟的团队。 陈忠伟团队有一个方向是智能电池,包括人工智能应用于科学、人工智能应用于工程,毛治宇想在这里圆梦。而目前科技领域已有多个人工智能的计算模型,他们“借风使船”结合多个模型,实现了优势互补。 “我们利用了Vision Transformer结构,它可以进行并行计算,同时处理多个任务。”论文第一作者、在大连化物所从事博士后研究的刘云鹏介绍,“还有一个空间流加时间流的双流框架,可提取多维时间尺度信息,同时借助高效自注意力机制减少计算复杂度。我们根据不同的优势将这两种算法进行了结合。” 这项研究提出了一种基于少量充电周期数据的深度学习模型,该模型通过带有双流框架的Vision Transformer结构和高效自注意力机制,捕捉并融合多时间尺度隐藏特征,实现对电池当前循环寿命和剩余使用寿命的准确预测。 该模型在仅使用15个充电周期数据的情况下,能够将上述两种预测误差分别控制在5.40%和4.64%以内。并且,在面对训练数据集内未出现的充电策略时,仍能保持较低的预测误差,证明了其zero-shot泛化能力。 打造“电池数字大脑” 同时,该电池寿命预测模型是第一代电池数字大脑PBSRD Digit的重要组成部分。通过将模型整合到该系统中,进一步提高了系统的准确性。目前,该电池数字大脑系统作为大规模工商业储能和电动汽车的能量管理核心,可部署于云端服务器和客户端嵌入式设备。 “现在新能源特别是储能是热点话题,很多厂家都想开发全生命周期的电池智能管理系统。我们希望建设一个完整的电池数字大脑,能够更好地管理电池,像大脑一样控制电池的各个方面,让电池效率更高、寿命更长。这是我们未来的一个智能化发展方向。”毛治宇介绍说。 事实上,陈忠伟、毛治宇、刘云鹏正好是一个团队内的“师徒三代”。经过多年发展,团队在电化学、电催化、人工智能方面都有着深厚的积累。他们的目标是打造从基础研究到关键技术开发再到产业应用示范的全链条模式,以应用为导向真正走向产业化,乃至对整个领域产生影响。 150余人的团队中,会聚了超过50位经验丰富的工程师。他们具有不同的技术背景,不乏在大数据架构与算法领域深耕多年的专家,擅长将前沿的算法研究转化为高效、稳定的系统架构,确保技术成果能够顺利落地。 正是这种“研究+开发”深度融合的模式,使得团队能够跨越传统界限,促进不同领域知识与技术的交叉融合。工程师们不仅能独立承担项目研发的重任,还能与科研人员紧密合作,将最新研究成果迅速转化为产品功能,从而加速技术创新与产业升级的步伐。 通过这种高效的协作机制,团队不仅在电池寿命检测等特定领域取得突破,还能灵活应对各种复杂挑战,推动多个项目并行发展,最终实现多元化、全方位的技术创新目标。 “未来,我们计划利用模型提炼等技术进一步优化模型,以提高资源利用率,打造真正的数字大脑。”陈忠伟说。 相关论文信息: https://doi.org/10.1109/TTE.2024.3434553
  • 《着力降低人工智能应用门槛》

    • 来源专题:人工智能
    • 编译者:高楠
    • 发布时间:2025-02-24
    •       技术进步是降低人工智能应用门槛的关键。这有待加大科研投入,强化自主研发能力,在智能芯片、操作系统等关键领域取得更多突破。夯实算力、算法、数据等技术底座,培育若干通用大模型和行业大模型。       工信部日前公布人工智能赋能新型工业化典型应用案例名单,151个案例上榜。这既是要发挥案例示范引领作用,也是引导地方政府、企业加大对典型应用案例的政策、资金及项目支持力度,推动人工智能在新型工业化中应用推广,加快形成新质生产力。       作为新型工业化的重要推动力,人工智能是引领新一轮科技革命和产业变革的战略性技术,也是通用性最广泛的关键共性技术,具有溢出带动性很强的“头雁”效应。中央经济工作会议强调开展“人工智能+”行动,正是要推动人工智能技术与千行百业深度融合。因为广泛的渗透性、替代性、协同性和创新性,人工智能深度融入制造业各环节,能提  升全要素生产率,重塑产业技术体系、生产模式、产业形态,推动制造业转型升级。       我国人工智能产业具备赋能新型工业化的良好基础。目前我国人工智能核心产业规模接近6000亿元,相关企业超过4500家,已初步构建起较全面的人工智能产业体系,产业链覆盖芯片、算法、数据、平台、应用等上下游关键环节。智能芯片、通用大模型等创新成果加速涌现,智能基础设施不断夯实,数字化车间和智能工厂加快建设,加速形成现代化、智能化的产业体系,促使传统生产力向新质生产力转型。       人工智能赋能新型工业化正走深向实。人工智能在工业领域的应用场景不断拓展,并加速从最初的研发设计、运营管理、营销服务等环节深入渗透生产制造环节,推动制造业迈向全方位、深层次智能化转型升级新阶段。以传统小模型为代表的专用智能应用逐步成熟,以大模型为代表的通用智能应用处于初步探索阶段,行业应用场景不断丰富创新,深刻变革制造过程、研发模式,催生新产品新形态,是我国工业由大到强、实现弯道超车的重要方向和重大机会。       人工智能赋能新型工业化,存在供需两端一头热一头冷的情况。从供给侧看,人工智能技术创新活跃,技术、算法、模型和解决方案不断迭代升级,企业将工业领域视为人工智能应用落地的重要市场;从需求侧看,整体应用意愿参差不齐,大型企业有资源有能力,许多中小企业因为缺钱、缺人、缺技术,对人工智能技术应用积极性不高、应用程度低。这导致了人工智能技术在供给侧较热、在需求端较冷,表现为先进制造业落地场景多,一般制造业推进难,头部企业落地较好,中小制造企业较多持观望态度。       推动人工智能更深入赋能工业,需着力降低其应用门槛。工业场景具有多样性、复杂性等特点,精度要求高,容错率低,各细分行业要求差异化较大,需要提高人工智能技术的专业性、可靠性,针对不同行业、企业推出更适用普惠的产品和解决方案。行业发展,标准先行。工信部人工智能标准化技术委员会日前成立,主要负责人工智能评估测试、运营运维等领域行业标准制定修订工作,将有助于形成统一的行业标准,打破技术壁垒。       技术进步是降低人工智能应用门槛的关键。这有待加大科研投入,强化自主研发能力,在智能芯片、操作系统等关键领域取得更多突破。夯实算力、算法、数据等技术底座,培育若干通用大模型和行业大模型。大力发展智能产品,推广智能化软件应用,促进家电、手机等消费终端向强智能升级。更好发挥企业的创新主体作用,既鼓励产学研合作,支持龙头企业打造人工智能赋能新型工业化典型标杆;也建好服务中小创新企业的人工智能基础设施,降低其参与人工智能市场的门槛,形成百花齐放的市场竞争格局。 (责编:王仁宏、申佳平)