然而，以Windows操作系統起家的微軟，并沒有放棄“系統”。2017年，微軟定位北京，成立了微軟亞洲研究院-微軟(亞洲)互聯網工程院人工智能系統聯合中心，旨在為微軟的AI生態搭建最核心、最基礎的系統平臺。
6月20日，微軟亞洲研究院副院長、人工智能系統聯合中心負責人周禮棟以及其團隊召開了一次深度workshop，向包括雷鋒網(公眾號：雷鋒網)在內的十余家科技媒體介紹微軟如何做“人工智能時代的系統創新”。
何為系統?微軟給出的定義是系統就是把零散、復雜的個體組織成有序的整體。在計算機領域，不妨將這個抽象又簡單的名詞理解為平臺。“一直以來，微軟都是一個平臺公司，從早期的操作系統、數據庫，到云平臺、分布式系統，其實都可以被稱為‘系統’。”
PC時代有操作系統，互聯網時代有分布式系統，AI對系統提出了新的要求。現階段的人工智能有三個非常重要的支柱點——大數據、新算法和大計算。而“系統”作為連接數據和算法的紐帶，是一個不為大眾所熟知的關鍵要素，一個好的系統可以有效支撐AI應用的架構、開發、部署和落地。
周禮棟介紹道，微軟人工智能系統聯合中心要做一個全棧的AI平臺(AI Stack)，可以為AI開發者提供全方位支持，讓廣大AI開發者、AI應用背后的技術團隊，讓他們在開發AI應用時更加得心應手，沒有后顧之憂，目前主要分為三個層次：
一，AI計算能力。從硬件到基礎設施再到管理系統全部覆蓋，充分利用GPU、FPGA等新興技術，以及云計算、大數據等現有的相對成熟的大規模分布式系統，讓AI的計算能力實現價值最大化。
二，AI平臺中間層。其中包括編程語言、各種工具包等，供開發AI算法的人使用，為他們提供完善的開發和運行環境。
三，AI算法。提供成熟的AI算法供應用開發者使用，例如讓微軟認知工具包CNTK與TensorFlow、Caffe等框架實現靈活轉換，在一種框架下訓練好的模型，可以在另一種框架下無縫使用，并將更多算法集成到Visual Studio中去。
全棧AI平臺(AI Stack)體現了微軟的系統理念，連接底層技術和工具包直接提升開發者進行深度學習開發、模型訓練的效率，但是對于開發者來說整個系統又像是無形的、不可見的。這樣的系統思路有助于實現“AI普及化”，打造一個通用AI平臺的目標。當然，目前還需要各個層面的協同發展。
雷鋒網了解到，在AI計算能力方面，英特爾、谷歌等主要發力AI芯片，微軟則強調Azure智能云。Azure智能云匯聚了微軟在人工智能領域的大量投入與技術積累，是開發、部署、運行人工智能的云平臺，同時也是將智能云與智能邊緣融會貫通的關鍵環節。微軟一直在拓展Azure的功能。
Azure目前有四個方面：公有云Azure、混合云Azure Stack、物聯網Azure IoT Edge和Azure Sphere，以這四個方面打造出完整的計算環境，支持全新應用場景。
在AI平臺中間層，微軟已有多種工具：Project Brainwave 、ML.NET、ONNX、OpenPAI、Tools for AI、NNI等，都旨在提供更簡易、高效的人工智能開發工具。
微軟于2017年發布的Project Brainwave能利用Azure上的FPGA基礎架構完成實時的人工智能處理。用戶只需要通過實時的單一批數據，就能得到以往需要多得多的批量數據處理才能得到的結果。
在Build 2018微軟全球開發者大會上，微軟宣布推出跨平臺、開源機器學習框架ML.NET的預覽版。ML.NET讓任何開發者都能開發出自己的定制化機器學習模型，并將其融入到自己的應用中去——開發者完全無需具備開發和調試機器學習模型的經驗。
在隨后的微軟2018人工智能大會上，微軟介紹了兩個新的工具：Open Platform for AI(OpenPAI)和Tools for AI。
OpenPAI由微軟亞洲研究院和微軟(亞洲)互聯網工程院聯合研發，旨在為深度學習提供一個深度定制和優化的人工智能集群管理平臺，其支持多種深度學習、機器學習及大數據任務，可提供大規模GPU集群調度、集群監控、任務監控、分布式存儲等功能。
Tools for AI也是中國團隊打造，為開發者提供了一個全平臺、全軟件產品生命周期、支持各種深度學習框架的開發套件。開發者可以通過熟悉的Visual Studio和Visual Studio Code開發工具，快速開發深度學習相關的程序。Tools for AI的一鍵安裝功能可以幫助開發者配置深度學習的開發環境，配合Visual Studio (Code)自帶的Python語言開發功能，開發者可以方便地編輯和調試基于CNTK、TensorFlow、PyTorch等主流深度學習框架下構建的深度學習訓練程序。
除了以上已經發布的工具外，微軟亞洲研究院資深研究員伍鳴和研究員薛卉在workshop現場演示了微軟在人工智能系統上的創新。
伍鳴展示了三種深度學習框架后端優化路徑，第一種是一種硬件網絡技術RDMA網卡，目前許多以深度學習為目標應用的GPU集群都部署了這樣的網絡。為了更好地利用如RDMA、NVLink等的高速網絡硬件的能力，微軟設計了一種零拷貝通信機制，將Tensor數據直接傳輸到接收端。經過在TensorFlow上的實驗，該方法在一系列神經網絡模型上的收斂速度提高2-8倍。第二種是內核融合，其主要思路是如何自動對任意深度學習網絡模型實施優化，提升單個計算單元運算效率，實現約10倍左右的性能加速。第三種是擴展TensorFlow API，使用戶可以在模型腳本中直接控制壓縮和量化，另一個思路是將輸入數據異步拷貝到CPU中，掩蓋數據拷貝的開銷，這種做法需要和內核融合結合。
研究員薛卉介紹了其開發的NNI。薛卉原本從事自然語言處理，在加入系統組后，從自身在上層技術領域進行科研工作的切身體會出發，和微軟亞洲研究院首席研究員楊懋一起開發了名為Neural Network Intelligence(NNI)的底層框架。NNI項目源起于傳統機器學習開發的繁瑣流程，特別是深度學習目前還處于黑箱狀態，研究人員往往需要花費大量的時間進行模型選擇和超參數調試。NNI的誕生不僅可以支持不同的操作系統和編程語言，自動地幫助使用者完成數據分析、模型比對、參數調試和性能分析工作，還能方便使用者將模型運行在不同的分布式系統上。近期，NNI就會以開源工具包的形式對外發布，這將給研究、開發人員更多嘗試創新的可能性，加快科研和技術發展的腳步。
做系統最重要的是易用性，微軟以上的項目通過系統的優化、創新，能夠賦能更多科研人員、開發者和實踐者。
雷鋒網了解到，目前除了微軟，其他巨頭公司也在積極推廣人工智能系統/平臺，英特爾有其“人工智能全棧解決方案”，囊括了芯片、處理器、數據庫、開源軟件工具等;蘋果有機器學習框架Core ML、Create ML、對話式人工智能Siri。未來，人工智能時代的標志性系統究竟是什么樣?還需要我們繼續探索。
京公網安備 11010502049343號