【文章導讀】：5月19日，市場調(diào)研機構(gòu)Frost & Sullivan(沙利文)發(fā)布《中國深度學習軟件框架市場研究報告(2021)》，百度的飛槳綜合競爭力領(lǐng)跑行業(yè)， 的PyTorch和谷歌的TensorFlow緊隨其后。

飛槳（PaddlePaddle）以百度多年的深度學習技術(shù)研究和業(yè)務(wù)應(yīng)用為基礎(chǔ)，集深度學習核心訓練和推理框架、基礎(chǔ)模型庫、端到端開發(fā)套件、豐富的工具組件于一體，是中國首個自主研發(fā)、功能完備、開源開放的產(chǎn)業(yè)級深度學習平臺。

)新加坡國立大學、字節(jié)跳動等機構(gòu)合作的技術(shù)成果近期在神經(jīng)生物學期刊《自然·神經(jīng)科學》發(fā)布，該研究首次將AI元學習( learning)方法引入神經(jīng)科學及醫(yī)療領(lǐng)域，可在有限的醫(yī)療數(shù)據(jù)上訓練可靠的AI模型，提升基于腦成像的精準醫(yī)療效果。

自研深度學習框架綜合競爭力中國市場排名居首

5月19日，市場調(diào)研機構(gòu)Frost & Sullivan(沙利文)發(fā)布《中國深度學習軟件框架市場研究報告(2021)》，百度的飛槳綜合競爭力領(lǐng)跑行業(yè)， 的PyTorch和谷歌的TensorFlow緊隨其后。

過去10年，人工智能從實驗室走向產(chǎn)業(yè)，計算機視覺和自然語言處理等領(lǐng)域取得的突破性進展，均與深度學習技術(shù)的底層支撐有關(guān)。但是，深度學習底層算法開發(fā)具有較高的學術(shù)及技術(shù)門檻，一度成為技術(shù)落地的主要制約。

深度學習軟件框架的出現(xiàn)打破了這一僵局，它將深度學習算法模塊化封裝為底層開發(fā)工具，化身“智能時代的操作系統(tǒng)”，和AI芯片一起構(gòu)成了人工智能的基礎(chǔ)設(shè)施。

這份報告勾勒出漸趨清晰的中國市場主流深度學習軟件框架新競爭格局。

自2015年后，以TensorFlow、PyTorch為代表的國外深度學習框架發(fā)展迅猛，占據(jù)了業(yè)界主導地位。中國首個自主研發(fā)的產(chǎn)業(yè)級深度學習平臺飛槳，2016年正式開源，目前在中國綜合市場份額已超越PyTorch和TensorFlow，位居第一。

該報告認為，飛槳具備“世界領(lǐng)先的人工智能技術(shù)、支撐科研與產(chǎn)業(yè)共進的核心框架、擁有產(chǎn)業(yè)級開源模型庫的開發(fā)平臺、中國第一的開發(fā)者生態(tài)”等核心優(yōu)勢。

如百度CTO王海峰所言，深度學習推動人工智能進入了工業(yè)大生產(chǎn)階段。

作為典型的AI大生產(chǎn)平臺，將深度學習技術(shù)釋放至越來越多的產(chǎn)業(yè)場景是飛槳的使命。

如今，成都國鐵借助飛槳目標檢測開發(fā)套件研發(fā)的“軌道在線智能巡檢系統(tǒng)”，已實現(xiàn)對軌道巡檢圖片的實時檢測;基于飛槳的技術(shù)能力，智慧植物工廠已實現(xiàn)機器24小時自動照看、多方位呵護蔬菜生長采收，以往一位農(nóng)學專家只能照看20畝地，現(xiàn)在一人可照看60—100畝地。

即便是普通人，也能使用AI開發(fā)平臺將奇思妙想變?yōu)楝F(xiàn)實。疫情期間，完全不懂編程的小學生郭佳慧使用飛槳EasyDL零門檻AI開發(fā)平臺開發(fā)的口罩佩戴識別系統(tǒng)，能夠甄別出用袖子、手臂遮擋面部的“作弊”行為，獲得數(shù)千人次的下載應(yīng)用。

該報告認為，目前全球主流深度學習軟件框架格局已從百花齊放向幾家逐鹿轉(zhuǎn)變，百度飛槳、騰訊優(yōu)圖、華為MindSpore、阿里XDL等自研開源深度學習軟件框架加速升級，中國正在快速形成開源框架的系統(tǒng)化布局。(記者 劉 艷)

動感飛槳：飛槳深度學習平臺（百度深度學習平臺PaddlePaddle中文名）

AI元學習首次進入神經(jīng)科學

科技日報訊 (記者劉艷)新加坡國立大學、字節(jié)跳動等機構(gòu)合作的技術(shù)成果近期在神經(jīng)生物學期刊《自然·神經(jīng)科學》發(fā)布，該研究首次將AI元學習( learning)方法引入神經(jīng)科學及醫(yī)療領(lǐng)域，可在有限的醫(yī)療數(shù)據(jù)上訓練可靠的AI模型，提升基于腦成像的精準醫(yī)療效果。

腦成像技術(shù)可直接觀察大腦在信息處理和應(yīng)對刺激時的神經(jīng)化學變化，理論上，基于腦成像的AI模型可應(yīng)用于預測個人的一些表征特性，從而促進針對個人的精準醫(yī)療。盡管已有英國生物銀行(UK Biobank)這樣的大規(guī)模人類神經(jīng)科學數(shù)據(jù)集，但在研究臨床人群或解決重點神經(jīng)科學問題時，幾十到上百人的小規(guī)模數(shù)據(jù)樣本依舊是常態(tài)。因此，在精確標注的醫(yī)療數(shù)據(jù)量有限的情況下，如何訓練出可靠的AI模型，正成為神經(jīng)科學和計算機科學領(lǐng)域焦點問題。

研究者們提出，使用機器學習領(lǐng)域的元學習解決上述難題。

元學習是過去幾年最火爆的學習方法之一，其目標是讓模型可以在獲取已有知識的基礎(chǔ)上快速學習新的任務(wù)。

研究者通過對先前小樣本數(shù)據(jù)分析發(fā)現(xiàn)，個體的認知、心理健康、人口統(tǒng)計學和其他健康屬性等表征特性與大腦成像數(shù)據(jù)之間存在一種內(nèi)在相關(guān)性。基于小樣本數(shù)據(jù)和大數(shù)據(jù)集之間的這種相關(guān)性，研究者提出元匹配( -matching)的方法，將大數(shù)據(jù)集上訓練出來的機器學習模型遷移到小數(shù)據(jù)集上，從而訓練出更可靠的模型。

這一新方法已在英國生物銀行和人類連接組計劃(Human Connectome Project)的數(shù)據(jù)集上完成測評，較傳統(tǒng)方法體現(xiàn)出更高的準確率。

實驗顯示，這項新的訓練框架非常靈活，可與任何機器學習算法相結(jié)合，在小規(guī)模的數(shù)據(jù)集上，也可有效訓練泛化性能好的AI預測模型。