中国台湾微软藉 Azure HPC 助攻，加速鸿海人工智慧研究成果

▼

中国台湾微软在 2021 年 3 月与鸿海科技集团开启云原生技术开发、混合办公场域建立与核心系统上云布局全球等三大战略合作，重新定义中国台湾智慧制造样貌之后，经过一年的努力，鸿海研究院凭藉微软 Azure 云端平台的高速算力，取得多项人工智慧技术的研究突破，不但大幅减少对抗式模型训练时间，从 3 小时缩短到 5 分钟，另借由使用大量“无标注”资料做预训练，建立 AI 模型训练新范式。也能透过人工智慧模型实现即时、连续性的进行血压侦测，守护大众健康。

中国台湾微软指出，与鸿海研究院双强联手，让中国台湾的自驾车及数位医疗产业迎向智慧蓝海市场的做法，是透过微软 Azure HPC GPU – NDm A100 v4 加速鸿海研究院在 AI 领域的研究速度。NDm A100 v4 系列虚拟机器是 Azure GPU 系列的旗舰，专为高阶深层机器学习训练和紧密结合的相应增加、相应放大 HPC 工作负载所设计，能有效缩短 AI 模型建立时间。此外，依据使用量付费（pay as you go）的弹性收费模式，也能减少前期设备建置投资与机房管理人力。

而针对鸿海研究院运用 Azure 云端平台于深度学习、自驾车及数位医疗的研究成果点如下：

1. 对抗式攻击与防御，提升自驾车稳定性及安全性：针对未来自驾车的应用情境，为避免外部环境干扰或是恶意骇客入侵，严重影响模型的判断，对抗式攻击与防御极为关键，可用于减少人工智慧模型的误判。Azure 的虚拟机器能大幅缩短对抗式训练的模型训练时间，从原本 3 小时减少至 5 分钟。

2. 高解析度非监督影像风格转换模型：此模型为基于深度学习的 image translation model，能够将两个不同领域的影像做双向转换，应用在动漫领域，可以将动漫人像转换成真实人脸，并且可以在硬件资源有限的情况下生成高解析度（1,0241,024） 的成果。应用于自驾车场景，配合现有的自驾车模拟环境（如：CARLA），借此生成的模拟影像，转换还原出更契合真实情境的驾驶环境，进而扩充训练模型时所需要的影像资料，并藉 Azure 高速算力得到更好的模型效能。

3. 自监督式学习预训练新范式之研究：自监督学式学习技术使用大量“无标注”的资料来训练人工智慧模型，除可降低过往标记资料对大量人力的需求，透过“无标注”还可降低人为疏失，提升模型准确度。以自动驾驶的领域为例，透过收集巨量的街景资料，并在没有标记的情况下进行模型训练（pre-training），之后再用少量有标注资料做细微修调，可善用大数据的优势，缩短模型训练时间，进而达到更强健、安全的自动驾驶环境。

4. 自监督式虹膜影像分割技术：在不需要人工标注的情况下训练人工智慧模型，有效的将虹膜影像进行精确的分割，进而提高虹膜辨识的准确率。此技术不但可用于虹膜辨识，也可应用于各种不同的环境与任务，例如：自驾车环境中我们常常需要针对街景图做影像语意分割，透过此技术，不需大量人力标注，即可训练出高精确度的人工智慧模型以供自动驾驶系统使用。使用微软 NDm A100 v4 的 HPC 来做模型训练，跟之前使用的机器相比，加速可高达 8 倍。

5. 人工智慧模型实现即时、连续性血压侦测：成功将光体积描记法（PPG）讯号转换成即时血压讯号，有效地量测血压的指数，且量测准确度已经符合医疗器械促进协会（AAMI）和英国高血压学会（BHS）的 A 级标准。目前穿戴式装置可实现 PPG 信号的即时量测，与此技术结合后，未来能让使用者随时侦测自身血压，不再受到时间、空间与器材的限制，第一时间预防因血压异常的导致的高风险疾病。使用微软 NDm A100 v4 的 HPC 来做模型训练，跟之前使用的机器相比，加速可高达 400 倍。

（首图来源：中国台湾微软提供)

▼

   特别声明    本页内容仅供参考，版权终归原著者所有，若有侵权，请联系我们删除。