原创《从自己的自己吃到对外赋能》
本文是关于的狗粮毕业论文怎么写跟狗粮有关大学毕业论文范文。
记得华为最早开始实践人工智能,是来源于任正非2017年在华为内部“人工智能应用GTS研讨会”上的讲话：“自己的自己吃”,奠定了华为实践人工智能战略上大的基调,即首先尝试人工智能技术并快速在自己的业务上验证价值,然后基于确定的价值和方向进行外部解决方案的推广和赋能.
在彼时整个研讨过程中,任正非都是以鼓励的态度来强调人工智能在华为内部先实践的重要性,保证高质量的数据,聚焦投入,并且敢投入,纵向验证了价值在横向扩张的不同应用.从任正非构建的这个战略思维观点里,你可以窥见到华为做事的“实在”,不是快速进行热点上的追捧、贴金,而是先自己消化,认识到人工智能技术的本质,然后再传播这些价值,用自己对于人工智能成熟的理解逐步实现各个产业的突破和变革.
2018年10月10日,华为轮值董事长徐直军在上海的华为全连接大会( Huawei Connect 2018)上发布了华为的人工智能战略,并且发布了华为Ascend（异腾）系列芯片以及基于该芯片的产品和云服务.这次大会可以看做是华为从“自己吃”到对外赋能转变过程中的里程碑和冲锋号,在这次大会以后,华为将开始陆续展开人工智能对外应用的突破.
全栈全场景构架
这次华为的Al发力是基于“算力”开始的,通过异腾系列芯片的发布,在端、边缘、云三个方面提供强劲的算力支持,从而可以全面提供人工智能应用下的泛化应用支持.所谓“全栈”,是从技术视角来体现华为的人工智能能力,包括从芯片、芯片使能、训练和推理框架以及应用使能在内的全堆栈方案；所谓全场景,是从应用方式来体现华为的人工智能能力,包括从公有云、私有云、边缘计算、物联网行业终端以及消费类终端等全面场景的部署支持.
基础芯片发力,也是这次华为整个Al战略发布的重点,其实也能体现华为强劲的制造优势,以及基于手机芯片制造而沉淀的宝贵理解经验,这是华为“实在”Al的体现,“我有这样的能力,所以我提出这样的方案,不吹牛”.整个异腾91 0芯片的算力可以达到256T,是目前全球已发布的单芯片计算密度最大的Al芯片,比排名第二的高出了一倍.记得网上曾有个很有名的测试记录短片,有人同时用两台手机,一台苹果、一台华为,同时点开不同的应用,结果华为总是比苹果要打开得快,后来我也在客户面前自豪地尝试了—下同样的场景,确实如此.可见,对于计算力的掌握和理解还是“用户看得见”的.在Al芯片的产品化上,华为基于端、边缘、云,推出了下同的Ascend Al芯片产品,包括：Nano、Tiny、Lite、Mini以及Max.
在芯片之上华为搭建了一层统一的开发架构,称之为CANN,即Compute Architecture for Neural Networks,作为神经网络设计的开发架构,希望有效进行芯片使能,发挥出芯片最大的功效.我们在内部其实可以看到华为这几年各个部门都围绕人工智能在展开实践,并且都取得了不小的进步和成果.比如企业内部成立了Al使能部,专注于Al使用的平台开发,这个平台的效用也延续到了在Al芯片之上,形成了一层用于数据利用的PaaS（平台即服务）.而这次的发布,你也可以看做是利用这些内部研究、突破、实践的快速外部产品化,华为这种基于内部用户试用的产品迭代模式我是比较推崇的,因为一方面能让自己的工程师进行学习,完成转型,另一方面也可以不断积累经验,为后续的产品推出给予强劲的动力.
最后在顶端的是对不同行业的人工智能应用场景的支持,包括面向消费者业务的HiAI服务,面向企业业务的通用＼高级Al能力接口,以及面向不同行业的Al解决方案,从而形成一个拥抱全行业的应用使能,整个发布的构架如图1.
统一训练,推理框架
此次华为另一个比较重要的发布是基于算力之上的统一训练／推理能力的构建,华为希望能充分利用自己对于硬件与网络的理解,在端、边缘以及云三个方面利用硬件与网络的能力,形成统一的基于人工智能的协作控制模式.当然,这个方式其实也是现在主流的机器学习服务构建方式,无论是IBM的Watson Studio,还是微软的Azure机器学习平台,还是阿里云的机器学习平台,其实走的都是一条智能的协作之路.
只是在整个统一构架上,看得出华为的构架更加偏向于微软提出的基于终端计算力的边缘计算构架,包括了端侧的计算力体现,也包括了本地侧的边缘计算力体现,最终汇聚到云侧来统一管理,构成新Al协作服务能力,更加强调协同与软硬集成的能力.
华为这次推出统一的训练／推理框架,旨在能利用统一的算力控制平台来不断挖掘新算力带来的新的算法应用场景,利用华为在硬件与云计算前期投入形成的优势,不断鼓励数据科学家,以及行业价值嗅觉灵敏者不断在新算力下挖掘金矿,呈现新的行业价值.当然,这个统一的训练框架华为也是在前期投入了大量的研发形成了产品基础的,其中一个就是统一的机器学习平台ExeML的发布.ExeML是一个面向生成的自动优化平台环境,通过面向数据科学家执行的建模协作需求,建立全生命周期的模型构建环境,帮助实现具体的端、边缘以及云侧的协作训练／推理的模型统一集成开发.整个ExeML的构架如图3.
在整个ExeML构建过程中,我还是非常惊讶华为的研发速度的,记得在2017年年底的时候,我们还在一个内部会议上刚开始谈及如何构建一个属于华为自己的机器学习平台,并且还在多方调研与开展能力比较工作；而到2018年年底,华为就已经开始推出属于自己特色的机器学习协同平台服务了,这就是“华为速度”.
基于生态的全员AI收获期
人工智能的生态发力,是人工智能价值的无形保障.
在华为内部,其实你会深刻地感受到一种面对人工智能“低调前进”的文化.在2017年年底的企业内部表彰大会上,我们甚至把带有“Al”的词汇全部去掉,换成了“数字化”,不是否定Al,而是在利用Al出成果之前,大家都比较低调和小心.我的部门承接的是整个华为服务Al变革的主要任务,如何能基于Al赋能前线,如何能提供更加智能的“武器”帮助前线释放压力,一次次的头脑风暴会议进行着.当你尝试Al变革的时候,你会发现其他部门也在行动,很多的项目创新都开始基于数据以及智能技术作为重点方向.甚至为了获得大量创新的想法,GTS（运营商业务单元）构建了一个“GTSJam（智慧聚宝盆）”社区,发动整个部门的人员发布好的数字化改善的想法,并且每个月进行评选,好的点子会给奖励,落地的点子会重奖.GTS Jam在5个月内一共收集了1600多个改进想法和建议,以及1000多个基于智慧的实践经验总结,智慧存于民间,利用一线最熟悉业务、最了解用户的人来驱动智慧的发力点,使得Al娈革变得更加的实在,这其实就是我一直倡导的人工智能生态构建的重要部分.
所谓“生态”的另一部分构建重点是如何释放人才潜能；因为有了好的想法,也需要有靠谱的人才来执行,如果人才都像一个固化的冰山的话,就没有办法实现华为快速的Al转型和创新.在华为内部有一个人才池,工作满一年后可以决定是否跳入人才池,如果员工进入人才池,其他部门就可以自由选择和雇佣这个人才,从而让人力资源充分发挥资源的最大效能,冰也变成了水,得以活跃起来.整个华为GTS有6万多员工,如何最大限度发挥人才的积极性,做到物尽其用,这样的制度其实是保证了想法实现的可能性和可行性,使得管理不能束缚想法,有好想法的员工可以自由找到自己希望实现的团队,以及管理支持,从而快速让想法变现.
生态的最后一个体现是研发的全面拥抱业务.华为2012诺亚方舟实验室是华为内部研发的主要力量,从年前任正非的发文,希望诺亚的研发不是闭门造车,而是走进业务,我看到了很实质的变化.研究博士们和业务专家坐在一起,基于某个真实的业务问题,从技术可行性与业务价值两个维度不断讨论、碰撞,最大可能性找到问题的最佳方案,继而开始实践,快速验证,然后重金投入,以至可以在一年时间里,看到这些想法变为现实,全面拥抱、全面合作、全面一起面对问题、勇于承担责任,研发不再高高在上,这是我看到的不一样的落地研发精神,也是Al创新不可或缺的中坚力量.
在这一年里,我亲历了华为数字化转型从不清晰到清晰的整个过程,也赞叹于华为这种在混沌中总能找到曙光的能力,这不在于某个人很厉害,而在于这种制度精神下总能快速实现结果,达到目的,这是一个总能有结果的群体.
的狗粮论文参考资料：
概括总结,这篇文章为关于的狗粮方面的大学硕士和本科毕业论文以及狗粮相关的狗粮论文开题报告范文和职称论文写作参考文献资料。
