（文章來源：雷鋒網）

Facebook AI研究院的首席AI科學家Yann LeCun認為，AR（增強現實）眼鏡有望成為機器學習從業者的理想挑戰目標——一個殺手級應用，因為它涉及了多個未解決的問題。

完美的AR眼鏡需要把對話式AI、計算機視覺和其他復雜系統結合起來，這些系統必須能夠像眼鏡那樣小巧，便于操作。低功耗AI不可或缺，這將確保合理的電池壽命，從而使得用戶擁有較長的可以佩戴和使用眼鏡的時間。與蘋果，Niantic和高通這些公司一樣，今年秋天，Facebook確認了到2025年制造增強現實眼鏡的計劃。

“對于硬件而言，這是一個巨大的挑戰，因為你的眼鏡可能帶有可在可變延遲下實時跟蹤視覺的攝像頭，因此在移動時……這需要大量的計算。你希望能夠通過語音與助手互動，以便助手一直在聽你的聲音，并且也會與你說話。您想要手勢[識別]，以便助手[可以執行]實時的手部追蹤，”他說。LeCun說，實時手部跟蹤已經可以工作，不過“我們只是不知道如何以小巧的外形來做到這一點，同時功耗與AR眼鏡適配。”

“就更大的型號來說，功耗、性能和外觀，這些確實都超出了我們現在的能力范圍，因此必須使用人們從未想到過的技巧，神經網絡就是其中之一?！彼f。LeCun這個月在全球最大的機器學習研究會議NeurIPS上的“EMC2節能機器學習”研討會上發表了講話。他談到了硬件局限性如何限制研究人員的想象，并表示好的想法有時候會在硬件太慢、軟件不易獲得或實驗難以重現時被拋棄。

他還談到了特定的深度學習方法，例如差分聯想記憶和卷積神經網絡，它們構成了挑戰，可能需要新的硬件。差分關聯存儲器（軟RAM）是一種計算方法，目前已在自然語言處理（NLP）中廣泛使用，在計算機視覺應用程序中也越來越常見。“未來幾年，深度學習和機器學習架構將發生很大變化。你已經可以看到很多這樣的情況了?，F在有了NLP，城里唯一的游戲基本上就是變換網絡（Transformer networks）?！彼f。

他補充說，更有效的批處理和自我監督學習技術，可以幫助AI像人類和動物一樣學習更多，也可能有助于提高AI的能效。在LeCun演講之后，麻省理工學院的電氣工程與計算機科學副教授Vivienne Sze談到了需要一種系統的方法來評估深度神經網絡的需求。SlidesLive報道稱，在本周早些時候，Sze關于高效深度神經網絡的演講是這次NeurIPS視頻中備受關注的一個，獲得了相當多的點擊率。

Sze說：“更大更遠的存儲器往往會消耗更多的電量”， 并指出“所有權重都不相等。” Sze還演示了Accelergy，這是MIT開發的一種能夠估算硬件能耗的框架。除講座外，研討會的海報發布會還展示了值得注意的低功耗AI解決方案。其中包括DistilBERT，這是谷歌BERT的輕便版本，后者是Hugging Face團隊特別為在邊緣設備上快速部署而制造的；以及SRI International和Latent AI對深度神經網絡的量化比較。

許多知名人士呼吁機器學習社區應對氣候變化，并表示這種關注可以推動創新。上周在NeurIPS上的一次小組討論中，另一位深度學習先驅Yoshua Bengio呼吁研究人員更重視影響氣候變化的機器學習上，并減少他們所獲得的出版物數量。在接受VentureBeat采訪時，谷歌AI負責人Jeff Dean說，他支持創建“每瓦計算標準”的想法，以鼓勵使用更高效的硬件。

除了在NeurIPS上進行解釋深度學習算法的理論工作外，會議上的許多工作都強調了將AI對氣候變化的貢獻考慮在內的重要性，其中就有一篇名為“能源使用報告：算法責任中的環境意識”的論文。該論文寫道：“必須對算法的碳足跡進行測量并透明地報告，以便計算機科學家可以在環境可持續性方面發揮誠實和積極的作用。”

根據這一說法，會議的組織者早先建議，2020年向NeurIPS提交工作的AI研究人員可能需要分享他們提交供審議的工作的碳足跡。美國研究機構AI Now Institute最近發布的2019年報告，就將測量算法的碳足跡納入了十幾項建議當中去，稱這些建議可以帶來一個更公正的社會。

在其他與節能有關的AI新聞中，Element AI和Mila Quebec AI研究所的機器學習從業人員上周推出了一種新工具，該工具可使用GPU訓練AI模型來計算碳排放量，從而根據使用時間長短和云區域等因素預測能源使用情況。朝著更高效的機器學習的方向發展，可能會帶來改變地球的創新。但是，大的想法和挑戰需要一個焦點——理論要讓人感覺更實際，需要解決實際的特定問題。LeCun認為，AR眼鏡可能是機器學習從業人員的理想用例。
（責任編輯：fqj）