AR眼镜与AI的结合

Facebook AI研究院首席AI科学家Yann LeCun近期提出了一个观点：AR眼镜将是低功耗机器学习的理想训练平台，因为它们涉及到许多尚未解决的问题。

这一观点是在不久前于加拿大温哥华举行的NeurIPS神经信息处理系统大会上提出的。NeurIPS是全球顶尖的人工智能学术会议之一，而EMC²研讨会专注于节能型机器学习与认知计算。Yann LeCun作为人工智能领域的权威人物，也是今年图灵奖的获得者。

AR眼镜与AI的融合

理想的AR眼镜离不开先进的对话式AI系统。AR眼镜集成了计算机视觉和自然语言处理等复杂系统，需要进行大量计算。然而，为了保证AR眼镜的轻便、电池续航和散热性能，必须使用低功耗的AI系统。

Yann LeCun指出，硬件方面的挑战尤其巨大。当你佩戴一副带有摄像头的AR眼镜时，系统需要实时跟踪视觉信息，以便进行定位等功能。同时，如果你希望通过语音与智能助手实时交流，那么麦克风就需要持续工作。同样地，手势追踪也需要系统始终保持“实时待命”的状态。Yann LeCun提到，实时手势追踪已经可以实现，但在体积小巧的AR眼镜中以低功耗的形式实现这一点仍然存在难度。

Yann LeCun进一步补充说，从功耗、性能和外形尺寸等方面来看，现有的技术还无法满足需求。因此，必须采用以前未曾考虑或应用过的新技术，如神经网络等。

提升系统效率

在EMC²研讨会上，Yann LeCun提到了一个由硬件限制带来的问题：当前的硬件仍有许多不足之处，这使得软件难以实现或实验难以复现。这种情况可能导致一些好的想法被放弃。

Yann LeCun还提出了一种特殊的深度学习方法，例如异联想记忆和卷积神经网络，这些方法对硬件提出了更高的要求。异联想记忆是一种广泛应用于自然语言处理的方法，也开始在计算机视觉领域得到应用。

未来几年，深度学习和机器学习架构将发生重大变化。例如，Transformer网络已经成为自然语言处理领域的主流架构。更高效的批量处理和自我监督学习技术，可以帮助AI像人类和动物一样学习和思考，这将有助于开发更加节能的AI。

Yann LeCun演讲结束后，麻省理工学院电子工程和计算机科学副教授Vivienne Sze详细介绍了评估深度神经网络系统的方法。她强调了评估硬件功耗的重要性，并展示了麻省理工学院开发的评估框架——Accelergy。

节能环保

有趣的是，在NeurIPS会议上，除了深度学习算法的讨论外，还有许多会议强调了AI在应对气候变化中的作用。其中一篇论文《能源使用报告：算法视角下的环境视角》专门探讨了这一问题。该论文指出，必须准确测量并公开算法的碳排放，以便计算机科学家能够在环境保护方面发挥作用。

实际上，这一观点与NeurIPS组委会的建议一致。根据NeurIPS组委会的建议，可能会要求2020年提交的AI研究人员分享他们的研究内容所产生的碳排放。

此外，来自Element AI和Mila Quebec AI研究所的专家们最近推出了一款新工具，该工具可以通过GPU模拟计算出AI模型的碳排放量，从而根据使用时间和云区域等因素预测能源消耗情况。

尽管在机器学习领域，人们一直关注更强大的AI技术，但这似乎对计算能力的要求越来越高。随着未来轻量化设备（如AR眼镜和智能手表）的普及，更高效且能耗更低的机器学习方案将成为必然趋势，这对现有的机器学习模型和架构提出了重大挑战。