存儲器解決方案的全球領導者鎧俠株式會社(Kioxia Corporation)開發(fā)了一種基于Memory-Centric AI的圖像分類系統(tǒng)。Memory-Centric AI是一項利用大容量存儲器的人工智能技術。該系統(tǒng)使用神經(jīng)網(wǎng)絡對圖像進行分類，而神經(jīng)網(wǎng)絡會參考外部大容量存儲器中的知識；這樣可避免“災難性遺忘”(catastrophic forgetting)這一神經(jīng)網(wǎng)絡的主要挑戰(zhàn)，并可在不損失當前知識的情況下添加或更新知識。鎧俠于10月25日在特拉維夫舉行的2022年歐洲計算機視覺會議(ECCV 2022)上對該技術進行了口頭匯報。ECCV是計算機視覺領域的頂級會議[1]。

傳統(tǒng)的人工智能技術通過更新名為“權重”的參數(shù)來訓練神經(jīng)網(wǎng)絡，從而獲取知識。一旦完成訓練，神經(jīng)網(wǎng)絡必須從頭開始重新訓練，或者用新數(shù)據(jù)進行微調才能獲取新知識。前者需要大量的時間并消耗大量的能源成本，而后者需要更新參數(shù)并面臨災難性的遺忘問題，即喪失曾獲得的知識，導致分類精度下降。

為解決基于神經(jīng)網(wǎng)絡的圖像分類系統(tǒng)的成本和準確性問題，新的解決方案將大量的圖像數(shù)據(jù)、標簽和圖像特征圖[2]作為知識存儲在一個大容量存儲器中。然后，神經(jīng)網(wǎng)絡通過參考這些存儲的知識對圖像進行分類（圖1）。這種方法通過向存儲的數(shù)據(jù)添加新獲得的圖像標簽和特征圖來增加或更新知識。由于不需要重新訓練或更新權重，不僅避免了“災難性遺忘”，圖像分類也能保持更高準確度。

此外，由于神經(jīng)網(wǎng)絡對圖像進行分類時參考了所存儲的數(shù)據(jù)，因而分類結果所依據(jù)的數(shù)據(jù)具備可視化，從而有望提高人工智能的可解釋性[3]、緩解黑盒問題[4]，并支持對知識來源進行選擇性地修改。此外，通過分析所引用的數(shù)據(jù)，可以根據(jù)引用頻率來評估每個存儲數(shù)據(jù)的貢獻。

鎧俠秉承“用‘內存’提升世界”使命，持續(xù)為人工智能和存儲技術的發(fā)展做出貢獻，鎧俠將Memory-Centric AI從圖像分類擴展到其他領域，并促進采用大容量存儲的人工智能技術的研究和開發(fā)。

關于歐洲計算機視覺會議

歐洲計算機視覺會議(ECCV)是計算機視覺領域的頂級會議。近年來，ECCV已被確立為人工智能研究論文發(fā)表的主要場合，涵蓋圖像分類、物體檢測和其他使用深度學習的技術。今年的口頭報告接收率為2.7%。

[1] Paper title: K. Nakata et. al., “Revisiting a kNN-based Image Classification System with High-capacity Storage”, European Conference on Computer Vision 2022 (ECCV 2022)（論文題目：K. Nakata等人，“重新審視基于kNN的大容量存儲的圖像分類系統(tǒng)”，2022年歐洲計算機視覺會議）
[2] Image feature maps: multidimensional (e.g., 1,024-dimensional) numerical data obtained through neural network operations（圖像特征圖：通過神經(jīng)網(wǎng)絡操作獲得的多維（如1,024維）數(shù)字數(shù)據(jù)）
[3] Explainability of AI: possibly of explaining the basis and reasons of results predicted by AI in a way that can be interpreted by humans.（人工智能的可解釋性：以人類解讀的方式解釋人工智能預測的結果的潛在基礎和原因。）
[4] Black-box problem: the process leading to the results predicted by AI is not interpretable to humans, making it a black box problem.（黑盒問題：人工智能預測結果的創(chuàng)造過程無法被人類解讀，成為一項黑盒問題。）

公司名稱、產(chǎn)品名稱和服務名稱可能是第三方公司的商標。

大容量存儲的圖像分類技術（圖示：美國商業(yè)資訊）