徐宏民专栏

徐宏民
台大资工系教授

徐宏民（Winston Hsu）现任台大资工系教授及NVIDIA AI Lab计画主持人。哥伦比亚大学电机博士，专精于机器学习、大规模影像视讯查找与辨识。为讯连科技研发团队创始成员，慧景科技（工业智能新创）共同创办人；曾任IBM华生研究中心客座研究员、美国微软研究院客座研究员。习惯从学术及产业界的角度检验技术发展的机会；十余年产学合作及新创经验，近年致力将深度学习技术落实到产业，并协助成立研究开发团队。曾获2018 IBM Research Pat Goldberg Memorial Best Paper Award 、2018伪装人脸辨识冠军、杰出信息人才奖、吴大猷先生纪念奖等国内外研究奖项。

如何设计低耗能、高功效深度学习网络(三)

延续深度学习网络精简设计的主题，我们必须在正确率不打折的情况下，设计出兼具低运算复杂度、低耗电、低参数量的智能算法。目前的设计原则是将「冗余」的运算予以精简。这些庞大运算以及冗余由何而来，可以参考前文。本文中介绍剩下的两种精简设计策略。

徐宏民 2019/6/25

如何设计低耗能、高功效深度学习网络(二)

延续深度学习网络精简设计的主题，为了符合商业价值（特别是边缘计算的庞大机会），我们必须在正确率不打折的情况下，设计出兼具低运算复杂度、低耗电、低参数量的智能算法。目前的设计原则是将「冗余」的运算予以精简。原因是近来很多研究显示目前的深度学习网络设计中夹杂了冗余的参数以及运算。这些庞大运算由何而来，可以参考前文。依照这几年的研究，我们将其整理为四种精简设计策略，在本文中先介绍其中两种。

徐宏民 2019/6/18

如何设计低耗能、高功效深度学习网络(一)

目前智能应用的普及来自近年机器学习技术的精进，其中最大的突破在于深度学习网络。给予适当的类神经网络架构以及足够的训练资料下，在各种智能应用中都有突破性的发展。而付出的代价则是庞大的参数模型以及运算量。举例来说，常用的深度学习网络参数大约数百（千）万个（浮点）参数，每次推论运算约需数个G-FLOPs，可以想象对于运算资源的需求十分庞大。

徐宏民 2019/6/11

autoML自动化深度学习网络设计可行吗？

机器学习(深度学习为其中一分支)技术成为各产业智能化的核心能力，但是算法的设计复杂，需要专业知识与经验，对于好的人才，需求远大于供给。为了弥补这个空缺，这几年自动化机器学习工具(autoML)新研究兴起，希望有自动化的系统，在给定问题(通常是标记的资料)之后可以自动生成机器(深度)学习算法。在信息理论上，这是非常复杂的问题，需要大量运算资源，所以极具挑战。

徐宏民 2019/5/28

智能硬件扩张为生态系

硬件产业如何扩张？怎样跨足到毛利相对高的软件或是新兴产业？这是台湾许多资通讯业所关心的议题。似乎不少人选择跨足到与本业不同的全新领域，但这是唯一做法吗？

徐宏民 2019/5/21

人脸辨识—从理论到产品

似乎一夕爆发，最近许多国内外的企业都将「人脸辨识」列为主要的产品。这些公司横跨各种类型，包括芯片、软件、系统、金融、交通、安全、服务等。显然目前人脸辨识的学术突破，已经可以落地为实际应用，并成为很多跨领域的公司极度看好的核心技术。前阵子在硅谷举办NVIDIA GTC 2019，我们也分享了如何产品化人脸辨识技术，之后收到很多工业界与会者非常正面而且热烈的评价。显然硅谷的产业链也十分在乎这项关键技术。

徐宏民 2019/5/14

智能技术可以具有人类的视觉美感吗？

我们看到了智能技术在影像辨识、侦测上的突破，甚至落地为产品。很多人问，这些深度学习为核心的计算机视觉技术也可以具有人类的美感—具有评判、编修、甚至美学创作的能力吗？

徐宏民 2018/12/11

智能生成模型的产业机会

智能技术长久以来大多专注在分析(如辨识、分类、侦测等)，但快速进展的深度学习技术，能因著使用情境而产生适切的内容，也在各方面产生令人惊艳的结果。如显示器、摄影的影像质量强化、自动内容制作、照片视讯编修、AR/VR内容生成、对话机器人等。这些生成内容横跨文字、影像(视讯)、音乐、语音，对于娱乐、安全、自动服务等产业，已经产生极大的变革，也预计会大大影响电子信息产品的技术走向。

徐宏民 2018/10/16

AI + X：智能技术翻转产业生态系

近来看到某家硬件上市公司的股价起伏，肇因于市场猜测主要客户可能因为精进的影像智能技术让产品的镜头数量降低。此主要的核心技术为计算摄影（computational photography，计算机视觉技术的次领域），可以利用多颗镜头来提升拍照质量：如提高分辨率、低光拍摄、或是模拟出景深效果等。多颗镜头提供多样性的讯号来源，数量的多寡，取决于成本以及最终产品将展现的功能。

徐宏民 2018/9/26