首屆昇騰AI創新大賽，“照見”好學不倦的“後浪”_風聞
Alter-2022-11-17 18:54
作為面向AI開發者打造的頂級賽事，昇騰AI創新大賽分為兩個賽道：一個是面向行業場景進行應用創新的應用賽道，意在推動人工智能的產業落地；另一個是基於昇思進行算法、前沿任務創新的昇思賽道，瞄準了人工智能的前沿課題。
在產業智能化的浪潮下，和AI相關的賽事早已不勝枚舉，最大的意義莫過於吸引各行各業的開發者，並藉助比賽來放大品牌影響力。1560個隊伍參與的首屆昇騰AI創新大賽，卻讓外界看到了另一種可能：AI創新大賽既是對前沿技術的創新、探索與實踐，也是一個不斷“掘金”的過程。
比如應用賽道湧現出了不少優秀的創業團隊，在區域市場被驗證的解決方案，有望在全國範圍內推廣複製。昇思賽道則印證了另一種可能：衝在AI最前沿的不只有著作等身的學術大牛，還有很多好學不倦的“後浪”。
01 “浙大學霸”與社區資深佈道師
昇騰AI創新大賽昇思賽道最終評選出的金獎選手中，有一個年輕的新面孔——正在浙江大學控制科學與工程學院讀研究生的項靖陽。
在許多人的認知裏，“研一”階段屬於人生的“迷茫期”，白天按部就班地學習專業課程，然後在業餘時間讀幾篇專業文獻，目的是熟悉自己的課題方向。至於論文、比賽什麼的，還不在當前計劃的範圍內。
項靖陽可以説是妥妥的“少數派”。
早在大二的時候，項靖陽就在學院老師的指導下進了實驗室，跟着研究生師兄師姐做一些科研課題、參加一些開發者賽事。那時候“人工智能”的概念如火如荼，項靖陽和很多年輕人一樣，對新事物有着無限興趣，並在實驗室師兄的帶領下接觸到了剛剛宣佈開源的昇思MindSpore，做了自己的第一個算法模型。
大二以後的日子裏，項靖陽把大部分業餘時間花在了科研上。其他同學忙於人際交往、娛樂消遣、實習工作時，項靖陽的生活卻是實驗室、宿舍與食堂間的“三點一線”。按照他的話説：“科研更像是表面枯燥乏味，但內裏的樂趣是無窮的。”其中的樂趣，似乎來自於項靖陽的自學能力，平時上課中有不理解的知識點，他會主動到B站和MOOC看學習視頻，比如專業課中考試難度很大的《自動控制原理》。
這種源自內心深處的探索欲，讓項靖陽有了一個新身份——昇思MindSpore社區裏的資深佈道師。
按照昇思MindSpore社區的官方介紹，“資深佈道師”的門檻相當嚴格，至少發佈過5篇昇思MindSpore相關原創優質技術文章，且平均閲讀量不低於5000；至少在昇思MindSpore開源社區主導過1個特性級開發；至少舉辦過1場或參加過3場線上/線下昇思MindSpore技術分享；同時需要是社區特邀的行業資深人士。
昇騰AI創新大賽的消息在昇思MindSpore社區公佈後，項靖陽第一時間選擇報名參賽，讓他沒想到的是：報名的時候還是一位忙畢設的大四學生，利用暑假的空隙做了自己感興趣的三道賽題，等到昇騰AI創新大賽收官時，項靖陽已經是浙江大學控制科學與工程學院的研一學生，找到了“深度學習模型壓縮”的研究方向。
02 超越論文精度，靠“硬實力”出圈
別人眼中的項靖陽，或許只是個“初出茅廬”的研一學生。可在昇思MindSpore社區裏，項靖陽已然是一位精通深度學習模型“老鳥”。
似乎有必要重温下昇思賽道的賽制：主辦方通過篩選熱門論文、前沿創新任務設置了30道賽題，主要來自CVPR、ICCV、ACL、ICML、NIPS等AI頂會過去幾年裏的熱門模型，參數選手可以選擇一個或多個任務，基於鵬城“雲腦2”環境進行挑戰，提交算法達到指定精度或要求即可視為完成。
“藝高人膽大”的項靖陽挑戰了三個任務。
第一個任務是“利用昇思MindSpore實現Swin Transformer V2圖像分類網絡”，來自於微軟亞洲研究院在CVPR發表的論文《Scaling Up Capacity and Resolution》。原作者將Swin Transformer縮放到30億個參數，使其能夠使用高達1536×1536分辨率的圖像進行訓練，提高了大視覺模型的穩定性，降低了預訓練和微調之間的分辨率差距，並讓常規GPU訓練大型視覺模型成為可能。
第三個任務是“利用昇思MindSpore實現Big Transfer圖像分類網絡”，Google於2020年在ECCV上發表的論文，作者重新審視了預訓練+微調的範式，先在一個大規模標記數據集上進行預訓練，然後對目標任務上的每個訓練權重進行精調任務，最終減少了目標任務所需的數據量和優化時間。
項靖陽花了近一個月的時間對原論文進行學習，理解原作者的提出的方法，對三道賽題間的共性進行分析，總結出了一套利用昇思MindSpore進行模型遷移、論文復現、精度與性能調優的工作流程。
特別是在論文復現的過程中，項靖陽針對Ascend 910進行了混合精度配置、算子層面的模型性能調優等工作，針對昇思MindSpore整圖設計的理念，花了很長時間對訓練、推理的整體模板進行適配；遇到一些精度模型無法達標的情況，就參考其他論文和方法，並利用數據增強、正則化等方式進一步促進模型的訓練和收斂流程。
最終Swin Transformer V2、Conformer和Big Transfer均入圍前三名，達到了超越原論文精度的效果。
正是對科研的激情和熱愛，項靖陽同學在內的年輕人徹底 “征服”了現場的評委們。鵬城實驗室開源主管鄧清毫不吝嗇的評價道：“在昇思賽道與各個高校的同學的日常對接中，能感覺到這些選手是真正的熱衷於人工智能科研的莘莘學子，深切地感受到了他們的能力，也很欣慰有這麼多優秀的年輕學者開源開放的生態裏努力、進步和學習。”
03 “學練訓賽”的人才培養新路徑
像項靖陽這樣優秀的年輕人，在昇思MindSpore社區中還有很多，他們從“小白”到“高手”的成長曲線，無疑比賽事本身更值得探討。
正如高盛在《全球人工智能產業佈局》中的預測，2030年時中國的人工智能人才缺口將超過500萬人。想要在不到10年時間裏填補500萬的人才缺口，強化本科教育和產學研聯合人才培養，業已成為社會上下的共識。
昇騰AI創新大賽的另一初衷恰在於此。
簡單回顧項靖陽同學的成長經歷，可以清晰地劃分為四個階段：第一個階段是學，在學校學習編程及AI相關的基礎知識；第二個階段是練，不管是跟着師兄做科研，還是在昇思MindSpore社區中做模型，都是練的過程；第三個階段是訓，譬如在昇思MindSpore社區中主導的特性級開發；第四個階段是賽，典型的案例就是昇騰AI創新大賽，為項靖陽在內的同學提供了學為所用的舞台。
想要“復現論文”，首先要做的就是對論文的“精讀”，理解原作者提出的方法，可能涉及數據預處理技術、神經網絡架構、訓練技巧和處理等內容；在實驗的過程中，通常包含有關數據集、訓練和評估的詳細信息、模型在各種參數下的表現，甚至需要與其他論文中的最新方法進行比較，將論文中的參考文獻通讀一遍……
如果是時間比較久遠的“經典論文”，或許可以找到不少教程，複製粘貼過來就可能跑通。近幾年的新論文，意味着可以找到的參考資料並不多，想要將論文復現，既要讀懂、吃透論文中的精髓，還要有強大的學習能力、自驅力和工程能力，這也是想要自己發表論文時的必備技能。
就像項靖陽同學的例子，參賽時選擇的三個賽題都和圖像分類相關，和他選擇的研究方向有很大關係。目前項靖陽正在準備自己的論文，昇騰AI創新大賽的參賽經歷，雖然只花了一個半月的時間，但與計算機視覺領域的前沿研究進行了一場“深度溝通”，進一步夯實了他的科研之路。
再來思考昇騰AI創新大賽的價值，所籌謀的遠不止打造一場頂級賽事，還在幫助開發者推開一扇新的大門：通過學、練、訓、賽一體化的賽制，吸引越來越多像靖陽這樣的“後浪”接觸AI、認識AI、擁抱AI，不斷為中國的AI人才培養孕育“火種”。
04 寫在最後
產業智能化浪潮的演進，需要源源不斷的人才輸入。
在這樣的共識下，正有越來越的科技企業參與到AI人才培養中，產學研的人才機制越發完善與成熟。同時需要思考的是，人才的能力和視野，直接決定着智能化轉型的深度和高度，左右着中國在全球智能化競賽中的競爭力，為莘莘學子們提供一條走在最前沿的成長路徑，不可謂不重要。
昇騰AI創新大賽獨立設置昇思賽道，儼然洞察到了時代的新趨勢，而“後浪”們的崛起已然印證了昇騰的前瞻性。