今日，特斯拉 AI 總監、Autopilot Vision 團隊領導人 Andrej Karpathy 在推特上發文，對 AI 領域正在進行中的融合（consolidation）表示驚嘆。

他表示，「10 年前，視覺、語音、自然語言、強化學習等都是完全分離的，甚至沒有跨領域的論文。方法也完全不同，通常不是基于機器學習。」

從 2010 年開始，視覺、語言、自然語言、強化學習等領域的壁壘逐漸打破，它們開始轉向同一個技術方向，即機器學習，特別是神經網絡。它們使用的網絡架構具有多樣性，但至少論文開始讀起來更加相似，基本上都用到了大型數據集和網絡優化。

隨著 AI 技術的發展，近兩年，不同領域模型架構似乎也變得相同起來。很多研究者開始專注于 Transformer 架構，在此基礎上做較小的改動以進行研究。

例如 2018 誕生的 GPT，1.17 億參數；2019 年 GPT-2，15 億參數；2020 年更是將其擴展到 1750 億參數 GPT-3。Karpathy 基于 PyTorch，僅用 300 行左右的代碼就寫出了一個小型 GPT 訓練庫，并將其命名為 minGPT，這個 minGPT 能夠進行加法運算和字符級的語言建模，而且準確率還不錯。核心的 minGPT 庫包含兩個文檔：mingpt/model.py 和 mingpt/trainer.py。前者包含實際的 Transformer 模型定義，大約 200 行代碼，后者是一個與 GPT 無關的 PyTorch 樣板文件，可用于訓練該模型。

部分代碼截圖。

197 行完整代碼：https://github.com/karpathy/minGPT/blob/master/mingpt/model.py

隨著模型架構的融合，現在，我們可以向模型輸入詞序列、圖像 patch 序列、語音序列、強化學習序列（狀態、行為、獎勵）。我們可以在條件設置中添加任意 token，這種模式是極其簡單、靈活的建模框架。

即使是在某個領域（如視覺）內部，過去在分類、分割、檢測和生成任務上存在一些差異。但是，所有這些也正在轉換為相同的框架，例如 patch 的檢測 take 序列和邊界框的輸出序列。

現在，區別性特征主要包括以下幾個方面：

1）數據

2）將自身問題映射到向量序列以及從向量序列映射出自身問題的輸入 / 輸出規范

3）位置編碼器的類型以及注意力 mask 中針對特定問題的結構化稀疏模式

所以，從技術上來說，AI 領域的方方面面，包括前景、論文、人才和想法突然之間變得極其相關。每個人基本上都在使用相同的模型，大多數改進和想法可以快速地在所有 AI 領域「復制粘貼」（copy paste）。

正如其他很多人注意到并指出的那樣，新大腦皮質（neocortex）在其所有的輸入模態中也有一個高度統一的架構。也許自然界偶然發現了一個非常相似的強大架構，并以類似的方式復制了它，并只在一些細節上做了改變。

這種架構上的融合將使我們專注于軟硬件和基礎設施建設，進一步加速 AI 領域的進展。「無論如何，這是激動人心的時刻。」

對于 Andrej Karpathy 描述的 AI 融合趨勢，網友也紛紛發表意見。

推特網友 @Neural Net Nail 表示，「這是一個有價值的見解。融合將加速 AI 領域的創新步伐，在邊緣端使用 AI 的尖端產品變得更加可行。我想，變化（variation）才是質量的最大敵人。」

網友 @sisil mehta 也認為，「ML 基礎設施迎來了激動人心的時刻。隨著模型架構的融合，建模框架和基礎設施也將融合。我當然希望 PyTorch Lightning 也會這樣。」

網友 @Marcos Pereira 表示，「一方面，處處都在用 transformers，我們已經遇到了障礙，需要創新；另一方面，處處都在用 transformers，所以跟上來吧。」

原文出自 @Andrej Karpathy 的推特：https://twitter.com/karpathy/status/1468370605229547522

基于Python，利用 NVIDIA TAO Toolkit 和 Deepstream 快速搭建車輛信息識別系統

NVIDIA TAO Toolkit是一個AI工具包，它提供了AI/DL框架的現成接口，能夠更快地構建模型，而不需要編碼。

DeepStream是一個用于構建人工智能應用的流媒體分析工具包。它采用流式數據作為輸入，并使用人工智能和計算機視覺理解環境，將像素轉換為數據。

DeepStream SDK可用于構建視覺應用解決方案，用于智能城市中的交通和行人理解、醫院中的健康和安全監控、零售中的自助檢驗和分析、制造廠中的組件缺陷檢測等