2021年7月8日,上海——上海人工智能实验室发布开源平台体系OpenXLab,并推出了旗下全球首个覆盖学术界算法和工业级广泛需求的决策AI平台OpenDILab,推动人工智能发展从感知智能到决策智能的跃迁。OpenDILab不仅实现了最全面的算法覆盖,卓越的算法性能,还提供了丰富的工业级应用环境,推动产学研融合创新,引领AI技术迈向更高阶的通用智能时代。

打通产研需求闭环,引领AI迈向高阶决策智能

决策AI作为下一代人工智能的发展方向已成行业共识。过去10年,感知AI已经让机器具备了从“看清”到“看懂”的能力,而决策AI将进一步推动AI向推理、决策、规划等方向发展,在未来10年将为自动驾驶、智慧城市等领域带来颠覆性创新。然而相较于感知识别,决策类问题因涉及多模态数据空间、跨尺度计算逻辑、多领域算法融合,标准化难度高。此外,由于学术界和工业界对问题的定义也不尽相同,一直以来很多学术成果都很难转化为工业场景,学术算法也很难实现跨场景应用。

针对决策AI的技术难题,以及产学研协同创新过程中的诸多痛点,上海人工智能实验室此次发布的革命性的决策AI平台OpenDILab,首次将产业应用中对于训练系统、环境接口、算法设计的需求与学术界进行了有效连接,底层依托创新的DI-engine实现了多种决策AI问题的标准化,中层提供全面丰富的决策类AI基础算法集,顶层集成多种工业级生态应用,自下而上打通决策AI研究与产业需求的闭环。

全新的OpenDILab将涵盖应用层、算法层、训练层、支持层四大模块,充分拓宽决策AI技术在学术研究和工业实践中的深度和广度。其中,应用层将提供多种决策场景和大量性能优异的算子,助力AI做出最优决策;算法层则提供多种常用模块化组件,支持用户多维度的扩展和定制,完成决策AI算法的大统一;训练层内置了多种类型的执行计算图,可为小到学术研究,大到工业级应用的多种规模问题提供支持;支持层能够支持异构计算和决策AI算法的结合,并在资源调度方面可依据算法和资源,动态管理整个训练过程,提供异常自动化维护等多种微服务。

凝聚生态力量,加速决策AI行业应用创新

依托OpenDILab,基于丰富的决策AI算法,构建一个到手即用的工业应用生态成为可能,这将降低开发人员复现算法的难度,提高学术研究效率,加快学术成果的转化速度,从而减少产业界的研发成本和重复投入。秉承这一理念,OpenDILab提供的决策类AI基础算法集DI-zoo将通过全面、高效的算法库,为研究者提供收敛快、上限高的算法实现,同时集成的DI-star、DI-drive等面向策略游戏、自动驾驶等领域的多种工业级生态应用,更将进一步帮助各行各业在决策AI的驱动下,实现关键的技术和应用突破。

DI-zoo涵盖目前同类框架中最全的决策AI算法群,并对每一个算法在不同的学术界环境上进行了精心的适配,同时加入了大量基于研究员经验的深度性能调优,使得相同算法对比原始论文和同类框架在精度上和效率上都有显著的提升。借助DI-zoo,使用者无需进行额外的参数、代码调整,就可以在不同的任务中一键实现最强的算法性能,让深度学习更深,让强化学习更强。

DI-star是面向策略游戏《星际争霸II》的大规模分布式训练平台,可以让AI在这款当前决策AI研究使用最广泛、最有效的游戏中同时进行大量对局,通过自我博弈不断进化,由此探索智能决策交互在产业界中的应用。DI-drive则是一套自动驾驶仿真训练平台,可通过决策AI在仿真器中构建极度贴近真实的训练和评测场景,让AI在自动驾驶的复杂交互环境中实现更加精准的决策、规划和控制,真正加速高级别自动驾驶的创新步伐。

今年年底,OpenDILab还将提供诸如AutoML、信控等更多的工业级生态应用。伴随这些应用的不断更新和拓展,OpenDILab将为决策AI在更多行业、更多场景的应用,提供坚实的学术研究基础,最终形成产学研协同共创的开源生态,加速下一代人工智能的重大技术突破和创新应用的落地。

具体开源代码实现详见GitHub:https://github.com/opendilab/

　　本网站转载文章仅为传播更多信息之目的，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证信息的正确性和完整性，且不对因信息的不正确或遗漏导致的任何损失或损害承担责任。