對于人工智能企業，算力從來不是一項廉價的成本。作為算法推進的動力源泉，如何合理利用算力，提升算法迭代速度成為初創公司不可回避的問題。

　　雖然NVIDIA已經為了加速算法運行推出了適用于不同場景的人工智能芯片，但隨著數據指數式的上升，從影像到細胞學再到基因組學，醫學人工智能企業很難找準一個合適的定位去選擇能普適于全流程開發的芯片。

　　近日，在北京開幕的Emtech China 2019全球新興科技峰會上，NVIDIA副總裁Kimberly Powell做出了以人工智能發展的為主題的演講，在探討了各行業AI發展的同時，也談到了NVIDIA在醫療領域的算力解決方案。

　　英偉達副總裁Kimberly Powell

　　數據、算力、應用場景，企業在不斷利用AI推陳出新

　　醫學人工智能從發展的開端便依賴多樣的工具，以收集人體之中的健康數據。2017年，英偉達通過一臺特定的機器結合全新的探測技術在原子層面上記錄蛋白質數據，每一天可以收集到多達3T的蛋白質數據，而基因數據的體量遠在此之上。

　　收據數據的過程不斷在進行，但處理這些數據卻異常困難。Kimberly Powell用“混沌”一詞描述了現有數據的雜亂程度，她認為在這樣的情況之下，我們必須用AI來解決這些計算問題。

　　NVIDIA的三大合作伙伴通用電器、佳能與西門子早已在這一方面獲取豐富的研究成果。

　　Kimberly Powell向動脈網記者講解了這些巨頭如何用于AI去優化器械成像：Canna針對于CT開發出了一個AI實時算法，幫助CT縮短成像的時間，并生成更多更加安全、更加準確的實時圖像。

　　GE的硬件革新同樣重要：如果說出現了顱內出血，這時通用電氣的機器就可以幫助放射科的醫生重新安排自己的工作流程，重新確定工作的優先等級。根據患者癥狀的嚴重性，機器可以重新安排工作順序供醫生參考。

　　西門子也在AI領域擁有很多技術突破，他們發布了一個非常安全以及標準的人體測量平臺。可以將AI使用到CT掃描當中，結合其平臺的知識圖譜為患者給出診斷一件。

　　除了這些器械巨頭，創業公司們也在為自己挖掘一些全新的工作，并運用AI技術去解決這些問題。

　　基因組研究與新藥研發是AI在非醫學影像領域的重要運用，Toptom運用AI將七萬兩千種蛋白質進行了比較，觀察蛋白質之間相互的互動是什么樣子的，他們還有一個GANs深度學習的技術，可以幫助研發人員創造化合物，且至今已經創造出了五千種化合物。

　　同時，人工智能技術可以使用計算機視覺以及排查技術充分了解細胞當中的化合物，以及它們之間的相互關系，嘗試了解新藥開發當中的一些晶體是如何開發出來的。

　　Clara平臺不僅僅為企業提供云端算力

　　上述高性能計算以及人工智能技術離不開算力的支持，在2018年的北美放射性學會（RSNA）之上，英偉達推出了Clara醫療影像超算平臺，試圖為所有醫療影像提供統一支持服務。

　　Clara SDK為醫學應用程序開發者提供一套用于計算、高級可視化和AI的GPU加速庫。隨著Clara SDK的發展變化，我們還將提供可用于構建硬件抽象應用程序的容器。這些容器可對醫學影像進行重建、圖像處理、分割、分類和3D渲染。

　　通過在GPU上利用Docker和NVIDIA的Kubernetes，開發者可以在多個計算環境（包括嵌入式、預置式或云端）中部署應用程序。

　　當涉及治療和診斷時，放射科醫生通常需要花費數小時仔細檢查一張患者的3D圖像。這是一個枯燥乏味的過程，放射科醫生必須逐個切片查看CT或MRI掃描圖像，手工繪制、注釋和修正他們關注的器官或異常情況，然后對特定的器官或異常情況的所有3D圖像切片重復這一步驟。

　　NVIDIA的AI輔助注釋SDK能夠以10倍的速度大大加快此過程，并有助于更快地發現異常情況。這是通過使應用程序開發者和數據科學家將AI輔助注釋SDK集成至他們現有的應用程序中，并將AI輔助工作流程用于放射線照相得以實現。

　　AI輔助注釋SDK利用NVIDIA的遷移學習工具包不斷自我學習，所以每個添加注釋的新圖像都可以用作訓練數據，進一步提高所提供的預訓練深度學習模型的精確度。

　　“我們可以獲得NVIDIA的AI輔助注釋技術，并在幾天的時間內將其集成至我們的圖像瀏覽器。”MGH＆BWH Center for Clinical Data Science的執行董事Mark Michalski說，“我們目前需 要注釋大量的圖像——有時一天大約一千張或更多，所以任何有助于自動執行此過程的技術都可能極大地減少注釋時間和成本。我們非常激動可以利用AI輔助工作流程并與NVIDIA共同解決這些至關重要的醫學影像問題。”

　　對于Clara在中國的運用狀況，Kimberly Powell介紹道：“同樣的一套軟件既可以在醫院本地運行，也可以在云端運行，對于中國市場而言，我認為這樣一種混合的運營環境的支撐是非常有優勢的，因為我們知道可能在中國的一些比較偏遠的省份或者農村地區，他們網絡條件不好，無法獲得這樣的云服務，他們可以選擇在本地執行；但是對于那些大城市的醫院，他們擁有良好的硬件設備，則可以選擇云端運行的方式運行。”

　　不止于是云平臺，在算力層次，我們可以做的還很多

　　這樣的模式早已應用于游戲、自動駕駛領域，醫療領域的運用將會越來越復雜。除了Clara平臺這樣的云端方式外，還有一些企業選擇的運用其他手段為自己的項目布置算力。

　　以消化內鏡、超聲等領域為研究方向的希氏異構為了更好的獲取算法模型的效果，搭建了專用于醫學影像人工智能技術的研發平臺。該平臺采用NVIDIA提供的64塊TeslaV100搭建而成，在計算能力方面表現突出，將傳統需要訓練15 天的模型縮短至52分鐘；公司使用自主研發的超算并行訓練軟件具有在1024GPU系統上保持90％的線性加速。

　　還有一些創新模式仍在進行，位于重慶的初創公司鈦星區塊鏈把目光放在了因比特幣暴跌而慘遭遺棄的礦機，這些天生為算力而生的機器在特殊的處理下可串聯在一起為AI運算提供算力支持。相對于Clara輔助注釋SDK，這種方式顯得簡單暴力，但也不失為廢物利用的一種優秀方式。

　　總的來說，醫療產業將會是世界上對于計算能力需求最大的產業，隨著研究人員在分子、原子甚至更微觀世界的透視，算力提供這筆生意或許會孕育出更多創新的模式，NVIDIA要想守住自己的地位，絲毫不可掉以輕心。