东芝是德国领先的信息和通信技术（ICT）公司。 它提供全方位的技术产品、解决方案和服务。 东芝约有 159,000 名员工为 100 多个国家的客户提供服务，利用他们的经验和 ICT 的力量与客户共创未来。
截至2016年3月31日，东芝公司（TSE：6702；ADR：FJTSY）的综合收入为4.7万亿美元（约410亿港元）
官方网站：
本文将为您深入剖析东芝在人工智能领域取得的巨大进展：
▌富士通推出世界一流速度的深度学习平台
东芝最近宣布推出东芝人工智能解决方案 Zinrai[1] 深度学习系统，该系统由采用最新 NVIDIA TeslaP100GPU[2] 的专有深度学习服务器、经过操作测试的存储功能和大量软件组成。 该系统的销售已于上周开始。
[1]哪些是Zinrai？ Zinrai是东芝的人工智能品牌。 三十多年来，东芝在 Zinrai 品牌下将其人工智能技术和经验系统化。 该平台支持客户使用人工智能，并支持东芝云服务K5Zinrai平台服务。
东芝称 Zinrai 为“以人为本的人工智能”
[2]GPU：图像处理单元，专门处理图像的处理器。 近年来，由于其超强的处理能力，它已被应用于图像处理以外的问题。 “快速部署深度学习平台来解决本地、混合云和其他目标。”
这个系统有什么特点呢？
借助该系统，想要在本地环境部署深度学习系统的用户可以以世界一流的速度快速构建深度学习平台。 此外，根据不同需求，用户可以轻松创建集成东芝云服务平台K5Zinrai平台服务（Zinrai深度学习）的混合云环境，完善云上的深度学习平台。 基于此，系统可以满足用户的不同目标，例如在云端完成使用频率较低的学习处理，或者在本地环境完成使用频率较高的学习处理。
东芝希望未来将Zinrai深度学习系统推广到英国以外的地区，进一步强化其解决方案，以满足客户不同的人工智能需求。
系统启动背景
近年来，深度学习的应用不断拓展，也大幅提升了人工智能识别的准确率，加速了人工智能服务的发展和推广。 然而，深度学习为了达到较高的识别精度，需要反复处理大量的训练数据，并且大量消耗时间和估计资源是一个问题。
为了解决这个问题，2017年3月，东芝推出了Zinrai Deep Learning富士通 人工智能，以云服务的形式提供了具有世界级速度的深度学习平台。
此外，东芝还开始销售Zinrai深度学习系统，该系统提供分配给Nvidia Tesla P100 GPU的深度学习服务器以及已经过运行测试的存储功能和软件。 由于某种原因不想在现场收集数据的客户可以使用这个完整的系统在其本地环境中构建深度学习平台。
图：Zinrai深度学习系统
系统功能
1.结合最新的GPU，提供世界级速度的深度学习平台
该系统通过由最新 NVIDIA Tesla P100 GPU 提供支持的专用深度学习服务器，提供了具有世界一流速度的深度学习平台。 由于单个服务器最多可以分配 8 个 GPU，因此客户可以根据东芝推荐的估算功能灵活选择系统架构。
2.提供完整的系统，包括存储功能和经过运行测试的软件
该系统是一个完整的套件，包括专用的深度学习服务器，以及100多种即用型必备软件，以及经过测试的存储功能。 因此，客户可以在本地环境快速构建稳定的深度学习平台。
3.结合Zinrai深度学习云服务轻松创建混合云环境
通过将Zinrai深度学习系统创建的本地深度学习平台与Zinrai深度学习云服务相结合，用户可以轻松创建混合云环境。 用户的任务可以根据应用灵活定义。
图：Zinrai深度学习系统产品信息
东芝计划到 2020 财年共销售 1,900 套系统。
高速深度学习平台
东芝实验室首席执行官 Tsuneo Nakata 博士解释了这些新的深度学习技术的好处：
“近年来，我们看到技术进步急剧下降，使用硬件加速器来支持为人工智能应用构建深度估计所需的大规模深度神经网络 (DNN)。
DNN 估计的成本不断增加是一个重大挑战富士通 人工智能，特别是当 DNN 的模型大小减小到无法容纳单个加速器的内存时。 解决新的人工智能挑战需要更广泛、更深的神经网络以及更精细的类别分类。
东芝的解决方案通过将 DNN 内存需求分配到多台机器上来直接解决这个问题。 利用我们的技术，新的解决方案通过将任意设计的神经网络的层转换为等效网络来实现这些新的内存分配过程，其中一些或所有层被划分为多个较小的子层。 而是复制。 该子层部分被设计为在功能上等同于原始层并且在计算上执行更有效。
重要的是，由于原始层和新层来自相同的配置文件，因此今天转换后的分布式 DNN 的训练过程并没有降低原始 DNN 的成本。 东芝亚洲实验室对这项新技术进行了广泛评估，包括将新机制应用于 Caffe（一种被世界各地开发社区广泛使用的开源深度学习框架）。
当将 AlexNet 的全连接层转换到多个 NVIDIA GPU 上时，该解决方案可以实现高达 90% 的内存分配效率。 作为一种独立于硬件的技术，它的优势在于利用传统处理单元以及当前和新兴硬件加速器的计算能力，包括 NVIDIA GPU、Intel Xeon Phi、FPGA、ASIC 等或任何其他替代硬件专门为提高深度学习计算效率而设计的定制芯片。
东芝实验室是东芝机器学习和深度学习高级研究的卓越中心，是东芝以人为中心的人工智能 Zinrai 开发的数字解决方案和服务的一部分。 其活动包括与欧洲、中东和非洲地区的东芝客户和研究机构进行广泛的合作和共同创造，其中包括马德里的圣卡洛斯临床诊所（HIKARIAI 医疗保健解决方案）、利物浦学院（旅游应用数据分析）和德国的 5G 创新中心。
新解决方案的示例应用包括医疗保健分析（例如糖尿病黄斑肿瘤筛查）； 卫星图像分类与分析； 自然语言处理，需要小型深度学习模型来建模和学习人类语言的全部复杂性； 设备、金融交易、社交网络服务等的小图数据。
▌富士通与1QBit合作开发量子人工智能云服务
上周，除了推出Zinrai深度学习系统外，东芝与美国1QB信息技术公司（1QBit）联合宣布，决定合作将量子启发服务应用到人工智能领域，重点关注组合优化和机器学习学习。 场地。 两家公司将在美国和全球共同开发应用程序，借助量子计算机和人工智能解决工业问题。
关于1QBit
1QBit 旨在构建量子和量子启发的软件，以解决世界上最棘手的估计挑战。 该公司与硬件无关的平台和服务使其能够开发与经典/量子计算机一起发展的应用程序。 1QBit 与财富 500 强客户和领先的硬件供应商合作，重新定义优化、模拟和机器学习方面无法解决的行业问题。 1QBit 总部位于魁北克省蒙特利尔。 它拥有一支由50人组成的多学科团队，包括物理学家、物理学家、化学家、软件开发人员和量子计算专家。 他们的目标是为问题提供新的解决方案。 他们的工作包括从研究到商业应用开发
官方网站：1qbit.com
此次合作将使1QBit开发的量子计算机程序能够在东芝与伦敦学院联合开发的“数字退火器”上运行。 所谓数字固溶机，是指能够利用半导体技术快速解决组合优化问题的估计框架。
在过去的四年里，1QBit 基于重新表述问题开发了新的机器学习、采样和优化方法，以满足量子计算机交互的独特需求。 该公司的研发团队还专注于解决采样、优化和机器学习问题，以改善在金融、能源、先进材料和生命科学等行业的应用。 1QBit的软件技术与富士通尖端的计算架构和硬件技术相结合，将推动机器学习领域的进步，解决复杂和大规模的优化问题。
Zinrai支持东芝云服务K5Zinrai平台服务。 东芝明年还将利用与 1QBit 的合作成果作为 K5Zinrai 平台上深度学习的选项。
东芝的量子计算机、硬件技术、日本最大的客户群以及包括人工智能在内的多元化信息和通信功能将有利于1QBit的软件技术和应用开发。 未来，两家公司将提供多元化的服务，旨在创造新的商机，并为各个领域（金融、生命科学、能源、零售、分销）客户面临的估算挑战提供新的解决方案，以改造现有的业务领域。
图：东芝与1QBit合作框架
▌富士通人工智能平台：可检测尚未形成的泥泞桥面
东芝也在追求将人工智能融入数字化转型，其最新的人工智能引擎可以检测桥面尚未形成的潜在坑洼（这一技术无疑会受到驾驶员的欢迎）。 东芝的人工智能技术已被美国川崎地质公司应用，开发出桥面坑洼检测系统。
人工智能发现泥土
川崎岩土公司应用东芝的深度学习平台、富士通的复杂检测云服务K5Zinrai平台和Zinra深度学习技术来处理和分析地下探测器采集的大量雷达图像，并检测那些尚未产生地表坑洼的区域。 大坑啊
东芝表示，该系统将消除专业技术人员对地下陨石坑进行耗时的手动目视评估的需要。 据悉，该系统可以连接东芝的交通和高速公路数据服务，在地图上显示有问题的点，以便高速公路当局能够在泥浆发生之前进行修复。 本质上，该系统使用人工智能来提供道路的预测性维护，而不是仅仅将道路维护留给制造公司。
人工智能系统实际上是利用基于神经网络的AI技术，然后像人脑处理信息一样传输数据。 东芝对这个人工智能系统进行了训练，使其能够识别地下图像中雷达反射波形的变化，并确定这种变化是来自大坑还是废水管道。
尽管该系统目前正处于试用期，尚未完全投入实际使用，但可以肯定的是，它展示了互联传感、大数据和人工智能技术的结合如何帮助提高组织流程的效率并削弱人力脑。 工作量。
随着智慧城市的盛行，毫无疑问在不久的将来还会出现其他类似的人工智能系统。
深度学习技术论文下载：