對於人工智慧企業，算力從來不是一項廉價的成本。作為演算法推進的動力源泉，如何合理利用算力，提升演算法迭代速度成為初創公司不可迴避的問題。
雖然NVIDIA已經為了加速演算法執行推出了適用於不同場景的人工智慧晶片，但隨著資料指數式的上升，從影像到細胞學再到基因組學，醫學人工智慧企業很難找準一個合適的定位去選擇能普適於全流程開發的晶片。
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做出了以人工智慧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
資料、算力、應用場景，企業在不斷利用AI推陳出新
醫學人工智慧從發展的開端便依賴多樣的工具，以收集人體之中的健康資料。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資料，每一天可以收集到多達3T的蛋白質資料，而基因資料的體量遠在此之上。
收據資料的過程不斷在進行，但處理這些資料卻異常困難。Kimberly Powell用“混沌”一詞描述了現有資料的雜亂程度，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於AI去優化器械成像：Canna針對於CT開發出了一個AI實時演算法，幫助CT縮短成像的時間，並生成更多更加安全、更加準確的實時影像。
GE的硬體革新同樣重要：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。根據患者症狀的嚴重性，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，他們釋出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，並運用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麼樣子的，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，人工智慧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係，嘗試瞭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雲端算力
上述高效能運算以及人工智慧技術離不開算力的支援，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援服務。
Clara SDK為醫學應用程式開發者提供一套用於計算、高階視覺化和AI的GPU加速庫。隨著Clara SDK的發展變化，我們還將提供可用於構建硬體抽象應用程式的容器。這些容器可對醫學影像進行重建、影像處理、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、預置式或雲端）中部署應用程式。
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影像。這是一個枯燥乏味的過程，放射科醫生必須逐個切片檢視CT或MRI掃描影像，手工繪製、註釋和修正他們關注的器官或異常情況，然後對特定的器官或異常情況的所有3D影像切片重複這一步驟。
NVIDIA的AI輔助註釋SDK能夠以10倍的速度大大加快此過程，並有助於更快地發現異常情況。這是通過使應用程式開發者和資料科學家將AI輔助註釋SDK整合至他們現有的應用程式中，並將AI輔助工作流程用於放射線照相得以實現。
AI輔助註釋SDK利用NVIDIA的遷移學習工具包不斷自我學習，所以每個新增註釋的新影像都可以用作訓練資料，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輔助註釋技術，並在幾天的時間內將其整合至我們的影像瀏覽器。”MGH&BWH Center for Clinical Data Science的執行董事Mark Michalski說，“我們目前需 要註釋大量的影像——有時一天大約一千張或更多，所以任何有助於自動執行此過程的技術都可能極大地減少註釋時間和成本。我們非常激動可以利用AI輔助工作流程並與NVIDIA共同解決這些至關重要的醫學影像問題。”
對於Clara在中國的運用狀況，Kimberly Powell介紹道：“同樣的一套軟體既可以在醫院本地執行，也可以在雲端執行，對於中國市場而言，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，他們網路條件不好，無法獲得這樣的雲服務，他們可以選擇在本地執行；但是對於那些大城市的醫院，他們擁有良好的硬體裝置，則可以選擇雲端執行的方式執行。”
不止於是雲平臺，在算力層次，我們可以做的還很多
這樣的模式早已應用於遊戲、自動駕駛領域，醫療領域的運用將會越來越複雜。除了Clara平臺這樣的雲端方式外，還有一些企業選擇的運用其他手段為自己的專案佈置算力。
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演算法模型的效果，搭建了專用於醫學影像人工智慧技術的研發平臺。該平臺採用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並行訓練軟體具有在1024GPU系統上保持90%的線性加速。
還有一些創新模式仍在進行，位於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運算提供算力支援。相對於Clara輔助註釋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於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。