如果有這樣一臺伺服器……
2015年1月
電腦科學家SebastianThrun博士
對使用機器學習幫助醫學診斷產生興趣
2015年6月
Thrun博士的團隊測試機器從教材影象的學習成果
在大約14,000張影象中，
系統得到了72%的正確率
Thrun博士又將研究範圍擴大
結果在幾乎每一次測試中
機器都超過了人類
②
2016年6月
一名60歲女性由於身體不適
來到醫院就診
最初的診斷結果顯示
她患上了急髓白血病
但在經歷各種療法後
效果並不明顯
研究人員利用Watson系統來對此病人進行診斷
系統通過比對2000萬份癌症研究論文
在10分鐘得出了診斷結果
患者得了一種罕見白血病
③
2016年11月的一個晚上
一名54歲的女子
因為嚴重頭痛被送至急診室
她感覺視力模糊
左手麻木無力
醫生安排了CT檢查
但無濟於事
她身體的左側全部癱瘓
這是典型的中風
雖然中風的預兆能從CT上的些許暗示中發現
但對於人類醫生來說
要想發現這些暗示太難了
④
如果有這樣一臺伺服器
它能夠將面板診斷影象正確歸類
準確率超過人類
如果有這樣一臺伺服器
它能夠通過對比20000份研究論文
得出正確的診斷結果
如果有這樣一臺伺服器
它能夠讀懂CT照片
並能發現CT照片上的少許暗示
你是不是覺得不可思議
你是不是覺得這樣的伺服器
遙不可及
但其實，讓計算機能夠看病
最重要依靠的是
一項名為“深度學習”的技術
就像人的大腦通過神經網路進行學習
深度學習通過人造的“神經網路”來學習
人造的神經網路可以接受一種或多種輸入
並對輸入執行數學運算
產生可輸出的結果
神經網路可呈現為多層次神經元
這也是“深度”這個詞的由來
但通常
神經網路需要用大量樣本進行訓練
才能有很好的效果
醫學人工智慧亦是如此
需要輸入大量醫學病例資料到計算機
讓計算機學習其中的模式
當輸入新的病例時
計算機就能進行正確的判斷
而決定診斷結果是否正確的
除了演算法和資料之外
最重要的
就是 伺服器
⑤
那麼
什麼樣的伺服器才能滿足
醫學AI的要求呢
這就要從深度學習的計算過程說起
深度神經網路計算大致流程
是這樣滴
資料調入
▼
資料預處理
▼
資料從記憶體拷貝的視訊記憶體，再計算
▼
資料結果返回記憶體
▼
資料儲存
這就要求醫學AI伺服器
要有為AI時代創新的系統架構
更高效能的I/O，充分加速資料調入
更穩定商用AI模組框架，簡化程式設計複雜性
▼
要有更高效能的CPU
完成快速的資料預處理
▼
更多的GPU
以及CPU與GPU之間
GPU與GPU之間
更高速的連線
提高資料在各個部件之間的傳輸速率
▼
更高速的記憶體
加速資料結果返回記憶體
▼
更高效能的硬碟
從而更快的儲存資料
⑥
那到底有沒有這樣的伺服器？
答案當然是肯定的
噹噹噹當
那就是浪潮FP5295G2
它擁有
OpenCAPI I/O加速插槽
CAPI 2.0 顯著降低IO開銷和延遲
充分滿足資料輸入速度要求
▼
2顆 POWER9
新一代高階處理器
足以應付任何複雜資料預處理
▼
6 塊NVIDIA TelsaV100 GPU
NVLink 提供節點內
高速連線 CPU-GPU，GPU-GPU
PCIe4.0+ IB 提供跨節點高速連線
大幅提升資料傳輸效率
Line"/>
▼
1TB 記憶體容量
306GB/sec 記憶體頻寬
能夠迅速將資料結果放回記憶體
▼
或 PCIeNVMe SSD
可以更快的儲存資料
除此之外
FP5295G2還有
IBM PowerAI 加持
因此
與測試的x86系統相比
AI模型培訓效率提升 3.8倍
如此出色的AI伺服器
怎能不受醫學行業喜愛？