英特尔研究院院长宋继强：gcForest用什么训练？

英特尔研究院院长宋继强：gcForest用什么训练？

导语：周志华，南京大学教授，计算机科学与技术系副主任，软件新技术国家重点实验室常务副主任，机器学习与数据挖掘研究所（LAMDA）所长，中国计算机学会人工智能专委主任；ACM杰出科学家，IEEE Fellow，AAAI Fellow, IAPR Fellow；长江学者特聘教授，国家杰出青年基金获得者。近日，在其相关论文中，周志华特别提到，对于他的新方法（gcForest），英特尔的KNL可能提供了比GPU更加强大的加速。究竟是什么原因产生了这样的结果？带着这个疑问，雷锋网采访了英特尔中国研究院院长宋继强，以期为广大读者深入剖析KNL在gcForest算法方面的计算优势。

近日，周志华教授开源了其在深度学习领域研究的新型算法——gcForest。他在论文中提到，不同于DNN的神经网络结构，它是一种基于决策树集成的方法。同时相比DNN，gcForest的训练过程效率高且可扩展，在仅有小规模训练数据的情况下也照常运转。不仅如此，作为一种基于决策树的方法，gcForest 在理论分析方面也应当比深度神经网络更加容易。

除此之外，周志华在论文最后特别提到，对于他的新方法，英特尔的KNL可能提供了像GPU之于DNN那样的潜在加速。

究竟是什么原因产生了这样的结果？带着这个疑问，雷锋网采访了英特尔中国研究院院长宋继强，以期为广大读者深入剖析KNL在gcForest算法方面的计算优势。

宋继强告诉雷锋网，乐见类似gcForest这样的新算法思路出现，因为这种多样性对于推动AI技术的发展大有裨益。对于人工智能算法的硬件加速，宋继强表示，并不存在一个通用的方案可以包打天下。对于不同的应用场景，应该选择不同的硬件平台。他从技术的角度系统地阐释了KNL和GPU之间各自适用的范围，并不讳言GPU在深度神经网络方面的计算能力，而是从辩证的角度说明了KNL相对GPU在gcForest甚至是DNN计算上的优势所在。

他还剖析了英特尔在人工智能芯片领域的包括KN系列、Lake Crest、FPGA在内的三条重要的产品线的定位，并给出了相应的选择建议，对于甚嚣尘上的AI芯片架构之争是个很好的回应。

同时，采访中还涉及到了英特尔中国研究院下半年在AI方面的计划，研究院和刚成立不久的AIPG之间的定位关系，以及与周志华团队的合作情况等话题。

人物介绍

宋继强博士现任英特尔中国研究院院长。他的研究兴趣包括智能机器人与外界的交互技术，多种形态的智能设备创新，移动多媒体计算，移动平台的性能优化，新型人机界面，并为新的应用使用模式创建软件和硬件环境。

宋博士于2008年加入英特尔中国研究院，时任清华大学-英特尔先进移动计算中心应用研发总监，是创造英特尔Edison产品原型的核心成员。在Edison成功产品化之后，他推动开发了基于Edison的智能设备开发套件来促进Edison技术在创客社区的普及，并发明了称为交互式瓷器的新的设备类别。目前他致力于研发基于英特尔技术的智能服务机器人平台。

从2001年至2008年，他历任香港中文大学博士后研究员、香港应用科技研究院（ASTRI）首席工程师、北京简约纳电子有限公司多媒体研发总监等职。2003年，他研发的算法获得IAPR GREC 国际圆弧识别算法竞赛一等奖。2006年，他参加的计算机读图技术研究荣“获教育部高等学校科学技术二等奖” (第二完成人)。他是IEEE和CCF高级会员，在IEEE TPAMI、IEEE TCSVT、Pattern Recognition、CVPR、ICPR等国际期刊与会议上发表学术论文40余篇。

宋继强于2001年获得南京大学计算机专业博士学位，博士论文被评为全国优秀博士论文。

以下是宋继强院长接受采访实录，雷锋网做了不改变原意的整理：

1

关于gcForest算法

如何看待深度森林（gcForest）和深度神经网络（DNN）？

宋继强：gcForest现在还处在刚刚开始的阶段，就像2006年的深度神经网络一样。现在周老师把gcForest开源给整个学术界、工业界，这是非常好的事情。目前来看它相对于DNN的优势体现在两方面，一方面在于可解释性，一方面在于适用的领域。

可解释性

神经网络目前来看还是一个黑箱，里面有很多超参数，初始的设置包括后来调优的过程，人们不好去琢磨它的理论基础。虽然现在也有一个研究热点，就是做神经网络的可解释性，但这还是在刚刚起步阶段。

如果把它换成其他一些中间学习的部件，比如像gcForest这种基于决策树做的一系列工作，最大的好处就是，从特征过来的时候，会在每一个分支下做判断。比如这个特征要大于某一个值的时候向左分支，小于某一个值的时候向右分支，所以天然就有一些规则在那儿。它的参数空间就会小很多，训练出来以后可以去分析和解释。这也是为什么目前在著名的Kaggle数据科学比赛平台上，多数获胜者的模型还是基于决策树扩展和集成(比如XGBoost)做出来的。

如果这件事情能从理论上解释得通，我们对这个模型就有充分的信心了。机器学习真正出来一个结果后，我可以把它变成知识，而不只是停留在模型的层面。因为从让机器去学，到最后变成人可以认可的理论和知识，这是一个完整的过程。

适用领域

其实周老师在他论文的开始也提到了一个问题，在深度学习的领域，大家比较认可的是，做表示学习的时候，模型如果深、层级多，就可以更好的去表示这样的问题。为了达到这样的结果，就需要模型的容量够大，但是不是一定要采用神经网络去训练？这个是可以商榷的。

我认为不是所有的情况下神经网络都是最优的训练学习模型，因为有时候用它反而把事情复杂化了。

英特尔对AI领域的分类

另一方面，深度神经网络虽然非常适合语音和图像的识别，但AI领域其实不只包含这些，还包括理解，推理并做相应的决策。整个过程都构造好了，那才是让人工智能完全可以完成任务。

现在深度神经网络帮助我们解读了视觉信息，因为视觉信息是一帧一帧的图象，还有很好的空间关系。我们本身看见的东西都是像素点构成的，中间是有空间的关系。而用卷积这种方式提取特征，是很适合去提取空间关系的，并且构造了多个维度、不同方向上的，多个分辨率的提取特征的方式，最后放到巨大的多层网络里去找它相应的关联。

到下面一个层级，时间轴发生变化。比如这里是一个人，那里是一张桌子，那边是一把椅子，随着时间的推移，人在动，桌子上可能多了一个东西，所以要继续理解这个场景的时候，未必能完全依靠现在的神经网络的方式去提取特征，这时候就需要依靠别的。

gcForest论文里面用的几个测试集就很有意思，几个测试集在图象层级上的处理，其实跟深度神经网络差不多，稍微能打平，甚至是数据集大的时候，深度神经网络还是会比它好。

但是在涉及到时间维度上，有连续性的东西，或者是要把情感从杂乱无章的文本里抽取出来的时候，这种空间关系不是那么好的数据，发现它的提升还是蛮大的。比如说一个简单的识别，这里面有一个叫hand moment recognition，通过机电信号去识别手势，比别的方法提高了大概接近百分之百。这是非常有说服力的，也就说明它在处理这些连续有规则信号方面（因为这个手势是具有一定规则的），非常的简洁高效。

总之，在进一步去探索AI的技术的方向上，第一，基于决策树的模型更具有可解释性；第二，深度森林可以帮我们去理解很多在时序上和空间上都有规则的事情。

所以我觉得这是一个新的思路。从英特尔层面来讲，是欢迎有这种新的思路存在，因为这样的话才能真正体现出多样性。

2

关于AI芯片的架构之争及软件生态

能从解读产品的角度来谈谈为什么在运行gcForest方面，KNL相比GPU会有优势吗？KNL和GPU甚至是TPU的区别和联系表现在哪里？对于AI芯片的架构争论，您怎么看？

宋继强：实际上我们应该把这个问题放在不同的应用领域来看。在AI芯片这个领域，凡是有人说有一个通用的方案的，其实都是不对的，英特尔从来不会说我们有一个东西能包打天下。

所以英特尔在端层面，有Movidius；在Edge层面我们用像FPGA这样的方案；在云端我们有KNL、Lake Crest这些。

对于不同的应用，我们要给用户最适合的解决方案，这种方案里同时考虑数据的加速，带宽的处理，甚至考虑到通讯怎么处理，在前端要考虑功耗怎么样等等。

具体的拿gcForest来说，它的特点是里面有很多不同的树，每棵树本身的训练是可以分开做的，所以本身就有很大的模型的并行度。KNL和GPU都可以用，但是KNL的好处是它本身就有72个核，每个核上还可以出4个Hyper tread，等于本身就可以提供288个线程，是理想的模型级并行的加速器。

KNL的硬件架构图

同时对于树的处理来讲，中间本身有很多条件判断跳转。在原来X86的架构上这反而是非常容易的，因为X86是基于指令运算去做加速的，单指令多数据流和单指令单数据都是它处理的强项。

而GPU里面对于处理这种跳转多的情况实际上会导致很大资源的浪费，因为它大部分是在做多指令多数据流同时的并行处理，要把很多数据准备好了打包，成形后一并做处理运算。

这时如果中间有很多的Branch，Branch的意思是指令可能要跳转到另一个地方去执行，数据级的并行度就被打破了，打破之后会导致很多问题，有可能数据在另外一个内存的地方，要重新拿过来。对于这种处理，KNL就有天然的优势。

所以周老师在他第二版论文中最后一页专门提出：

• GPU对于DNN是合适的加速器；

• 但是如果考虑到像决策树这种情况，KNL作为加速器才更加适合。

我们对比的时候就会看到，在不同数据处理的模式下，应该选择不同的加速模式。

KNL可以很好地分配内存和高速内存里的数据，因为新的KNL允许用户去配置高速内存的使用方式，它对算法怎么样使用数据是有比较好的灵活度的。

同时用上OPA这种新的数据互联加速，打破原来去访问内存和多节点互联的瓶颈。因为我们知道，GPU扩大到多GPU节点的时候，会有一个IO上限，到了上限，再增加GPU，训练的性能得不到太多提升。因为IO已经成为瓶颈了。但是如果说用KNL的方式，就可以突破这种瓶颈，增加到甚至上千个节点，仍然保持接近线性的增加。同时包含一些比如IO存储方面新的技术，可以带来不同种类的伸缩性能。

对于TPU，它跟英特尔的AI路线图里面的Lake Crest是同一个级别的东西，都是属于专门为深度神经网络定制的加速器，定制的程度是非常高的，如果换成深度森林，就未必能很快的适应。

所以我们讲的话，不会直接讲KNL比GPU好，或者是GPU比KNL好，要放在到底是加速什么样的应用下。

那是否能说对于深度神经网络的加速，GPU比KNL更适合？

宋继强：不是说KNL不能加速深度神经网络，我们曾经试过，去年在AI Day的时候也发布过这样的数据，就是当时把一个Caffe的代码放在KNL上的时候，得到一个初级的性能。后来经过我们软件部门做了软件的并行优化之后，它在KNL上提升了400倍的性能。

可见做不做软件层级的优化差别是很大的，对于深度神经网络我们也可以提高很多倍的优化性能。同时再配合上硬件的性能不断提升，因为KNL比KNC已经提高了3倍，今年下半年会出来的KNM，比KNL硬件本身能力又提高4倍。所以对于使用KN系列的算法研究者来讲，他们是可以享受到这个红利的。

一方面使用软件优化，另一方面可以享受到KN系列的硬件逐年性能提升带来的红利。

对于深度学习这个领域来讲，如果模型容量很大的话，肯定是需要利用到像KNL、KNM这种级别的加速的。GPU是一个协处理器，模型和数据一般放在显存中。现在显卡最新的一般是16G，最大的可能有24G，但很难买得到. 有一些场合需要特别大的模型，可能就放不进显存去，这时候就有很大的问题。但是对于KNL来说，可能会是比较好一点的方式。

至于它中间部件到底采用GPU还是KNL比较好？其实要看情况分析。比如说周老师这边讲到，他觉得可能做前面特征的扫描放在GPU上也很好，因为那一块有很多的数据操作，比如说块操作，可以把它整合。

回过头来想，我们的KNL上，其实每一个Core上也提供了两个512位宽的叫做矢量加速器（AVX-512）。这个矢量加速器如果用好的话，对于处理这种块并行的操作也是很有效的。其实如果说使用得当的话，在KNL上去做矢量的加速计算，我们称为SIMD的计算，和这种需要去做很多分支处理的计算，都可以并行很好的话，这个性能还是非常值得期待的。从原来没有优化过的性能到后来提升到千倍以上是可以达到的。

关于Lake Crest和KNL，在产品定位方面是一个怎样的关系？能不能这样说，Lake Crest是英特尔对于英伟达的GPU推出的竞争产品？而KNL是基于可以和CPU更好的配合关系，所以更适用于决策树模型算法的一个硬件。

宋继强：这样说还不太准确。

Lake Crest是专门针对深度神经网络深度定制的产品，目的是为了得到更快的加速比。它的定制需要综合DNN所需要的计算和带宽的需求，还有扩展节点数量等因素。因为Lake Crest里面也有很多计算节点，每个Lake Crest芯片可以和另外12个芯片互联，形成超网格，而且互联带宽是非常高的。所以在深度学习大规模模型训练的方面，速度会非常强悍。

举个例子，假如是对海量的视频做处理，这个时候不停的会有新的问题进来，就需要反复地训练模型。而且数据量会比以前大的很多，因为像“平安城市”这样的场景，会布置大量的摄像头，这些数据重新训练回来以后会比以前有大幅度的提升，所以一定要需要在云端有这样的能力去做快速的训练，更新模型下发到前端。

以后除了在云端的摄像头数据，无人车每天产生的数据，里面也会产生很多的特殊情况，是现在解决不了的。比如不同国家的行人、不同国家地面上面的物体其实都不太一样，必须反复训练，而且这个数据量也非常大。

我们不认为现在的GPU方案就是一个终点了，一定需要更快、更节省能源的方式。目前TPU和Lake Crest全部是ASIC解决方案，它是性能功耗比最优的方案，因为是深度定制。所以如果是想解决最终的那种海量的数据，并且对数据中心来讲保持低的运营成本，也就是说用电量比较少，ASIC一定是最终的方案，而且它的扩展性会很好。

如果说未来有新的算法可以处理更多的其他应用，比如说gcForest是其中一个例子，对于这些新的方法，TPU、Lake Crest都未必是最好的加速器。这时我们可以用KNL、KNM。

而对于NVIDIA来说，实际上GPGPU也是可以去支持不同领域的东西，只不过是相比其他领域，它对深度神经网络可以提供最高的加速比。

类似GPU一样，也需要有人在上面做专门的优化。其实CUDA这个项目，NVIDIA已经运作了十年，最后才找出了深度学习这一个killer APP。如果有新的Killer APP出来未必在CUDA平台上是最优的。为了应对未来不可知的新的Killer App，可以说FPGA和KNL都是很好的方案。

所以我觉得应该这样去划分，才能够比较完整地解释英特尔在AI芯片这个领域所做的重要布局。

• 于现在已知的Killer App，就是用深度神经网络去做类似视觉方面处理的时候，Lake Crest是一个当然之选。

• 如果是为了应对还不太知道的Killer APP或者是已知道的很多生命科学、金融方面的分析，或者是其他的天气气象原本就是高性能计算的应用，KNL本身就是在做这个事情，而且它会继续去支持这些需要灵活调优但还没有到做ASIC这个程度的应用，都是可以用KNL去做的。

• 如果用户已经对硬件加速有所了解，但还不是很确定的时候，可以用FPGA去试。FPGA是比ASIC更快的可以去做硬件级别实验的一个平台。

KNL有一个上一代的产品KNC，相比之下，KNL有哪些升级？

宋继强：这个升级还是蛮大的。我来讲几个关键的点。

第一，整体性能提升了2.5倍到3倍的级别，每个单核芯的性能也提升了接近3倍。KNL最多可以到72个核心，就计算能力来说，KNL处理器的双精度浮点为3TFlops左右，单精度浮点可以到6TFlops左右。

比起原来的KNC，现在KNL采用了新的二维的网格架构。它可以允许指令乱序执行，这时处理器执行指令的时候就能够更好的去填掉比如说Cache miss、Branch等造成的空档，可以更好的提高指令处理的并行度。

现在的KNL把矢量加速单元AVX扩展到512个Bite宽，可以同时处理64个字节一起做矢量运算。同时它在内存这一块也有一个改进，增加了高速内存，高速内存是多通道的内存。这里面集成了16GB，用户可以把它配置成是Cache，也可以把它配置成自己去管理的内存。比如说用户要放一些经常要被处理器Core存取的数据，不想让它通过Cache的方式自动映射。因为Cache会产生Cache miss，把它变成自己管理，由用户来负责它的数据的加载和重新存取。

这个速度带宽就高达500G字节/秒，是原来DDR4的4-5倍，这都是大幅的提高。而且现在在KNL里面第一次集成了Omni-Path，就是高速的网络互联。KNC的定位为一个协处理器，它一定要有一个Host来跟它配合。这个Host可以是至强，也可以是Core系列的处理器。

KNL分为两种：

• 一种可以继续作为协处理器；

• 另一种是单独的处理器，不需要一个Host，这也是它的新的特性。

这些相比来讲，会更加方便用户。而且我们提供不同等级的KNL的SKU（销售型号），在价格上有不同的选择，相应来说它会有一些偏重于计算，有一些偏重于数据的I/O等。

同时，从去年开始我们在美国已经实验的，在云端给用户提供一个Educational Cluster的平台。因为对于在校学生，多节点的KNL还是蛮贵的，但是有了这个云平台，用户可以在那里提交自己的任务去做实验。

今年我们希望把云端这块的实验平台在中国部署开放起来。届时希望有两种方式去支持大家做这种计算加速，还有节点扩展加速的实验，用不同的算法和不同的应用去做相应的实验。这样的话，我觉得可以推动更多的人去试更多的硬件。英特尔在软件方面去提供的工具支持也会越来越多。

我觉得KNL还是非常有潜力的硬件加速产品，它对于很多模型本身就有并行度，而且数据之间也有一定的并行度，并且中间还要有一些决策的时候特别有帮助。

很多深度学习的用户都表示，比起芯片底层的硬件架构，他们更加关注软硬件在一起的生态，对此，英特尔是如何做的？

宋继强：在软件生态方面，英特尔支持AI应用的通用软件堆栈（雷锋网按：如下图所示），中间三层用来屏蔽底层硬件的实现差异、支持流行开源框架和与加速应用方案的工具。

英特尔提供的AI解决方案

具体来说，英特尔准备在软件层提供比较一致的软件接口。

如果是已经在使用开源框架的用户，比如现在流行的TensorFlow、MXNet、Caffe，英特尔的策略是我们有一个对它们的统一接口，开发者可以用他们熟悉的开源的框架去训练模型。

同时底下我们会对接上英特尔的中间层，中间层可以把它映射成我们英特尔的MKL的加速和我们称为扩展性加速的库。扩展性加速是干什么的呢？因为MKL是加速数学运算的，比如说张量运算。但是如果要把它扩展到多个节点上，比如说扩展到72个核，甚至扩展到1000个核上的时候，这时候就需要用扩展加速，它去帮用户解决互联之间的数据传输和控制的传输的一些加速，而不用用户去管它。

这时虽然用户使用的是开源框架，但是他可以很容易的使用到底下的硬件加速能力，用KNL也好，用Lake Crest也好，会映射到不同的硬件上去。

如果是新的学习者，他可以有两个选择，一个选择使用开源的框架，一个是选择使用英特尔提供的基于Neon的框架，它是Nervana原来还是独立公司前的框架，也是排在前十的。现在他们还继续基于这个框架在做一些事情。

如果说用户选择这个框架的话，会直接能够利用到底下很多的加速。同时Nervana还在做一个事情，当然它现在是英特尔的AIPG。他们在做一个叫nGraph的软件层次工具，也就是说用户的程序里其实有很多可并行的地方，但是由于算法其实很复杂，要用户自己去分析的话，未必能把它拆分得很好。

而这个nGraph工具就是来抽取里面可并行的部分，把它分到不同的硬件的加速单元上去。比如说分到不同的Lake Crest，里面有好多个加速的矢量计算单元。怎么分配？它来做优化，有一点像我们传统的在高性能计算的时候，英特尔的Parallel Studio里面有Thread Building Block，就等于帮你自动去把程序里面的可以并行的线程给你提取出来，放在不同的核上去。

对于初学者来讲，他可以不用自己去搞定所有的软件堆栈的每一层怎么去优化，他可以先去使用开源的工具也好，使用我们英特尔提供的工具也好，把他的算法、模型先训练好，然后通过我们中间提供的这些工具链映射到不同的层级。

这是我们现在走的战略，软硬件结合去做。

除了深度森林和DNN以外，KNL还适合哪些应用和算法？

宋继强：KNL在Life Science里面也有很多的应用，比如像基因测序，精准医疗。在一些零售的领域同时处理很多个不同用户的一些请求，做一些相关的安全验证等，都是可以的。其实应用的领域非常适合让多个核同时去做，因为它们本身就是需要去分割这些任务去处理。而且在处理的过程中并不都是图像的块与块之间比对，生成很多完整的块的vector然后再去逐步往后走的，还需要很多灵活性的程序在运行。

3

关于英特尔中国研究院

能否详细说说英特尔和周志华团队的合作？

宋继强：周老师是国内人工智能领域的杰出学者，领军人物。所以英特尔的产品部门、学术研究部门也都一直在关注。我们现在形成的是战略合作关系，这个框架会包含几方面内容：

第一方面，学术界擅长于去定义算法和新的理论，但是如果要把性能直接提升到产业的标杆级别，这还是有一定的困难。不同AI的应用，需要不同种类的软硬件加速方案去做。

而产业界有很强的工程化资源和计算能力，比如英特尔可以提供一些新的软硬件，给学术界去做相应的学术算法的验证，我们的技术团队还可以配合他们做性能的优化。这样可以达到强强联合，把新理论真正推动到市场应用的级别。

另一方面，英特尔在AI这个领域想做三件事：

• 第一件事是Fuel AI，赋能AI。让它不只局限于现在大家看到的几个领域，让它能够更广泛的应用在各种新的行业里，这是增强AI的能力。

• 第二件事是Democratize AI，民主化。让AI更多的为一般的工程开发人员所用。我们觉得像周老师这种开源是非常好的，开源以后有很多的学生、团队、老师可以去试用，试用以后用上英特尔这样商业化的平台。比如他们现在是在不同的PC上做，这样的成本就相对来说低很多。如果愿意使用英特尔的KNL去做实验的话，我们在国内也会去发布基于云或者是基于实际计算设备的计划，来辅助学术界去用KNL做实验，把成本降低下来。

• 第三个事就是英特尔保证AI做正确的事，引导AI去做非常有益于社会的事情。

现在我们主要关注前两块。

在业界，英特尔是具有领导力的公司。在学术界，周老师团队是具有号召力、影响力的学术团队。我们联合起来，会把AI的生态环境推动的更好，这就是现在合作的情况。

今年英特尔成立了AIPG，在公司的层面上，研究院在推进AI方面，和他们有什么样的协作和分工？

宋继强：AIPG是个产品部门，它是英特尔对外提供人工智能所驱动的产品领域的直接对外出口。这个出口实际上会整合英特尔内部软件、硬件的甚至算法的很多的技术资源，把它形成解决方案往外推。

研究院相对来说是对内的，不直接对外提供产品。我们所做的一些AI方面的研究可能会更前瞻，也更有一些变数，我们会去看外边学术界会发生什么，并相应的做一些学术方面的研究。

除了跟随外部的研究热点外，甚至我们会找一些新的热点做。我们在一些相应的CV（计算机视觉）的比赛，比如情感识别，我们都能拿到世界冠军。这些技术是在研究院里面去做的，达到一定程度，对产品部门的某些产品可以产生直接应用的时候，产品部门就会把这些技术转化到他们的产品里面去。

我觉得研究院和AIPG是一个很好的合作关系，大家在时间线上是不重叠的，并且是一个技术研究和输出的关系。

下半年研究院有没有什么新的打算？尤其是在AI方面。

宋继强：主要会在深度学习训练这块，包括和美国的研究院一起，看如何去提升深度神经网络的训练，并且把这个网络压缩。然后在新的硬件，就是KNL，Knight Mills、Knight Landing这些上面做一些新的实验，这是一种，可能会用到更多的节点去做训练。

另外，在神经网络训练好了以后，我们会做相应的裁减，裁减以后往Lake Crest，FPGA, Movidius这样的硬件上去落地。这样的话，能把AI做深度学习的能力放到更小型设备上去。

所以这是两个方向：在云端要做更大规模的训练，同时把训练时间缩短；最后训练的模型争取能够把它变小。

（本文转载自微信公众号“AI科技评论”）