據外媒報道，最近，特斯拉一項名為“讓神經網絡模型適應硬件平臺的系統和方法”（System and Method for Adapting a Neural Network Model On a Hardware Platform）的專利被公布。

（圖片來源：teslarati.com）

一般而言，神經網絡是一組用于收集數據并從中識別模式的算法。所收集的具體數據取決于所涉及的平臺以及平臺可以向網絡發送的信息類型，如攝像頭/圖像數據等。平臺之間的差異意味著神經網絡算法之間的差異，而進行調整對于開發人員而言非常耗時。就像應用程序必須經過編程才能夠在手機或平板電腦的操作系統或硬件上工作一樣，神經網絡也是如此。不過，特斯拉對于神經網絡的適應性問題，采取的是自動化方法。

在讓神經網絡適應特定硬件的過程中，軟件開發人員必須根據所用硬件中內置的可用選項來做出決策。通常，需要依次對此類選項進行研究、對硬件文檔進行審查以及對影響進行分析，選擇好每一組選項，最終添加到神經網絡，成為一種配置。特斯拉將此類選項稱為“決策點”，也是該項發明發揮作用的關鍵部分。

根據專利申請文件，在插入神經網絡模型以及特定硬件平臺信息，以讓神經網絡適應硬件平臺后，軟件代碼就會遍布整個神經網絡，以了解決策點的位置，然后針對此類決策點運營硬件參數，實現可用的配置。更具體地說，該軟件方法著眼于硬件限制（如處理資源和性能指標的限制），并為神經網絡生成滿足讓其正確運行的設置。

該文件寫道：“為了讓抽象的神經網絡得到具體執行，可能要做出有關一個或多個系統部件、數值精度、算法選擇、數據填充、加速器使用、步幅等的執行決策，可能需要在神經網絡的每一層或每一個張量基礎上做出此類決策，因此一個特定的神經網絡可能需要做出上百個，甚至更多的決策。本發明在執行神經網絡之前考慮了許多因素，因為底層軟件或硬件平臺不支持很多配置，而此類配置可能會導致神經網絡無法執行。”

特斯拉的發明還具備在圖形界面上顯示神經網絡配置信息，從而以更加用戶友好的方式做出評估和選擇的能力。例如，不同的配置可能需要不同的評估時間、功耗或內存消耗。如根據跟蹤模式（Track Mode）和距離模式（Range Mode）之間的差異來選擇配置，而不是根據人們希望AI如何與硬件一起工作來選擇配置。

據報道，該項專利申請似乎是特斯拉收購了DeepScale之后研究出的產品之一。DeepScale是一家專注于全自動駕駛和為小型設備設計神經網絡的AI初創公司。該項專利的發明者是Michael Driscoll博士，他曾是DeepScale公司的高級工程師，后來成為特斯拉的高級軟件工程師。在今年進行獨立研究之前，DeepScale前首席執行官Forrest Iandola博士也曾在特斯拉擔任高級機器學習科學家一職。