①

2015 年 1 月

计算机科学家 SebastianThrun 博士

对使用机器学习帮助医学诊断产生兴趣

2015 年 6 月

Thrun 博士的团队测试机器从教材图像的学习成果

在大约 14,000 张图像中，

系统得到了 72% 的正确率

Thrun 博士又将研究范围扩大

结果在几乎每一次测试中

机器都超过了人类

②

2016 年 6 月

一名 60 岁女性由于身体不适

来到医院就诊

最初的诊断结果显示

她患上了急髓白血病

但在经历各种疗法后

效果并不明显

研究人员利用 Watson 系统来对此病人进行诊断

系统通过比对 2000 万份癌症研究论文

在 10 分钟得出了诊断结果

患者得了一种罕见白血病

③

2016 年 11 月的一个晚上

一名 54 岁的女子

因为严重头痛被送至急诊室

她感觉视力模糊

左手麻木无力

医生安排了 CT 检查

但无济于事

她身体的左侧全部瘫痪

这是典型的中风

虽然中风的预兆能从 CT 上的些许暗示中发现

但对于人类医生来说

要想发现这些暗示太难了

④

如果有这样一台服务器

它能够将皮肤诊断图像正确归类

准确率超过人类

如果有这样一台服务器

它能够通过对比 20000 份研究论文

得出正确的诊断结果

如果有这样一台服务器

它能够读懂 CT 照片

并能发现 CT 照片上的少许暗示

你是不是觉得不可思议

你是不是觉得这样的服务器

遥不可及

但其实，让计算机能够看病

最重要依靠的是

一项名为 " 深度学习 " 的技术

就像人的大脑通过神经网络进行学习

深度学习通过人造的 " 神经网络 " 来学习

人造的神经网络可以接受一种或多种输入

并对输入执行数学运算

产生可输出的结果

神经网络可呈现为多层次神经元

这也是 " 深度 " 这个词的由来

但通常

神经网络需要用大量样本进行训练

才能有很好的效果

医学人工智能亦是如此

需要输入大量医学病例数据到计算机

让计算机学习其中的模式

当输入新的病例时

计算机就能进行正确的判断

而决定诊断结果是否正确的

除了算法和数据之外

最重要的

就是服务器

⑤

那么

什么样的服务器才能满足

医学 AI 的要求呢

这就要从深度学习的计算过程说起

深度神经网络计算大致流程

是这样滴

数据调入

▼

数据预处理

▼

数据从内存拷贝的显存，再计算

▼

数据结果返回内存

▼

数据保存

这就要求医学 AI 服务器

要有为 AI 时代创新的系统架构

更高性能的 I/O，充分加速数据调入

更开放的数据一致性协议，加速 CPU-GPU 数据交换

更稳定商用 AI 模块框架，简化编程复杂性

▼

要有更高性能的 CPU

完成快速的数据预处理

▼

更多的 GPU

以及 CPU 与 GPU 之间

GPU 与 GPU 之间

更高速的连接

提高数据在各个部件之间的传输速率

▼

更高速的内存

加速数据结果返回内存

▼

更高性能的硬盘

从而更快的存储数据

⑥

那到底有没有这样的服务器？

答案当然是肯定的

当当当当

那就是浪潮 FP5295G2

它拥有

OpenCAPII/O 加速插槽

CAPI 2.0 显著降低 IO 开销和延迟

充分满足数据输入速度要求

▼

2 颗 POWER9

新一代高端处理器

足以应付任何复杂数据预处理

▼

6 块 NVIDIA TelsaV100 GPU

NVLink 提供节点内

高速连接 CPU-GPU，GPU-GPU

PCIe4.0+ IB 提供跨节点高速连接

大幅提升数据传输效率

▼

1TB 内存容量

306GB/sec 内存带宽

能够迅速将数据结果放回内存

▼

2 块 2.5 寸 SATA HDD/SSD 硬盘

或 PCIeNVMe SSD

可以更快的保存数据

除此之外

FP5295G2 还有

IBM PowerAI 加持

因此

与测试的 x86 系统相比

AI 模型培训效率提升 3.8 倍

如此出色的 AI 服务器

怎能不受医学行业喜爱？