微軟Azure HPC助攻，加速鴻海AI研究成果突破

鴻海研究院憑藉微軟 Azure 雲端平台的高速算力，取得多項人工智慧技術的研究突破，不但大幅減少對抗式模型訓練時間，從 3 小時縮短到 5 分鐘，藉由使用大量「無標註」資料做預訓練，建立 AI 模型訓練新範式；也能透過人工智慧模型實現即時、連續性的進行血壓偵測，守護大眾健康。

微軟透過 Azure HPC GPU - NDm A100 v4 加速鴻海研究院在 AI 領域的研究速度。NDm A100 v4 系列虛擬機器是 Azure GPU 系列的旗艦，專為高階深層機器學習訓練和緊密結合的相應增加、相應放大 HPC 工作負載所設計，能有效縮短 AI 模型建立時間。此外，依據使用量付費（pay as you go）的彈性收費模式，也能減少前期設備建置投資與機房管理人力。 

鴻海研究院運用 Azure 雲端平台於深度學習、自駕車及數位醫療的研究成果亮點如下：

對抗式攻擊與防禦，提升自駕車穩定性及安全性

針對未來自駕車的應用情境，為避免外部環境干擾或是惡意駭客入侵，嚴重影響模型的判斷，對抗式攻擊與防禦極為關鍵，可用於減少人工智慧模型的誤判。Azure 的虛擬機器能大幅縮短對抗式訓練的模型訓練時間，從原本 3 小時減少至 5 分鐘。

高解析度非監督影像風格轉換模型

此模型為基於深度學習的 image translation model，能夠將兩個不同領域的影像做雙向轉換，應用在動漫領域，可以將動漫人像轉換成真實人臉，並且可以在硬體資源有限的情況下生成高解析度（1024×1024）的成果。應用於自駕車場景，配合現有的自駕車模擬環境（如：CARLA），藉此生成的模擬影像，轉換還原出更契合真實情境的駕駛環境，進而擴充訓練模型時所需要的影像資料，並藉 Azure 高速算力得到更好的模型效能。

自監督式學習預訓練新範式之研究

自監督學式學習技術使用大量「無標註」的資料來訓練人工智慧模型，除可降低過往標記資料對大量人力的需求，透過「無標註」還可降低人為疏失，提升模型準確度。以自動駕駛的領域為例，透過收集巨量的街景資料，並在沒有標記的情況下進行模型訓練（pre-training），之後再用少量有標註資料做細微修調，可善用大數據的優勢，縮短模型訓練時間，進而達到更強健、安全的自動駕駛環境。

自監督式虹膜影像分割技術

在不需要人工標註的情況下訓練人工智慧模型，有效的將虹膜影像進行精確的分割，進而提高虹膜辨識的準確率。此技術不但可用於虹膜辨識，也可應用於各種不同的環境與任務，例如：自駕車環境中我們常常需要針對街景圖做影像語意分割，透過此技術，不需大量人力標註，即可訓練出高精確度的人工智慧模型以供自動駕駛系統使用。使用微軟 NDm A100 v4 的HPC 來做模型訓練，跟之前使用的機器相比，加速可高達 8 倍。

人工智慧模型實現即時、連續性血壓偵測

成功將光體積描記法（PPG）訊號轉換成即時血壓訊號，有效地量測血壓的指數，且量測準確度已經符合醫療器械促進協會（AAMI）和英國高血壓學會（BHS）的 A 級標準。目前穿戴式裝置可實現 PPG 信號的即時量測，與此技術結合後，未來能讓使用者隨時偵測自身血壓，不再受到時間、空間與器材的限制，第一時間預防因血壓異常的導致的高風險疾病。使用微軟NDm A100 v4 的 HPC 來做模型訓練，跟之前使用的機器相比，加速可高達 400 倍。