人工智能

 新浪科技讯8月10日下午消息,近日,华创资本正式推出由麻省理工科技评论、DeepTech深科技、华创资本共同出品的《未来版图》图书,发布会邀请了人民邮电出版社社科人文分社副社长恭竟平,DeepTech联合创始人陈禺杉,《未来版图》编定人陈序,深鉴科技创始人姚颂和华创资本合伙人熊伟铭。

  其中,深鉴科技因7月份正式被美国Xilinx公司收购而广受关注,其创始人姚颂在会上分享了自己关于人工智能芯片的思考,姚颂表示:

  1、AI芯片适用于不同种类,它的开发难度、开发周期、实用性应用场景可能是千差万别的;

  2、芯片的发展趋势,以英伟达为例,已经不再是一个GPU公司,而是一个系统公司、软件公司,从应用需求定义系统架构,代表了整个行业思路的变化;

  3、当大家说芯片的时候一定不要只看芯片这两个字,不然这个公司会死掉的。 (辛苓)

  以下为姚颂演讲原文节选,由新浪科技整理。

  AI芯片现在非常火,火了一年多,今年大家都很关注。这个领域细节非常多,大家经常搞不清楚,感觉随便来一个公司,不说是AI公司就没法儿在市场上混。又来一个新的AI公司,不做芯片也没有办法在市场上混。这里面的坑其实非常多,回到最根本的还是要搞清楚一个概念,什么叫AI?

  AI芯片是什么?

AI芯片可能只是FPGA的附庸

作者:佐思产研周彦武

央行放水之后,催生出了一大批手握重金的投资机构,而国内优秀的投资标的,特别是高科技领域的标的极为稀缺,AI芯片获得投资易如反掌,一时间冒出来几百家AI芯片公司,也给投机分子可乘之机。

作为国内最优秀的AI芯片公司,深鉴科技被以3亿美元的价格卖给FPGA巨头赛灵思。过去两年,深鉴科技是国内AI芯片领域冉冉升起的一颗明星。这家2016年3月成立的初创公司目前已完成三轮融资,投资方包括金沙江创投、蚂蚁金服、三星风投、赛灵思、联发科等知名机构和公司。据媒体报道,其估值远超过10亿美金。如今以3亿美元卖出,并且据称核心团队要锁定4年内不得离开赛灵思。难道深鉴科技被贱卖?当然没有!这是因为中国真正优秀的企业太少,而追逐的资本太多,优秀企业的估值已经到了完全没有理性的地步。如果这些企业在美国,估值会萎缩数倍以上。

为什么人工智能ASIC要赔钱?

2018五大人工智能趋势,你知道多少?

人类一直对机器人和人工智能(AI)的概念保持非常强的好奇心。好莱坞电影和科幻小说可能激发了一些科学家开始朝着这个方向努力,虽然人工智能泡沫已出现多次,但目前重大的发展和突破正在重新引起公众对这一领域的兴趣。

2018年我们需要关注AI的相关领域,因为变革正在慢慢来临,其中包括自然语言处理(NLP),机器学习,认知计算,神经网络,计算机视觉和机器人及其相关技术。在本文中,我们将解释围绕所有这些技术的五个不断变化的趋势,并了解它们的好处。

1.机器学习模型的民主化

机器学习旨在使计算机能够从数据中学习并在不依赖于程序中命令的情况下进行改进。这种学习最终可以帮助计算机构建模型,例如用于预测天气的模型。这里,我们介绍了一些利用机器学习的常见应用程序:

1.1财务应用

随着金融科技创业公司挑战现有企业,金融业正在迅速发展。这些现有企业中的许多人主要依靠传统的低效方法来提供标准化金融产品的咨询和业务。人工智能的进步正在通过引入自动化咨询改变了这一领域。机器学习模型也取代了传统的预测分析方法来衡量市场趋势。与传统的投资模型相比,这些模型可以提供更高水平的准确性和预测市场波动的速度。

人工智能(AI)处理器和支持AI的SoC目前正受到投资界的全面关注,因为他们被视为新兴高度自动化车辆的关键,那么FPGA呢?它将在AI芯片竞赛中处于什么位置?

为了重申其于汽车产业的长期投入,以及看好FPGA将在自动驾驶车内部发挥重要作用,赛灵思(Xilinx)宣布与戴姆勒(Daimler AG)合作,为未来的宾士(Mercedes-Benz)新车款开发「超高效率AI解决方案」。

Xilinx-Daimler联手打造AI方案

据两家公司表示,戴姆勒正在打造采用赛灵思技术的车载系统,为汽车应用执行AI处理。不过,双方的合作细节仍不明朗。

那么,Xilinx-Daimler合作开发的这套系统预计何时推出?是否独家授权?(还有像「赛灵思是否足以与Mobileye或辉达(Nvidia)等芯片供应商竞争?」等问题)赛灵思汽车事业部资深总监Willard Tu并未多加评论。

The Linley Group资深分析师Mike Demler指出:「戴姆勒也选择了Mobileye和Nvidia。」他认为赛灵思与戴姆勒的合作发布,或多或少是为了市场行销。但他也补充说「看看戴姆勒的车载系统会变成什么,倒也十分有趣。」

事实上,FPGA普及于车用领域的程度,远超过大部份人的了解。

戴姆勒携手 Xilinx 驱动人工智能汽车应用

赛灵思与戴姆勒联袂为未来的奔驰车型开发超高效 AI 解决方案

自适应和智能计算的全球领先企业赛灵思公司(Xilinx, Inc.,(NASDAQ:XLNX))和戴姆勒公司(Daimler AG)今天宣布,两家公司正强强联手采用赛灵思汽车应用领域的人工智能 (AI) 处理技术共同开发车载系统。此项可扩展的解决方案由融片上系统(SoC)器件和 AI 加速软件为一体的赛灵思汽车平台提供支持,将为当今汽车应用领域中的嵌入式 AI 带来诸如高性能、低时延以及业界最佳的功率效率等众多优异特性。

图: 赛灵思技术驱动着复杂的高级驾驶员辅助系统(ADAS)与自动驾驶(AD)系统

【扫盲帖】人工智能的计算力基石--异构计算

本文将带领入门读者了解CPU,GPU,FPGA,ASIC和异构计算的一些基本概念和优缺点,希望帮助入门者和爱好者建立基本的芯片概念。

人工智能有三要素:算法,计算力,数据。我们今天主要来讲讲计算力。

计算力归根结底由底层芯片提供。按照计算芯片的组成方式,可以分成:
同构计算:使用相同类型指令集和体系架构的计算单元组成系统的计算方式。
异构计算:使用不同类型指令集和体系架构的计算单元组成系统的计算方式。常见的计算单元类别包括CPU、GPU、ASIC、FPGA等。

我们从CPU开始,讲一个小故事来帮助你理解一切。

异构厨房系统:
有一个大厨(CPU),能做各种菜(兼容性好),但是某些大量重复的动作(例如切菜)明显减慢了他做菜的速度。原来客人都点炒青菜,拌黄瓜之类的,大厨自己还算能胜任,但是最近(大数据时代到来),客人要求高了很多,开始点各种大菜(大量数据复杂处理)。

你不应该忽略的五个机器学习项目一览

摘要: 本文介绍5个新的机器学习项目,这些项目你可能还没有听说过,但确实对项目开发有所帮助,感兴趣的读者可以动手实践一下。

随着人工智能和深度学习的兴起,网络上存在的学习资源以及开源项目也越来越多。本文精选了的五个项目,都含有潜在新的机器学习想法,且全都是用Python实现。下面简单介绍下这五个项目,感兴趣的可以自己上手复现一下,说不定会对自己的项目产生一些新的想法。

1.实时损失曲线图(Live Loss Plot)

作者:Anton Shaleynikov

通过本文我们来一起看一些用于人工智能的高质量AI库,它们的优点和缺点,以及它们的一些特点。

人工智能(AI)已经存在很长时间了。然而,由于这一领域的巨大进步,近年来它已成为一个流行语。人工智能曾经被称为一个完整的书呆子和天才的领域,但由于各种开发库和框架的发展,它已经成为一个友好的IT领域,并有很多人正走进它。

在这篇文章中,我们将研究用于人工智能的优质库,它们的优缺点以及它们的一些特征。让我们深入并探索这些人工智能库的世界!

1. TensorFlow
“使用数据流图表的可伸缩机器学习的计算”

语言:C ++或Python。

当进入AI时,你会听到的第一个框架之一就是Google的TensorFlow。

尊敬的老师:
您好!
2018,数据大爆炸,人工智能觉醒,后摩尔计算时代的强烈冲击,让灵活应变的赛灵思可编程技术成为了众多创新设计的核心。Xilinx也陆续与BAT,华为,AWS等联合推出了FaaS平台,以及支持Python编程环境的Pynq。全球的创新创业者从来没有像今天这样距离FPGA如此之近。本次活动将对这些新的技术和平台进行深入分析,并诚邀一起探讨这新兴技术如何应用到教学、科研以及竞赛中来。

本次师资培训配备Xilinx从端到云的最新的基于PYNQ-Z2和FaaS的人工智能(AI)的开发平台。本次培训对高校教师免费,实验座位名额有限,将以报名时间先后安排名额。

通过此次培训参与者能:

1、 了解Xilinx最新的异构计算平台
2、 了解华为云的解决方案和远景
3、 FPGA技术与云计算结合的最新进展
4、 体验 Xilinx 大学计划最新的PYNQ 二代平台上机实验 PYNQ-Z2

F3经典使用场景

1. 人工智能深度学习客户,推理应用
最近两年,人工智能在全球掀起了巨大的应用热潮,除了互联网巨头,如Google,Facebook,Alibaba之外,涌现出众多的Start up公司,也都逐渐成为行业翘楚。

在人工智能技术方案选择上,GPU无疑是现阶段的首选,这其中的主要原因,一方面,GPU完善的生态,高并行度的计算力,很好地帮助客户完成了方案的实现和部署上线;另外一方面,人工智能发展,仍处于早期阶段,各个行业都在从算法层面尝试寻找商业落地的可能性,是一个从“0”到“1”的过程。在可以预见的未来几年,随着人工智能落地应用越来越多,大规模商业部署渐渐成为可能,进而对于更低功耗,更低成本,更低处理延时,更多定制化等的需求,将会逐渐凸显。可是F3在人工智能大规模商业部署(推理应用)中,具备独特的性能优势和广阔的潜在空间不可小视。

低延迟
相比于F3(FPGA),GPU计算的处理优势,在于其众多专用的并行计算单元以及超高的显存带宽,让多路大规模数据搬移快速并行计算成为典型的计算模式,但这一模式导致了每路数据的处理延迟增加,对于一些低延迟需求的在线业务场景,如语音识别等。在Batch值较小的情况下,F3(FPGA)的处理延时,仅为GPU的1/10。

超高的定点计算力

同步内容