4px自提點>人工智能> > 正文

人工智能的演進需要高適應性的推理平台(WP023)

2021年07月07日 16:31 次閲讀

  模型大小不斷增長給現有架構帶來了挑戰

  深度學習對計算能力的需求正以驚人的速度增長,其近年來的發展速度已從每年翻一番縮短到每三個月翻一番。深度神經網絡(DNN)模型容量的不斷提升,表明從自然語言處理到圖像處理的各個領域都得到了改進——深度神經網絡是諸如自動駕駛和機器人等實時應用的關鍵技術。例如,Facebook的研究表明,準確率與模型大小的比率呈線性增長,通過在更大的數據集進行訓練,準確率甚至可以得到進一步提高。

  目前在許多前沿領域,模型大小的增長速度遠快於摩爾定律,用於一些應用的萬億參數模型正在考慮之中。雖然很少有生產系統會達到同樣的極端情況,但在這些示例中,參數數量對性能的影響將在實際應用中產生連鎖反應。模型大小的增長給實施者帶來了挑戰。如果不能完全依靠芯片擴展路線圖,就需要其他解決方案來滿足對模型容量增加部分的需求,而且成本要與部署規模相適應。這種增長要求採用定製化的架構,以最大限度地發揮每個可用晶體管的性能。

  

  圖1:模型大小的增長速度(來源:Linley Group)

  Parameters (log scale):參數(對數刻度)

  Image-processing models:圖像處理模型

  Language-processing models:語言處理模型

  隨着參數數量快速增長,深度學習架構也在快速演進。當深度神經網絡繼續廣泛使用傳統卷積、全連接層和池化層的組合時,市場上也出現了其它結構,諸如自然語言處理(NLP)中的自注意力網絡。它們仍然需要高速矩陣和麪向張量的算法,但是存儲訪問模式的變化可能會給圖形處理器(GPU)和當前現有的加速器帶來麻煩。

  結構上的變化意味着諸如每秒萬億次操作(TOps)等常用指標的相關性在降低。通常情況下,處理引擎無法達到其峯值TOps分數,因為如果不改變模型的處理方式,存儲和數據傳輸基礎設施就無法提供足夠的吞吐量。例如,批處理輸入樣本是一種常見的方法,因為它通常可以提高許多架構上可用的並行性。但是,批處理增加了響應的延遲,這在實時推理應用中通常是不可接受的。

  數值靈活性是實現高吞吐量的一種途徑

  提高推理性能的一種途徑是使計算的數值分辨率去適應各個獨立層的需求,這也代表了與架構的快速演進相適應。一般來説,與訓練所需的精度相比,許多深度學習模型在推理過程中可以接受明顯的精度損失和增加的量化誤差,而訓練通常使用標準或雙精度浮點算法進行。這些格式能夠在非常寬的動態範圍內支持高精度數值。這一特性在訓練中很重要,因為訓練中常見的反向傳播算法需要在每次傳遞時對許多權重進行細微更改,以確保收斂。

  通常來説,浮點運算需要大量的硬件支持才能實現高分辨率數據類型的低延遲處理,它們最初被開發用來支持高性能計算機上的科學應用,完全支持它所需的開銷並不是一個主要問題。

  許多推理部署都將模型轉換為使用定點運算操作,這大大降低了精度。在這些情況下,對準確性的影響通常是最小的。事實上,有些層可以轉換為使用極其有限的數值範圍,甚至二進制或三進制數值也都是可行的選擇。

  然而,整數運算並不總是一種有效的解決方案。有些濾波器和數據層就需要高動態範圍。為了滿足這一要求,整數硬件可能需要以24位或32位字長來處理數據,這將比8位或16位的整數數據類型消耗更多的資源,這些數據類型很容易在典型的單指令多數據(SIMD)加速器中得到支持。

  一種折衷方案是使用窄浮點格式,例如適合16位字長的格式。這種選擇可以實現更大的並行性,但它並沒有克服大多數浮點數據類型固有的性能障礙。問題在於,在每次計算後,浮點格式的兩部分都需要進行調整,因為尾數的最高有效位沒有顯式存儲。因此,指數的大小需要通過一系列的邏輯移位操作來調整,以確保隱含的前導“1”始終存在。這種規範化操作的好處是任何單個數值都只有一種表示形式,這對於用户應用程序中的軟件兼容性很重要。然而,對於許多信號處理和人工智能推理常規運算來説,這是不必要的。

  這些操作的大部分硬件開銷都可以通過在每次計算後無需標準化尾數和調整指數來避免。這是塊浮點算法所採用的方法,這種數據格式已被用於標準定點數字信號處理(DSP),以提高其在移動設備的音頻處理算法、數字用户線路(DSL)調制解調器和雷達系統上的性能。

  

  圖2:塊浮點計算示例

  manTIssa:尾數

  block exponent:塊指數

  使用塊浮點算法,無需將尾數左對齊。用於一系列計算的數據元素可以共享相同的指數,這一變化簡化了執行通道的設計。對佔據相似動態範圍的數值進行四捨五入造成的精度損失可被降到最小。在設計時就要為每個計算塊選擇合適的範圍。在計算塊完成後,退出函數就可以對數值進行四捨五入和標準化處理,以便在需要時將它們用作常規的浮點值。

  支持塊浮點格式是機器學習處理器(MLP)的功能之一。Achronix的Speedster®7t FPGA器件和Speedcore™ eFPGA架構提供了這種高度靈活的算術邏輯單元。機器學習處理器針對人工智能應用所需的點積和類似矩陣運算進行了優化。相比傳統浮點,這些機器學習處理器對塊浮點的支持提供了實質性的改進。16位塊浮點運算的吞吐量是傳統的半精度浮點運算的8倍,使其與8位整數運算的速度一樣快,與僅以整數形式的運算相比,有功功耗僅增加了15%。

  另一種可能很重要的數據類型是TensorFloat 32(TF32)格式,與標準精度格式相比,該格式的精度有所降低,但保持了較高的動態範圍。TF32也缺乏塊指數處理的優化吞吐量,但對於一些應用是有用的,在這些應用中,使用TensorFlow和類似環境所創建的模型的易於移植性是很重要的。Speedster7t FPGA中機器學習處理器所具有的高度靈活性使得使用24位浮點模式來處理TF32算法成為可能。此外,機器學習處理器的高度可配置性意味着可以支持一個全新的、塊浮點版本的TF32,其中四個樣本共享同一個指數。機器學習處理器支持的塊浮點TF32,其密度是傳統TF32的兩倍。

  

  圖3:機器學習處理器(MLP)的結構

  Wireless:無線

  AI/ML:人工智能/機器學習

  Input Values:輸入值

  Input Layer:輸入層

  Hidden Layer 1:隱藏層1

  Hidden Layer 2:隱藏層2

  Output Layer:輸出層

  處理靈活性優化了算法支持

  雖然機器學習處理器能夠支持多種數據類型,這對於推理應用而言是至關重要的,但只有成為FPGA架構的一部分,它的強大功能才能釋放出來。可輕鬆定義不同互連結構的能力使FPGA從大多數架構中脱穎而出。在FPGA中同時定義互連和算術邏輯的能力簡化了構建一種平衡架構的過程。設計人員不僅能夠為自定義數據類型構建直接支持,還可以去定義最合適的互連結構,來將數據傳入和傳出處理引擎。可重編程的特性進一步提供了應對人工智能快速演進的能力。通過修改FPGA的邏輯可以輕鬆支持自定義層中數據流的變化。

  FPGA的一個主要優勢是可以輕鬆地在優化的嵌入式計算引擎和由查找表單元實現的可編程邏輯之間切換功能。一些功能可以很好地映射到嵌入式計算引擎上,例如Speedster7t MLP。又如,較高精度的算法最好分配給機器學習處理器(MLP),因為增加的位寬會導致功能單元的大小呈指數增長,這些功能單元是用來實現諸如高速乘法之類的功能。

  較低精度的整數運算通常可以有效地分配給FPGA架構中常見的查找表(LUT)。設計人員可以選擇使用簡單的位串行乘法器電路來實現高延遲、高並行性的邏輯陣列。或者,他們可以通過構建進位保存和超前進位的加法器等結構來為每個功能分配更多的邏輯,這些結構通常用來實現低延遲的乘法器。通過Speedster7t FPGA器件中獨特的LUT配置增強了對高速算法的支持,其中LUT提供了一種實現Booth編碼的高效機制,這是一種節省面積的乘法方法。

  結果是,對於一個給定的位寬,實現整數乘法器所需的LUT數量可以減半。隨着機器學習中的隱私和安全性等問題變得越來越重要,應對措施可能是在模型中部署同態加密形式。這些協議通常涉及非常適合於LUT實現的模式和位域操作,有助於鞏固FPGA作為人工智能未來驗證技術的地位。

  數據傳輸是吞吐量的關鍵

  為了在機器學習環境中充分利用數值自定義,周圍的架構也同樣重要。在越來越不規範的圖形表示中,能隨時在需要的地方和時間傳輸數據是可編程硬件的一個關鍵優勢。但是,並非所有的FPGA架構都是一樣的。

  傳統FPGA架構的一個問題是,它們是從早期應用演變而來的;但在早期應用中,其主要功能是實現接口和控制電路邏輯。隨着時間的推移,由於這些器件為蜂窩移動通信基站製造商提供了一種從愈發昂貴的ASIC中轉移出來的方法,FPGA架構結合了DSP模塊來處理濾波和信道估計功能。原則上,這些DSP模塊都可以處理人工智能功能。但是,這些模塊最初設計主要是用於處理一維有限衝激響應(1D FIR)濾波器,這些濾波器使用一個相對簡單的通道通過處理單元傳輸數據,一系列固定係數在該通道中被應用於連續的樣本流。

  傳統的處理器架構對卷積層的支持相對簡單,而對其他的則更為複雜。例如,全連接層需要將一層中每個神經元的輸出應用到下一層的所有神經元上。其結果是,算術邏輯單元之間的數據流比傳統DSP應用中的要複雜得多,並且在吞吐量較高的情況下,會給互連帶來更大的壓力。

  儘管諸如DSP內核之類的處理引擎可以在每個週期中生成一個結果,但FPGA內部的佈線限制可能導致無法足夠快速地將數據傳遞給它。通常,對於專為許多傳統FPGA設計的、通信系統中常見的1D FIR濾波器來説,擁塞不是問題。每個濾波階段所產生的結果都可以輕鬆地傳遞到下一個階段。但是,張量操作所需的更高的互連以及機器學習應用較低的數據局部性,使得互連對於任何實現而言都更加重要。

  

  圖4:濾波器和人工智能數據流

  Memory Cascade Out:存儲級聯輸出

  Operand Cascade in:操作數級聯

  Register File:寄存器文件

  Fracturable:可分割

  Adder/Accumulator:加法器/累加器

  Memory Cascade in:存儲級聯

  機器學習中的數據局部性問題需要注意多層級的互連設計。由於在最有效的模型中參數數量龐大,片外數據存儲通常是必需的。關鍵要求是可以在需要時以低延遲傳輸數據的機制,並使用靠近處理引擎的高效便箋式存儲器,以最有效地利用預取以及其他使用可預測訪問模式的策略,來確保數據在合適的時間可用。

  在Speedster7t架構中,有以下三項用於數據傳輸的創新:

  ·優化的存儲層次結構

  ·高效的本地佈線技術

  ·一個用於片內和片外數據傳輸的高速二維片上網絡(2D NoC)

  傳統的FPGA通常具有分佈在整個邏輯架構上的片上RAM塊,這些RAM塊被放置在距離處理引擎有一定距離的地方。對於典型的FPGA設計來説,這種選擇是一種有效的架構,但在人工智能環境中,它帶來了額外的和不必要的佈線開銷。在Speedster7t架構中,每個機器學習處理器(MLP)都與一個72kb的雙端口塊RAM(BRAM72k)和一個較小的2kb的雙端口邏輯RAM(LRAM2k)相關聯,其中LRAM2k可以作為一個緊密耦合的寄存器文件。

  可以通過FPGA佈線資源分別訪問機器學習處理器(MLP)及其相關聯的存儲器。但是,如果一個存儲器正在驅動關聯的MLP,則它可以使用直接連接,從而卸載FPGA佈線資源並提供高帶寬連接。

  在人工智能應用中,BRAM可以作為一個存儲器,用於存儲那些預計不會在每個週期中發生變化的值,諸如神經元權重和激活值。LRAM更適合存儲只有短期數據局部性的臨時值,諸如輸入樣本的短通道以及用於張量收縮和池化活動的累積值。

  該架構考慮到需要能夠將大型複雜的層劃分為可並行操作的段,併為每個段提供臨時數據值。BRAM和LRAM都具有級聯連接功能,可輕鬆支持機器學習加速器中常用的脈動陣列的構建。

  

  圖5:具有存儲和級聯連接功能的MLP

  MLP可以從邏輯陣列、共享數據的級聯路徑以及關聯的BRAM72k和LRAM2k逐週期驅動。這種安排能夠構建複雜的調度機制和數據處理通道,使MLP持續得到數據支持,同時支持神經元之間儘可能廣泛的連接模式。為MLP持續提供數據是提高有效TOps算力的關鍵。

  MLP的輸出具有同樣的靈活性,能夠創建脈動陣列和更復雜的佈線拓撲,從而為深度學習模型中可能需要的每種類型的層提供優化的架構。

  

  MulTIplier / mulTIplicand fracTIons after converting inputs to have the same exponent:將輸入轉換為具有相同指數後的乘數/被乘數分數

  Multiplier block exponent:乘數塊指數

  Multiplicand block exponent:被乘數塊指數

  Integer Multiply / Add Tree:整數乘法/加法樹:

  Convert to Floating Point:轉換為浮點

  Floating Point Accumulation:浮點累加

  Round to desired precision:四捨五入到所需精度

  Speedster7t架構中的2D NoC提供了從邏輯陣列的可編程邏輯到位於I/O環中的高速接口子系統的高帶寬連接,用於連接到片外資源。它們包括用於高速存儲訪問的GDDR6和諸如PCIe Gen5和400G以太網等片內互連協議。這種結構支持構建高度並行化的架構,以及基於中央FPGA的高度數據優化的加速器。

  通過將高密度數據包路由到分佈在整個邏輯陣列上的數百個接入點,2D NoC使得大幅增加FPGA上的可用帶寬成為可能。傳統的FPGA必須使用數千個單獨編程的佈線路徑來實現相同的吞吐量,而這樣做會大量吃掉本地的互連資源。通過網絡接入點將千兆數據傳輸到本地區域,2D NoC緩解了佈線問題,同時支持輕鬆而快速地將數據傳入和傳出MLP和基於LUT的定製化處理器。

  相關的資源節省是相當可觀的——一個採用傳統FPGA軟邏輯實現的2D NoC具有64個NoC接入點(NAP),每個接入點提供一個運行頻率為400MHz的128位接口,將消耗390kLUT。相比之下,Speedster 7t1500器件中的硬2D NoC具有80個NAP,不消耗任何FPGA軟邏輯,並且提供了更高的帶寬。

  使用2D NoC還有其他的一些優勢。由於相鄰區域之間互連擁塞程度較低,因此邏輯設計更易於佈局。因為無需從相鄰區域分配資源來實現高帶寬路徑的控制邏輯,因此設計也更加有規律。另一個好處是極大地簡化了局部性重新配置——NAP支持單個區域成為有效的獨立單元,這些單元可以根據應用的需要進行交換導入和導出。這種可重配置的方法反過來又支持需要在特定時間使用的不同模型,或者支持片上微調或定期對模型進行再訓練這樣的架構。

  結論

  隨着模型增大和結構上變得更加複雜,FPGA正成為一種越來越具吸引力的基礎器件來構建高效、低延遲AI推理解決方案,而這要歸功於其對多種數值數據類型和數據導向功能的支持。但是,僅僅將傳統的FPGA應用於機器學習中是遠遠不夠的。機器學習以數據為中心的特性需要一種平衡的架構,以確保性能不受人為限制。考慮到機器學習的特點,以及不僅是現在,而且在其未來的開發需求,Achronix Speedster7t FPGA為AI推理提供了理想的基礎器件。

下載發燒友APP

打造屬於您的人脈電子圈

關注4px自提點微信

有趣有料的資訊及技術乾貨

關注發燒友課堂

鎖定最新課程活動及技術直播

4px自提點觀察

一線報道 · 深度觀察 · 最新資訊
收藏 人收藏
分享:

評論

相關推薦

燧原科技首發國內第二代人工智能訓練芯片“邃思2....

燧原科技今日發佈第二代人工智能訓練產品——“邃思2.0”芯片、基於邃思2.0的“雲燧T20”訓練加速....
發表於 2021-07-07 17:15 0次閲讀
燧原科技首發國內第二代人工智能訓練芯片“邃思2....

大聯大品佳集團推出基於EEASY TECH SH...

EEASY TECH是以AI機器視覺算法和SoC芯片設計為核心的系統方案供應商,志在成為視像安防、汽....
發表於 2021-07-07 16:39 16次閲讀
大聯大品佳集團推出基於EEASY TECH SH...

Marvell憑藉業界首款5納米數據處理器拓展O...

OCTEON 10系列集成安謀Neoverse N2內核,為性能和低功耗設定行業基準。
發表於 2021-07-06 17:17 182次閲讀
Marvell憑藉業界首款5納米數據處理器拓展O...

霍金死前的三大預言

斯蒂芬·威廉·霍金, 1942年1月8日出生於英國牛津,英國劍橋大學著名物理學家,現代最偉大的物理學....
發表於 2021-07-06 15:27 245次閲讀
霍金死前的三大預言

AI全球格局之人工智能即將變革的三大領域 相關資料分享

熱潮下的冷思考,人工智能即將改變的三大領域人工智能技術的應用,或許能幫助藍色星球的科學家們擺脱無窮無盡實驗的痛...
發表於 2021-07-06 08:04 0次閲讀
AI全球格局之人工智能即將變革的三大領域 相關資料分享

淺談主流開發板 相關資料分享

開發板在目前電子行業中比較熱門的技術領域1.物聯網通過使用智能手機但不僅限於電子設備對其他一切聯網設備的控制,從...
發表於 2021-07-06 06:29 0次閲讀
淺談主流開發板 相關資料分享

在數字經濟時代 萬物互聯除了聯還需要什麼?

編者按:2021年7月14-16日,暌違已久的第七屆中國機器人峯會暨智能經濟人才峯會將在浙江寧波餘姚....
發表於 2021-07-05 17:30 346次閲讀
在數字經濟時代 萬物互聯除了聯還需要什麼?

AI可以取代芯片工程師嗎?

最近,谷歌在《自然》雜誌發表了論文《面向快速芯片設計的圖佈局方法》(A graph placemen....
發表於 2021-07-05 16:54 170次閲讀
AI可以取代芯片工程師嗎?

功能安全和人工智能可以在工業應用中共存嗎?

任何功能安全的先決要求是,如果發生意外事件或行動,需要立即阻止設備對任何操作員造成傷害,並防止損壞其....
發表於 2021-07-04 15:10 278次閲讀
功能安全和人工智能可以在工業應用中共存嗎?

人工智能/機器學習技術推動全球產業變革

人工智能涉及到開發利用計算機系統執行通常需要利用人類智慧才能完成的任務。
發表於 2021-07-04 10:31 2634次閲讀
人工智能/機器學習技術推動全球產業變革

麒麟軟件孔金珠為什麼看好openEuler?

從 “不知道操作系統,也不會搞操作系統”到“二十年如一日”攻克操作系統技術、市場難關的孔金珠,與 I....
發表於 2021-07-02 17:17 211次閲讀
麒麟軟件孔金珠為什麼看好openEuler?

甘中學博士:下一代互聯網可能是基於5G的三元智聯...

編者按:2021年7月14-16日,暌違已久的第七屆中國機器人峯會暨智能經濟人才峯會將在浙江寧波餘姚....
發表於 2021-07-02 16:12 279次閲讀
甘中學博士:下一代互聯網可能是基於5G的三元智聯...

剖析以智能製造為主攻方向推動產業鏈數字化轉型

近年來,世界製造強國紛紛推進製造業向智能化、自動化轉型。2016年,工業和信息化部發布了《智能製造工....
發表於 2021-07-02 15:11 212次閲讀
剖析以智能製造為主攻方向推動產業鏈數字化轉型

美國初創生物科技公司宣佈完成 4500 萬美元的...

近日,一家號稱研發全新 RNAi 療法的美國初創生物科技公司 Camp4 Therapeutics(....
發表於 2021-07-02 11:13 208次閲讀
美國初創生物科技公司宣佈完成 4500 萬美元的...

未來十年安全邊緣設備將會興起 2021年僅是個開...

未來十年,安全邊緣設備將會興起……2021年僅僅標誌着智能邊緣時代的開端,這將是一個充滿挑戰性的漫長....
發表於 2021-07-02 10:56 236次閲讀
未來十年安全邊緣設備將會興起 2021年僅是個開...

最適合人工智能開發的5種編程語言 相關資料分享

最適合人工智能開發的5種編程語言
發表於 2021-07-02 06:52 0次閲讀
最適合人工智能開發的5種編程語言 相關資料分享

鋭捷網絡與美的智能達成戰略合作,共同致力智能零售...

6月30日,鋭捷網絡股份有限公司(以下簡稱:鋭捷網絡)與合肥美的智能科技有限公司(以下簡稱:美的智能....
發表於 2021-07-01 15:40 2601次閲讀
鋭捷網絡與美的智能達成戰略合作,共同致力智能零售...

賽靈思Kria K26 SOM應運而生為ML邊緣...

隨着人工智能和機器學習算法取得一系列新進展 眾多高計算強度的應用正在被部署到邊緣設備上 當下,業界迫....
發表於 2021-07-01 11:52 255次閲讀
賽靈思Kria K26 SOM應運而生為ML邊緣...

貼片電容其餘的優異特性

其實就電容的發展歷程來看,它所出現的那個時代並不算的上是一個騰飛的時候,早期的工業革命所帶來的大多數....
發表於 2021-07-01 11:15 38次閲讀
貼片電容其餘的優異特性

楊暘博士:要能夠洞悉需求,隨時做好準備擁抱變化

加速推動數字化轉型,已經成為全球各地、各行各業的共識。疫情更推動了數字技術發展,企業在應對挑戰、恢復....
發表於 2021-06-30 16:48 320次閲讀
楊暘博士:要能夠洞悉需求,隨時做好準備擁抱變化

工業平板電腦助力工業現場實現人工智能

本期上海研強給大家分享的是工業平板電腦助力工業現場實現人工智能,希望看完本篇文章您能對工業平板電腦有....
發表於 2021-06-30 16:46 42次閲讀
工業平板電腦助力工業現場實現人工智能

人工智能技術如何在醫療保健行業實現快速發展

隨着人工智能技術的不斷髮展,人工智能的應用也在不斷的發展,使世界受益匪淺。這項技術可以應用於任何行業....
發表於 2021-06-30 16:31 181次閲讀
人工智能技術如何在醫療保健行業實現快速發展

3D視覺技術推動商業發展和個人消費升級

趨勢報告顯示,3D視覺算法效果大幅提升雙重促進視覺體驗增強和生產成本下降,不斷推動商業發展和個人消費....
發表於 2021-06-30 15:21 524次閲讀
3D視覺技術推動商業發展和個人消費升級

關於5G技術持續演進和高通技術公司無線研究重點

全新5G研發測試平台展現毫米波、無界XR和5G廣域技術等諸多領域的行業突破 高通技術公司展示其最新研....
發表於 2021-06-30 14:27 296次閲讀
關於5G技術持續演進和高通技術公司無線研究重點

高性能計算與人工智能何處去?英特爾劍指XPU

內置高帶寬內存(HBM)的Sapphire Rapids至強可擴展處理器進一步打造性能標杆;英特爾G....
發表於 2021-06-30 11:34 124次閲讀
高性能計算與人工智能何處去?英特爾劍指XPU

AnyVision宣佈推出最新人工智能軟件解決方...

AnyVision 的 Recognition AI軟件解決方案專為安霸 CVflow SoC 優化....
發表於 2021-06-30 10:43 247次閲讀
AnyVision宣佈推出最新人工智能軟件解決方...

IBM拓展對Verizon和Telefonica...

【4px自提點】英偉達以400億美元價格收購芯片設計公....
發表於 2021-06-30 10:01 236次閲讀
IBM拓展對Verizon和Telefonica...

國辰機器人的產品優勢及應用案例

智能化造就新時代,在人工智能加速普及的當今社會,無論是工業還是商用,機器人的市場都在不斷擴大。以工業....
發表於 2021-06-29 15:50 167次閲讀
國辰機器人的產品優勢及應用案例

矽赫科技研發智能雷達即將進軍粵港澳大灣區車聯網

“粵港澳大灣區強勁的經濟發展和產業升級需求,對太赫茲技術的產業落地有直接的推動作用,太赫茲在智慧安防....
發表於 2021-06-29 11:46 447次閲讀
矽赫科技研發智能雷達即將進軍粵港澳大灣區車聯網

CFO如何在轉型浪潮中找準自身定位

據 ISACA 調研,91%的商業領袖將數字化轉型視為激發企業創新和提升工作效率的一種方式。在這個過....
發表於 2021-06-29 11:08 375次閲讀
CFO如何在轉型浪潮中找準自身定位

你們知道芯片行業所説的IP是個什麼嗎?

前言:在芯片行業,人們經常用到IP這個詞,例如IP開發、IP交易、IP複用、IP廠商、IP提供商等。....
發表於 2021-06-28 14:47 593次閲讀
你們知道芯片行業所説的IP是個什麼嗎?

特斯拉的人工智能(AI)芯片到底有多強大?

在當今世界,如果有一件事是你可以保證的,那就是新技術的不斷髮展。回頭一看,你已經錯過了最新的一套蘋果....
發表於 2021-06-28 14:25 357次閲讀
特斯拉的人工智能(AI)芯片到底有多強大?

四個頂級人工智能系統的仇恨言論檢測能力依然很差

儘管人工智能(AI)技術領域在最近取得了進步,但它依然在大多數基本應用上暴露出很多問題。 在一項新的....
發表於 2021-06-28 14:09 143次閲讀
四個頂級人工智能系統的仇恨言論檢測能力依然很差

新思科技DesignWare PVT子系統針對台...

基於當今的先進製程技術、基礎優化方案、遙測技術和分析方法,剛加入新思科技的Moortec所提供的芯片....
發表於 2021-06-28 11:46 56次閲讀
新思科技DesignWare PVT子系統針對台...

中國信通院將進一步拓展行業應用標準,賦能數字化轉...

在6月4日召開的“2021雲邊協同大會”上,中國信息通信研究院雲計算與大數據研究所副所長慄蔚表示,中....
發表於 2021-06-26 17:06 971次閲讀
中國信通院將進一步拓展行業應用標準,賦能數字化轉...

韓國人工智能公司Pulse 9推出AI女團

智東西6月23日消息,最近,韓國人工智能公司Pulse 9推出了一個完全由AI打造的韓國流行音樂女團....
發表於 2021-06-26 16:36 521次閲讀
韓國人工智能公司Pulse 9推出AI女團

一個全新屬於AI行業應用場景的開源項目來了!

3000億美金市場,“十四五”規劃重點內容,人工智能今年可謂炙手可熱~但AI算法的構建和應用,不僅要....
發表於 2021-06-26 14:38 1073次閲讀
一個全新屬於AI行業應用場景的開源項目來了!

東土科技與科大訊飛將在5G、人工智能等方面展開合...

東土科技6月25日公告,公司於6月24日與科大訊飛股份有限公司(以下簡稱“科大訊飛”)簽署了《戰略合....
發表於 2021-06-26 14:11 3181次閲讀
東土科技與科大訊飛將在5G、人工智能等方面展開合...

推動電力智慧基建的必殺技是什麼?

電力智慧基建旨在運用新技術手段,提升電力管理效率效益;
發表於 2021-06-26 09:17 259次閲讀
推動電力智慧基建的必殺技是什麼?

Google宣佈推出一款視覺檢測人工智能工具

當地時間6月22日,Google宣佈推出一款視覺檢測人工智能工具——Visual Inspectio....
發表於 2021-06-25 14:21 294次閲讀
Google宣佈推出一款視覺檢測人工智能工具

揭祕小米在北京亦莊的“黑燈工廠”裏誕生

機器掐住8英寸大小的手機兩側,模擬人手把完整的屏幕反覆向內對摺。屏幕再度展開的那一刻,畫面與觸感依舊....
發表於 2021-06-25 11:38 367次閲讀
揭祕小米在北京亦莊的“黑燈工廠”裏誕生

移動機器人底盤發展前景分析

隨着人工智能技術的發展,我國的服務機器人市場也迎來了爆炸式的增長,服務機器人市場的增長必然帶動其相關....
發表於 2021-06-25 10:23 112次閲讀
移動機器人底盤發展前景分析

機器人在安防行業的應用

當前,安防行業的發展,有幾個重要問題亟待解決:用工需求充足,但出現嚴重的用工荒問題;從業者文化素質較....
發表於 2021-06-25 09:56 98次閲讀
機器人在安防行業的應用

鴻蒙系統有什麼優點

鴻蒙系統是一款面向未來的系統,一款基於微核的面向全場景分佈式操作系統。 那鴻蒙系統為什麼這麼牛呢: ....
發表於 2021-06-24 18:05 375次閲讀
鴻蒙系統有什麼優點

Relativity Space公司宣佈推出Te...

近日,Relativity Space公司宣佈推出Terran R,這是一款高65米、全3D打印的兩....
發表於 2021-06-24 17:30 208次閲讀
Relativity Space公司宣佈推出Te...

特斯拉發佈最新超級計算機為下一代自動駕駛人工智能...

近日,特斯拉公佈了新型超級計算機,就每秒浮點運算(FLOPS)而言,它是世界上排名第五的超級計算機。....
發表於 2021-06-24 11:37 335次閲讀
特斯拉發佈最新超級計算機為下一代自動駕駛人工智能...

在人工智能神經網絡ADC設計方面各位有什麼見解呢?

最近在看人工智能神經網絡存算一體這些方面的ADC設計方向,貌似跟一般的ADC方向是一樣的,都是希望朝着低功耗高...
發表於 2021-06-24 08:17 0次閲讀
在人工智能神經網絡ADC設計方面各位有什麼見解呢?

MINIEYE榮獲2021最佳汽車解決方案

美國當地時間2021年5月25日,邊緣人工智能與視覺聯盟 (Edge AI and Vision A....
發表於 2021-06-23 16:00 194次閲讀
MINIEYE榮獲2021最佳汽車解決方案

如果我的大數據足夠大,是不是我也能創造智能?

人工智能究竟是什麼? 機器人能思考嗎? 如果我的大數據足夠大,是不是我也能創造智能? ...
發表於 2021-06-17 10:10 0次閲讀
如果我的大數據足夠大,是不是我也能創造智能?

人工智能未來的突破點究竟在哪裏?是電子硬件還是軟件呢?

在給定的硅片上能裝多少個晶體管? 人工智能未來的突破點究竟在哪裏?是電子硬件還是軟件呢? ...
發表於 2021-06-17 06:13 0次閲讀
人工智能未來的突破點究竟在哪裏?是電子硬件還是軟件呢?

恩智浦的無線連接主要體現在哪幾個方面?

物聯網和人工智能(AI-IoT)已經到來,如何在這場即將到來的大規模市場中取勝? 恩智浦的無線連接主要體現在哪幾...
發表於 2021-06-16 08:30 0次閲讀
恩智浦的無線連接主要體現在哪幾個方面?

如何用卷積神經網絡方法去解決機器監督學習下面的分類問題?

人工智能下面有哪些機器學習分支? 如何用卷積神經網絡(CNN)方法去解決機器學習監督學習下面的分類問題? ...
發表於 2021-06-16 08:09 0次閲讀
如何用卷積神經網絡方法去解決機器監督學習下面的分類問題?

labview調用深度學習tensorflow模型非常簡單,附上源碼和模型

labview調用深度學習tensorflow模型非常簡單,效果如下, 附上源碼和訓練過的模型: [hide][/hide] ...
發表於 2021-06-03 16:38 3264次閲讀
labview調用深度學習tensorflow模型非常簡單,附上源碼和模型

2021第四屆人工智能大會-“AI+語音/圖像”智能技術線上論壇

發表於 2021-05-14 11:17 303次閲讀
2021第四屆人工智能大會-“AI+語音/圖像”智能技術線上論壇