浙江省2011年1月高等教育自学考试 网站建设与管理试题与答案,seo优化运营,自响应式网站是什么意思,网站建设资讯平台选自#xff1a;forbes 编译#xff1a;网易智能 参与#xff1a;nariiy在商业软件中#xff0c;电脑芯片已被遗忘。对于商业应用程序来说#xff0c;这是一种商品。由于机器人技术与个人硬件设备联系更为紧密#xff0c;因而制造应用程序仍然更侧重于硬件部分。自20世纪… 选自forbes 编译网易智能 参与nariiy在商业软件中电脑芯片已被遗忘。对于商业应用程序来说这是一种商品。由于机器人技术与个人硬件设备联系更为紧密因而制造应用程序仍然更侧重于硬件部分。自20世纪70年代以来整体上看人工智能AI的现状以及具体到深度学习DL领域硬件与软件的关系比任何时候都联系地更加紧密。而我最近几篇“管理人工智能management AI”的文章与过度拟合和偏见有关机器学习ML系统中存在的两个主要风险。本专栏将深入探讨许多管理人员尤其是业务线经理可能会处理的硬件缩略词问题这些缩略词在机器学习系统中被不断提及图形处理单元Graphics Processing Unit GPU和现场可编程门阵列Field Programmable Gate Array FPGA。这有助于理解GPU的价值因为GPU加速了深度学习应用程序所需的张量tensor处理。FPGA的兴趣点则在于寻找研究新AI算法的途径训练这些系统并开始部署现在正在许多工业AI应用中研究的低容量定制系统。尽管这是关于FPGA进行训练的能力研究讨论但我认为早期使用是源于F现场field的使用。例如训练一个推理引擎机器学习“机器”的核心可能需要千兆字节甚至兆兆字节的数据。在数据中心运行推理时计算机必须管理一个潜在的不断增加中的并发用户请求数。在边缘应用程序中无论是在用于检查管道的无人机中还是在智能手机中设备都必须很小且仍然有效而且还具有适应性。简单地说一个CPU和一个GPU是两个器件而一个FPGA可以有不同的块做不同的事情并有可能提供一个稳健的芯片系统。鉴于所有这些不同的需求最好了解可支持不同需求的系统架构的当前状态。有两类主要的芯片设计可以驱动当前的ML系统GPU和FPGA。在未来的中期至少几年也有可能成为游戏转换者的新技术暗示。让我们来看看。图形处理单元GPU机器学习世界中最大的芯片是图形处理单元GPU。这个主要用于电脑游戏让其在计算机显示器上看起来更好的东西是如何变得对机器学习至关重要的要理解这一点我们必须回到软件层。机器学习目前的冠军是Deep LearningDL系统。DL系统基于各种算法包括深度神经网络DNN卷积神经网络CNN递归神经网络RNN以及许多其他变体。你在这三个术语中看到的关键词是“网络network”。算法是一个主题的变体主题是几层节点 节点和层之间有不同类型的通信。正在处理的是多个阵列或矩阵。矩阵matrix的另一个更为精确的术语是张量tensor因此它在整个机器学习行业中用于诸如TensorFlow之类。现在回到你的电脑屏幕。您可以将它按行和列看作是像素或点的矩阵。这是一个二维矩阵或张量。当你添加颜色添加到每个像素的位大小想要一个快速变化的一致图像的时候计算可以很快变得复杂并且在一步一步的CPU中占用周期。而GPU拥有自己的内存可以将整个图形图像保存为矩阵。然后可以使用张量数学计算图像中的变化然后只更改屏幕上受影响的像素。这个过程比每次更改图像时重新绘制整个屏幕要快得多。NVIDIA成立于1993年旨在创建一个芯片来解决诸如CPU等通用计算机无法解决的矩阵问题。这是GPU的诞生。矩阵运算并不关心最终产品是什么而只是处理元素。这是一种轻微的过度简化因为不同的运算依稀疏矩阵当有很多零时与密集矩阵的不同而有不同的工作方式但内容不会改变运算这个事实依然存在。当深度学习理论学者看到GPU的发展时他们很快就采用其来加速张量运算。GPU对机器学习的发展至关重要推动了数据中心的训练和推理。例如NVIDIA Volta V100 Tensor Core在其基本架构和以更低精度运行推理的能力方面继续加速推进这将是另一个话题意味着更少的位即意味着更快的处理。但是当涉及物联网时还有其他问题需要考虑。现场可编程门阵列FPGA在现场field中所有类型的应用程序都有不同的需求。有很多不同的应用领域车辆管线机器人等等。不同行业可以为每种类型的应用设计不同的芯片但这可能会非常昂贵并且会破坏公司的投资回报率。还可能推迟上市时间错过重要的商业机会。对于那些不能提供足够规模经济市场的高度个性化需求而言情况尤其如此。FPGA是帮助公司和研究人员解决问题的芯片。FPGA是一种集成电路可以编程为多种用途。它有一系列“可编程逻辑块”和一种编程块和块之间关系的方法。它是一种通用工具可以为多种用途进行定制。主要供应商包括赛灵思Xinlinx和美国国家仪器National Instruments。值得注意的是芯片设计成本较低的问题并不能使FPGA成为低价位的选择。它们通常最适用于研究或工业应用。电路和设计的复杂性使其可编程不适用于低成本的消费类应用。由于FPGA可以重新编程这使得其对于新兴的机器学习领域来说很有价值。不断增加算法并通过重新编程块来针对不同算法进行微调。此外低精度推断的低功耗FPGA对于远程传感器来说是一个很好的组合。虽然发明人将“现场field”更多地称为“客户customer”但FPGA在实现AI应用方面的真正优势在实际领域中。无论是对于工厂、道路和管道等基础设施还是无人机远程检测FPGA都允许系统设计人员灵活地使用一块硬件以实现多种用途从而实现更简单的物理设计从而可以更加容易地进行现场应用。新体系结构即将到来GPU和FPGA是目前正在帮助解决如何扩大机器学习对许多市场影响的挑战的技术。他们所做的是让更多人关注这个行业的发展并试图及时创建新的架构来应用。一方面许多公司试图在GPU上学习张量运算的教训。惠普、IBM和英特尔都有开发专门用于深度学习的下一代张量运算设备的项目。与此同时像Cambricon、Graphcore和Wave Computing这样的初创公司也在努力做同样的事情。另一方面Arm、Intel和其他公司正在设计架构以充分利用GPU和CPU并使器件也瞄准机器学习市场据称能够做的不仅仅是集中张量运算对于围绕核心AI流程的其他处理也更加强大。虽然上述一些组织专注于数据中心和其他物联网但现在谈论其中的任何一个都为时尚早。从全球公司到初创公司一个告诫是除了最早的信息外还没有其他信息出现。如果我们最迟在2020年看到最早的器件样品那么这将是一个惊喜所以它们至少在五年内不会上市。未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
