【2024 英特尔On技术创新大会直播我与英特尔的初次相遇】—— AIPC探索下一代的物联网时代_aipc全称(3)

最新推荐文章于 2024-11-14 22:14:16 发布

2401_84862273

最新推荐文章于 2024-11-14 22:14:16 发布

阅读量1k

点赞数 11

文章标签：鸿蒙面试学习

本文链接：https://blog.csdn.net/2401_84862273/article/details/138991249

版权

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

AI压缩技术的发展与应用

Deep Render提议将AI压缩技术引入到渲染中，以提高视频质量。Pipeline压缩利用冗余性进行更精细的调整，如定位每个像素并移动它们。与传统软件相比，基于AI的压缩具有更高的压缩率和更好的性能。Deep Render正在建立一个现代和实体的框架来支持这一技术，并在全球范围内建设最大的AI超级计算机。

英特尔与阿里巴巴在AI领域的合作

阿里巴巴作为英特尔的早期采用者，通过使用intel去解决软硬件之间的问题并且在AI领域取得了巨大的性能提升和成本优化。intel的生成式AI和大语言模型包括阿里巴巴云、腾讯基金会等模型都极大地受益于这些优化。这些模型已经实现了平均三倍的提升速度，并期待在ZMAX CPU上实现更高的带宽内存，这能够带来两倍的性能提升。

AIPC时代的来临与科技创新

AIPC全称为“AI Personal Computer”，即人工智能个人电脑。它是一种新型的个人电脑形态，集成了AI应用加速NPU单元的CPU，并配合支持AI系统和应用的全新PC形态。AIPC不仅内置为用户提供类似ChatGPT的通用大模型，可以方便地让用户通过LLM（自然语言大模型）进行新的交互并有效地提高日常办公的效率和质量，同时也可以在PC上部署安装类似于Stable Diffusion专业大模型进行本地化AI创作。这将彻底改变PC用户的使用习惯和场景，也改变了PC产业的发展未来，使PC由个人计算终端升级成了个人AI应用中心。

在会议中，基辛格先生讲述了AIPC时代的到来，以及如何将人工智能应用到生活中各个领域。提到了在训练和优化大规模模型方面的工作，以及在实现个人、私人和安全的人工智能能力方面的努力。同时，也讨论了与人类互动的NPC模型，这些模型可以在各种场景下使用，为我们的日常生活提供便利。最后，通过展示一些实际的应用案例，展示了AI技术带来的巨大变革。

下面是我印象最深刻的一个应用👇

三维虚拟身材与定制服装的体验

这个服务提供3D虚拟形象和定制服装的搭配建议，帮助用户找到适合自己身材的衣服。

在视频中Fabletics的首席运营官Meera Bhatia介绍了他们是如何通过使用Fit Mask和Fit match技术模拟客户的虚拟形象帮助客户找到合适的衣物。

这不仅解决零售行业普遍存在的身材问题，还能够帮助客户快速购买到自己心仪的衣服，非常适合生活在快节奏时代的我们。

此外，通过这种销售方式还能够快速提高服装的销售量和利润。通过使用英特尔感知相机、LiDAR技术和核心CPU等先进技术，可以为顾客提供个性化的购物体验。为用户提供多样化的选择，包括精选的衣服和裤子，以满足不同体型的需求。

GridConv 实现三维人体姿态估计更高准确率

新型全卷积网格提升网络:基于GridConv 技术在编织状网格姿态域中将二维姿态提升为三维估计**，性能明显优于现有解决方案(AAAI’23，Oral)。**

通过GridConv实现三维人体姿态估计技术，按照以下步骤进行：

**数据准备：**首先，需要准备包含人体姿态标注的三维人体姿态数据集。这些数据集可以包含多个人体的图像和对应的坐标点标注。可以使用公开的数据集，如MPII Human Pose、COCO等。
**数据预处理：**对准备好的数据进行预处理，以便于输入到GridConv模型中。这包括图像的裁剪、大小调整、归一化等操作。同时，还需要将标注的人体姿态坐标转换为适合模型输入的格式。
**构建GridConv模型：**GridConv是一种基于格点卷积的网络结构，适用于处理三维数据。可以使用现有的GridConv实现，如3D-MeshCNN等，或根据自己的需求构建自定义的GridConv模型。
**训练模型：**使用预处理后的数据集对构建好的GridConv模型进行训练。训练过程中，将图像输入模型，通过前向传播计算出模型的输出，与标注的人体姿态坐标进行比较，计算损失函数，并使用反向传播算法更新模型的参数。
**验证模型：**在训练过程中，可以使用验证集对模型进行评估，以监控模型的性能。可以计算预测的人体姿态与标注之间的误差，如均方根误差（RMSE）等指标。
**进行预测：**在训练好的模型上，可以输入新的图像，通过前向传播计算出预测的人体姿态坐标。这些预测结果可以用于人体姿态估计的应用，如姿态识别、动作捕捉等。