CES2018,Intel以AI和自动驾驶反击NVIDIA

Intel在CES2018以精彩的无人机等表演开场,笔者对此不太感兴趣,其后在介绍它在人工智能(AI)和自动驾驶领域所取得进展才是笔者更为关注的,在本次展会上它确实也展示了自己在这两个领域的最新进展。



在CES2018上Intel再次向各界介绍了它的自主学习神经拟态芯片“Loihi”,为了抵御NVIDIA在人工智能领域的强势进攻,Intel先后收购了FPGA芯片巨头 Altera、AI初创公司 Nervana Systems等,LOIHI正是在收购这些企业集成了众多研究成果后推出的神经拟态芯片。

LOIHI 采用了架构到芯片建模、异步设计流程以及基于 FPGA 仿真的圆形算法验证,具有非常节能的特点,拥有 128 个核 + 3 个低功耗 X86 核、可编程的学习规则等特点。AI芯片可以分为两类,一类为人工神经网路(Artificial Neural Network),而另一类为神经拟态计算(Neuromorphic computing),理论上来说神经拟态计算效能更好,但芯片开发难度更大,Intel的LOIHI采用神经拟态计算这条更难的道路可以看出它希望逆袭NVIDIA的野心。

Intel介绍LOIHI芯片拥有自主学习功能,并且可以利用数据来学习和推断,随着时间延长能变得更加智能,可以应用于汽车和工业生产等领域,不过说了这么多优点,这一切还需要在现实中应用以证明它是否具有这些能力,这恰恰是Intel相较NVIDIA的弱点,因为当前在全球的神经网络训练系统大多数都采用NVIDIA的芯片,Intel需要加大力度推广以在市场份额上赶上NVIDIA。

自动驾驶是Intel关注的另一个新兴领域,为此它花巨资收购了全球最大的高级驾驶辅助系统(ADAS)制造商Mobileye,这是Intel在收购Altera之外花费最大的一笔并购,在CES2018上Mobileye 联合创始人 Amnon Shashua 教授乘坐无人车登场,由此足以看出Intel对Mobileye的重视程度,也可以看出它觊觎自动驾驶的广阔市场。

Amnon介绍Mobileye在紧急刹车、车道保持、交通信号识别等方面拥有独有的技术优势,并且应用于当下全球知名汽车企业如福特、通用、奥迪、宝马等汽车企业当中,在CES2018上Intel发布了全新的自动驾驶平台,该平台包含两个 EyeQ5 芯片以及一个凌动芯片。

当然Intel也将它拥有优势的数据中心等与Mobileye结合在一起,当前全球超过九成的数据中心均采用Intel的服务器芯片,此外Intel还拥有自己的通信芯片并正在开发5G芯片,最近还入股了全球知名的高精度地图提供商HERE获得15%的股份,未来有望将这些整合在一起形成一个完整的“车到云”系统,这恰恰是NVIDIA的弱点。Intel正与宝马测试level4的自动驾驶系统,这也是当前最高等级的自动驾驶系统,或许在自动驾驶领域可望实现后来居上。

Intel为我们描绘了一个美好的AI芯片和自动驾驶的美好前景,展示了它在这些领域所拥有的优势。NVIDIA也并没有止步不前,在CES2018上发布了它的是Xavier芯片,这是针对自动驾驶平台而推出的新一代计算核心,集成了8核CPU、512核Volta架构GPU核心,可以预见未来Intel和NVIDIA的竞争会更加激烈。

柏颖漫谈 baiyingmantan


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
【6层】4837.9平米六层框架综合办公楼(含计算书、建筑、结构图纸) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值