杨澜对话魏少军赵伟国:中国芯片产业应该如何发展?

 

 

2018年全球芯片销售额约为4688亿美元,中国进口芯片3120亿美元,占比2/3。这意味着世界上每生产3颗芯片就有2颗运往中国。

进口到中国的芯片中,大约有一半又被装到整机中出口到全区各地。清华大学微电子所所长魏少军教授在接受网易科技《致前行者》中杨澜的采访时表示,中国本土去年生产了大概370亿美元的芯片,所以实际上真正用到的进口芯片只占进口额的40%,这是中国融入全球化的重要标志。

对此,紫光集团董事长赵伟国也在采访中指出,一方面中国是全球信息产业全球化不可代替的部分,另一方面也说明,中国对进口芯片依赖严重。

赵伟国进一步指出,3120亿美元的芯片进口对中国集成电路企业是机遇也是正面临的危机。中国芯片企业有着广阔的发展前景,但是因为这关系到20万亿的电子信息产业的安全,中国仍然被卡着脖子。

在复杂的国际贸易环境下,中国芯片产业该如何发展呢?魏少军和赵伟国给出了自己的建议。

魏少军认为,在目前的大环境下,中国芯片业发展需要有“战略定力”,不能被别人牵着鼻子走。一方面要大力发展自主芯片业,另一方面要持续开放合作。集成电路产业链长而且复杂,并不需要所有的环节都要自己做,有些环节只掌握核心技术就可以了。

魏少军还强调,闭关锁国的历史证明,自我封闭意味着落后和倒退。融入全球化,多交朋友,开放合作,路才能越走越宽。他还驳斥了“走自己的路让别人无路可走”这一被人奉为神明的观点。

赵伟国也表达了类似的观点,他表示:“第一,我们能做的尽量做好,第二,我们要尽可能和别人紧紧地拥抱在一起,缠斗在一起,你想甩我都别想甩掉!”

发展中国芯片能靠资本运作吗?赵伟国针对这一问题回答道:“进入一个新领域相当于渡河,我们要把桥头堡买下来才能进入真正的战场。”

据他介绍,紫光在发展早期通过并购的形式获得了完整的团队、技术甚至市场,这主要是为了节约时间,通过付出更多的金钱来提升效率。

目前,紫光在通讯芯片领域已经跻身全球前三, 5G等专用芯片相继推出,在储存芯片领域迎头赶上,紫光集团旗下的长江存储宣布,在今年9月量产基于Xtacking架构的64层256GbTLC 3D NAND闪存。

关于集成电路行业的重要性,魏少军认为,这个行业还会持续发展几十年甚至上百年。如果中国有一家公司市值超过1000亿美金,收入至少超过300亿美金,有3到5家超过100亿美金,这时候的中国集成电路产业才能在全世界算得上是前三强。

赵伟国也表示,在这一如此重要的行业里,中国目前仍处于“抗日战争”刚结束的阶段,解放战争才刚刚开始。“这场战争恐怕不是三年就能打赢,需要五年十年甚至更久。”他如是说道。

芯片产业技术门槛高、研发周期长、投资回报周期更长。魏少军表示,中国想要成为芯片强国,首先要戒骄戒躁。无论产品技术多么好、得到多少人的赞扬、得到了什么奖励,通通不承认,承认的是在市场上卖了多少,在市场上论英雄不能靠忽悠,要靠真才实学。

赵伟国则认为首先要解决人才断档和投入不足的问题。地方政府狂热的招商,一些企业仅靠政府补贴和投资人来生存,这造成了很大的资源、人力分散。

据了解,目前我国芯片从业人员缺口高达30万。对此,魏少军表示,芯片人才培养的周期过长,大学毕业生很难被企业用起来。行业内往往通过不合理的挖角来解决人才空缺问题,这些人的工资拉高了,整体素质却没有跟上。

魏少军建议,首先应该鼓励一批不是从事集成电路的人,转型到集成电路事业当中,并且加大企业的在职培训,通过提升在职人员的技术水平,能够使他们满足现在需求。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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