<li id="ipq7q"><acronym id="ipq7q"></acronym></li>
  • <rp id="ipq7q"></rp>
  • <li id="ipq7q"><acronym id="ipq7q"></acronym></li>

    <th id="ipq7q"><pre id="ipq7q"></pre></th>
  • <th id="ipq7q"><pre id="ipq7q"></pre></th>
    <dd id="ipq7q"></dd>

    1. <th id="ipq7q"><track id="ipq7q"></track></th>

    2. (深度)AI的深刻變革:云和端的再平衡,智能終端

      11/17

      投資要點

       

       區別于市場的觀點:當所有分析師都在談論“人工智能+”的時候,我們還是從AI帶來的最深層次的IT產業變革來尋找投資機會。IT架構的深層次變化,其意義遠大于去分析所謂的“AI+”。

       

      人工智能時代終端硬件智能選擇。AI時代算法迭代制約深度學習能力發展,底層基礎技術的計算能力大大提高使得算法不斷創新,GPU集群就是這類基礎體系之一。以深度學習訓練為目標的GPU集群在數據量快速積累的前提下,深度學習算法模型創新加速,同時好的算法模型能夠以硬件FPGA和ASIC方式在應用中加速,形成一個智能迭代正循環。因此GPU集群的算法創新迭代以及全能型芯片FPGA和低功耗ASIC都是人工智能對基礎信息架構的智能選擇。

       

      計算存儲融合加速人工智能應用。計算、存儲和網絡融合的關鍵是各配件性能接近,高速存儲的發展補全了高速計算單元最后一塊拼圖。3DNAND和NVMe大大提高了帶寬和降低讀寫延時。3D-Xpoint等新型存儲產品可能使得計算和內存之間傳統傳輸方式打破。新的神經網絡芯片架構突破馮諾依曼架構瓶頸,計算存儲高度融合將為類人腦神經單元方式提供可能,人工智能的應用目標更為明確,即如何找到目標而不是保存目標的特征。

       

      終端智能化成為未來趨勢。相比傳統終端更多是數據采集和傳輸,智能終端對于特征數據的抓取和數據預處理能力大大提高。隨著智能芯片和算法的升級,其自身具備更多提取特征值和壓縮的功能,為數據查找和傳輸降低門檻?,F在各行各業都看到了未來人工智能化的趨勢,尤其是安防、無人駕駛、可穿戴設備、智能家居、智能機器人等。隨著國內“智慧城市”、“平安城市”的不斷建設,安防領域將會走在人工智能的前列。

       

      AI時代計算存儲解決在邊緣終端。隨著高速計算單元和大容量閃存在終端的配置,智能終端將具有更強計算、存儲、數據壓縮能力,這一趨勢將減少云計算通用處理器和網絡傳輸帶寬的壓力,為未來物聯網的發展做好鋪墊。

       

      風險提示。1. 人工智能應用推進不達預期;2.智能終端下游需求不足;3技術路線發生重大變化。

       

      1 人工智能時代終端的智能選擇

       

      終端設備一路走來經歷了單片機、PC機、ARM、智能手機和平板的時代,語言和算法也從簡單匯編、C語言、Java發展到了神經網絡算法階段,現在的智能終端已經在芯片和存儲的發展推動下具有了強大的算力,GPU/FPGA/ASIC都將越來越多地應用于終端芯片,閃存的快速發展也使得終端存儲的容量和性能更優。未來我們看到的攝像頭、車載電子、智能家居或許在外形上和從前沒有發生太大的變化,但其底層基礎信息架構和深度學習的能力可能已經發生變革。

       

      1.1   英偉達:榮耀背后的厚積薄發

       

      1.1.1        英偉達的爆發

       

      英偉達近日公布截至2017年4月30日的2018年第一財季季報,財報顯示,英偉達營收19.4億美元,同比增長48.4%,凈利潤5.07億美元,同比增長144%。每股收益0.85美元,比去年同期增長126%。英偉達第一財季業績遠超預期,第二財季展望也非常樂觀。NVIDIA(英偉達)創立于1993年,總部位于美國加州,是享有盛名的智能芯片廠商,在本輪人工智能的浪潮中,微軟、谷歌、亞馬遜、特斯拉以及大大小小的AI公司幾乎都在使用英偉達的AI芯片。2015年9月起,其股價一路高歌猛進,至今已經翻了五倍以上。

       

      1.1.2 英偉達的轉型之路:在挫折中快速發展

               1993年英偉達成立,旨在制造速度更快,能產出更真實畫面的游戲特制芯片。當時聯合創始人黃仁勛、Chris Malachowsky以及CurtisPriem看到了剛剛興起的游戲專用圖像處理器市場,研發專用芯片去加速電子游戲中的圖像渲染速度,提高玩家的游戲體驗。兩年之后,英偉達推出首款游戲主機加速器NV1。直到今天,這項業務依然是英偉達營收的重要組成部分。

              1999年推出GPU,但在當時計算能力制約著深度學習的發展。GPU可以用來加速圖像處理速度以提高游戲中的玩家體驗,同時,強大的計算能力也有著通用計算的潛力,比如可以應用到深度學習等對計算能力要求很高的領域。深度學習最早興起于20世紀60年代,也被稱作神經網絡,是機器學習的一個分支,它可以用來進行語音識別以及圖像識別、圖像分類等。但是由于計算精度嚴重依賴于網絡的層數或者說復雜度,網絡越復雜,訓練樣本即數據輸入越多,迭代計算次數越多,計算結果的精度越高,所以對計算能力有著很高的要求。當時的計算能力無法滿足深度學習的要求,所以深度學習的發展一直沒有很大的突破。

       

              GPU 加速計算是指同時利用圖形處理器 (GPU) 和 CPU,加快科學、分析、工程、消費和企業應用程序的運行速度。GPU 能夠使從汽車、手機和平板電腦到無人機和機器人等平臺的應用程序加速運行。

              2006年,英偉達發布了CUDA編程工具包,研究人員可以以更快更廉價的方式開發深度學習模型。為了使得用于做3D渲染的GPU可以應用在通用計算領域,英偉達推出了CUDA(Compute Unified DeviceArchitecture)技術。CUDA框架使得GPU可以通過更加方便高效的接口和開發者進行交互,開發者就可以充分利用GPU的運算資源。自此之后,英偉達的所有GPU都逐步支持CUDA。

              CUDA(統一計算設備架構)既是一個并行計算平臺,又是一種編程模型,可利用圖形處理器 (GPU) 的能力,顯著提高計算性能。自推出以來,CUDA 已被廣泛部署于數千種應用程序,應用領域包括天文學、生物學、化學、物理學、數據挖掘、制造業、金融以及其他計算密集型領域。

              2010年,在深度學習發展史上發生了具有里程碑意義的事件:斯坦福的軟件語言學教授吳恩達(Andrew Ng)會見了Google當時的 CEO ,決定開發Google Brain(深度學習+GPU)。在這樣一個事件之后,不僅互聯網巨頭們紛紛開始布局人工智能與深度學習,AI逐漸滲透到了各個領域?;谏顚訉W習,英偉達持續優化其硬件并始終保持良好的市場份額。

      在挫折中快速發展?;仡櫽ミ_的發展歷程,GPU行業中形成過與ATI兩家鼎立的局面,也因為技術原因與微軟合作失敗而遭到微軟和英特爾巨頭圍剿的艱難時光;不斷革新技術,推出CUDA(統一計算設備)架構,也曾因為競爭對手的相似解決方案導致產品失敗。2009年以來,基于CUDA的GPU在高性能計算領域威力凸顯,人工智能在通用GPU下實現重大突破,帶來大量客戶。英偉達繼續布局CUDA軟件生態系統,業務開始爆發。2016年,英偉達發布Pascal架構的Tesla芯片,在GPU市場份額達到70%,應用層重點布局自動駕駛??梢钥闯?,英偉達的發展道路并不是一帆風順的,有挫折有危機也伴隨著機遇?,F在之所以處在AI大市場的中心正是因為英偉達一直以來堅持對GPU+CUDA的布局,堅定的看好GPU的計算能力,迎來了屬于GPU的時代。

              為了抓住人工智能市場,英偉達為深度學習打造了一系列產品。從超級計算機到智能車輛計算平臺;從VR游戲顯卡到為網絡服務商提供的加速器,再到為數據中心提供的加速器。Nvidia已經形成了從大數據訓練系統、數據中心推理系統、到智能駕駛終端應用的全方位深度學習平臺布局。

      1.1.3        主營業務分析

             電子競技、VR驅動游戲業務強勁增長:根據英偉達官方數據,過去5年(FY2012-2016)來,游戲業務收入年均復合增長率(CAGR)達21%,平均銷售價格(ASP)增長11%,平均銷售量(ASU)增長9%。

             VR 驅動游戲業務高速增長。據英偉達Q4FY2017,當季游戲業務營收為13.48 億美元,占總營收的62.1%,同比增長 66%。虛擬現實對高端獨立GPU需求強勁,未來VR將成為強大推動力。據Gartner 估計,2020年全球高端VR硬件設備出貨量有望達到2600萬臺。伴隨著VR行業的高增長,英偉達在游戲行業中的成長動能可望持續。

             將VR帶給設計師、藝術家和科學家:在專業視覺化領域,英偉達通過Quadro平臺,一方面將為設計師、藝術家、科學家等終端用戶提供產品,另一方面為開發者提供SDK、插件等,來豐富軟件應用。

            英偉達通過兩大網絡部署其數據中心產品——Tesla GPU:1)第一是服務器制造商比如Dell,IBM等,這些公司將Tesla平臺集成到他們的數據中心服務器中。目前,超過400款服務器機型都裝配了Tesla;2)第二是云服務提供商,例如微軟Azure、亞馬遜AWS EC2、以及阿里云等。

             2013 年 SC13 大會上NVIDIA與 IBM 宣布,兩家公司計劃在 GPU 加速版本的 IBM 系列企業軟件應用上展開合作。此舉標志著 GPU 加速器技術首次突破了超級計算領域,進入到企業級數據中心當中。2017財年數據中心業務收入暴增1.99億美元,由2016財年Q4同期的9700萬美元暴增到2017財年Q4的2.96億美元達到205%的增幅。得益于深度學習和人工智能技術的普及和在工業界的推廣,大量的數據中心開始采用英偉達的GPU等其他產品。

               無人駕駛無人匹敵。剛剛落幕的CES 2017大會上,英偉達CEO黃仁勛為CES做了開幕演講,介紹了公司在無人駕駛的整體布局。根據Lux Research預測,到2030年,自動駕駛汽車有望達到870億美元規模,軟件市場甚至更大。目前,英偉達在自動駕駛汽車領域無論是硬件還是軟件都占據重要地位,雖然英特爾和德州儀器等半導體制造商也在試圖進入這一領域,但目前還無法與英偉達匹敵。

              加速布局智能駕駛。英偉達依靠GPU加速與深度學習完美適配的先天優勢,從車載超級電腦平臺和人工智能駕駛系統兩個角度發力。英偉達也宣布了一系列合作伙伴:首先是Audi,兩家公司共同打造無人駕駛汽車,預計在2020年推出level 4的高度自動化汽車能夠上路;第二是地圖服務商,包括百度、TomTom、HERE等,開發高精度導航地圖;第三是博世、采埃孚等汽車零部件公司,優化無人駕駛系統,開啟英偉達DrivePX 2智能駕駛平臺的商業化路徑。

             開發AI Co-Pilot人工智能協同駕駛:基于Drive PX 2平臺,將包括四大感知功能:面部識別;頭部追蹤;眼部追蹤;唇語識別。目前仍在開發中,已經實現了識別唇語和面部朝向的功能。英偉達正和奧迪共同研發奧迪Q7自動駕駛概念車,計劃2020年前將實現L4高度自動駕駛級別。博世將聯手英偉達,開發一套基于Drive PX 2平臺,未來推廣向博世在全球的量產車型。

             從終端應用類型分, NVIDIA的產品服務于游戲、專業圖形化、數據中心、汽車、OEM & IP五種需求。游戲領域收入的穩健增長、數據中心和汽車領域銷售收入的爆發是NVIDIA收入增長的原因。游戲領域一直是NVIDIA盈利的主要來源,專業圖形化領域一直為NVIDIA貢獻穩定的收入,數據中心領域是NVIDIA未來發力點之一,智能汽車領域是NVIDIA未來另一個發力點,OEM& IP(OEM是英偉達與品牌機廠商的合作業務,IP是專利授權的業務)是NVIDIA的另一大傳統收入。
       

      1.2   AI時代智能平臺高速計算和存儲解決方案

      1.2.1        腦細胞一定要多–GPU/FPGA/ASIC

              從計算機問世以來,CPU作為通用處理器就承擔著機器“大腦”的職責,負責控制與計算功能。然而,CPU的設計架構決定了它計算能力的提升空間并不大,因為將近3/4的晶體管都用來實現Cache(高速緩存)的功能,又存在著相當大的面積去實現復雜的控制功能,而用于計算的ALU單元資源就很有限了。同時,一味地提高頻率會造成芯片功耗過大帶來的發熱問題。而目前適合用于處理神經網絡算法,適應于人工智能需求的計算平臺有GPU(圖形處理器)、FPGA(現場可編程邏輯陣列)以及ASIC(專用集成電路)等。

             GPU之所以被認為訓練深度學習模型的重要基礎芯片,主要是其有大量的核(多達幾千個核)和大量的高速內存,最初被設計用于游戲,計算機圖像處理等,后被發現擅長做類似圖像處理的并行計算。GPU擅長海量數據的處理,平行處理大量瑣碎信息,被應用到“深度學習”領域。以英偉達Tesla K40為例,浮點計算能力的峰值為4.29T/s。

             FPGA即可編程邏輯陣列,僅僅是提供了輸入輸出以及邏輯單元等硬件資源,具體的電路實現都是通過硬件描述語言HDL來配置的。用HDL描述的邏輯被編譯成晶體管級的組合,所以FPGA不受固有架構的影響,每一個算法的實現都可以“定制化”。所以在可以利用并行加速的人工智能算法中,只要設計人員采用并行計算等技巧對運算進行加速,FPGA就可以實現目標功能。FPGA中的大量門電路全部都可以被用來作為計算單元,以Xilinx的V7-690T為例,包括3600個DSP(數字信號處理)單元,最高可以達到1.8T/s的浮點計算能力。

             ASIC就是專用集成電路芯片,是為了某一類需求而特別定制的芯片。與FPGA相比,ASIC一旦確定電路結構就不能再改變,算法是固定不變的。這樣定制的芯片對于某一特定的算法效率更高,功耗也更低。但是缺點也顯而易見,算法一旦改變原有的芯片就不能再使用了。芯片出貨量越大成本越是低廉。所以,對于成熟的算法,芯片需求量大的場景ASIC是非常適合的。

            可以說,GPU是相對更加通用化的計算平臺,FPGA是可編程重新配置的用于專用計算的平臺,而ASIC是為了專用計算而產生,一旦生產出來,電路就固化無法改變。這三類硬件系統各有優劣,而且使用場景不同。GPU從圖形處理領域逐漸進軍智能駕駛、圖像識別等AI領域,市場上以英偉達的芯片占比最多。FPGA一次性成本低廉,目標市場是企業軍工市場。ASIC一次性成本很高但在量產的情況下可大大降低成本,適合于消費電子市場。

       

      1.2.2        唯快不破的新型閃存技術

             智能攝像頭、智能音箱、智能手機大多數的嵌入式設備都能看到閃存的身影,閃存的存儲單元是場效應晶體管,是一種受電壓控制的三端器件,相比于傳統機械運動的磁盤有著速度快,帶寬高,體積小和能耗低的特點,非常適合應用于嵌入式智能系統。目前主流應用于嵌入式系統的閃存一般為16-64GB 閃存標準eMMC,未來有向閃存標準UFS發展的趨勢,速度也將直逼系統級閃存標準SSD。從存儲介質來看,性能的提升是必然的趨勢,未來發展的3D Xpoint和相變存儲技術將在耐用性和速度上有一個1000倍的提升。

             英特爾和美光推出的3D Xpoint技術創新高密度設計得益于交叉點結構、非易失、高耐久性和存儲層次的改變,當然預計未來價格在DRAM(每GB5美元左右)和NAND(每GB25美分左右)之間,無法短期內大規模應用于終端,最有可能首先應用于數據中心,但根據官網的數據,跨PCIe/NVMe接口的3D XPoint能夠提供NAND閃存延遲的千分之一和1000倍的耐久性,這意味著該介質未來無論在內存或者存儲領域都將處于重要的地位。巨頭之間的較量從來沒有停止,IBM的相變存儲和三星也在蓄勢待發。

             閃存在智能終端的使用已經比較普及,主要的原因是體積小、速度快、能耗低和帶寬高等特點,沒有機械裝置也使得可以在更加復雜的環境中應用。傳統的馮諾依曼架構在數據的傳輸上消耗的時間較長,未來神經網絡算法更多是并行處理打破了傳統的馮諾依曼結構,性能更高和價格更便宜的閃存技術在未來將替代部分內存功能,實現計算和存儲更大的融合。

       

      1.2.3        有容乃大的新型閃存技術

              NAND閃存介質有SLC、MLC和TLC類型之分,NAND的制程工藝不斷進步,從早期的50nm一路發展到目前的15/16nm,提高容量、降低成本,但NAND閃存跟處理器不一樣,先進工藝雖然帶來了更大的容量,但NAND閃存的制程工藝是雙刃劍,容量提升、成本降低的同時可靠性及性能都在下降,因為這和NAND工藝有關,以至于制程工藝達到某個點后成本優勢逐漸消失。3D NAND的解決思路便出現了。廠商不再單單提高制程工藝,同時關注堆疊的層數。這樣3D NAND閃存的容量、性能、可靠性有了保證,目前比如東芝的15nm NAND容量密度為1.28Gb/mm2,而三星32層堆棧的3D NAND可以輕松達到1.87Gb/mm2,48層堆棧的則可以達到2.8Gb/mm2。

              3D NAND技術是從2D NAND平房建成了高樓大廈,從三星2013年開始量產3D NAND閃存,到Intel和美光3D NAND最后入場并帶來殺手锏閃存3D XPoint。閃存SSD容量也一路從2015年16TB發展到了2017年64TB容量,并且這個趨勢沒有絲毫減緩的跡象。智能終端多使用eMMC和UFS的標準,雖然性能上不如PC端SSD,但容量的擴大將對終端數據存儲和數據庫比對能力大大提升,智能終端配置智能芯片和大容量存儲,能快速提取圖像特征值存儲并和目標數據庫進行高速比對,避免了大量數據傳輸到后端才能處理的延時。

       

       

      2終端智能化成為未來趨勢

              

             終端設備智能化是未來的發展趨勢。在大數據時代,數據中心是一切計算的核心,每時每刻都有海量的數據在云端進行不同的計算處理再傳輸到世界的各個角落,現在人工智能的發展更是離不開海量的數據與強大計算能力的硬件平臺。然而,面對正在爆發式增長的數據,對數據傳輸和存儲的要求都與日俱增,成本開銷也越來越大。通過嵌入式計算平臺,將終端設備不斷智能化,使之在本地可以進行全部離線計算或者部分計算是未來人工智能發展的趨勢。

              現在各行各業都看到了未來人工智能化的趨勢,尤其是安防、無人駕駛、智能家居、智能機器人等。隨著國內“智慧城市”“平安城市”的不斷建設,安防領域將會走在人工智能的前列。而海量的視頻傳輸以及存儲起來成本巨大,攝像機能夠離線進行一定的計算將會大大減輕數據中心的壓力。在無人駕駛領域,特斯拉、谷歌、百度、騰訊等各個巨頭都在不遺余力的研發對應的自動駕駛汽車,而自動駕駛就需要實時分析通過車輛傳感器、攝像頭傳輸過來的路況行人等各種信息,利用深度學習對這些數據進行處理也需要有強大計算能力的智能化硬件支持,比如特斯拉Model X就搭載了英偉達Drive PX 2。

       

      2.1   智能終端使決策和響應更及時

      2.1.1        實例:??低暻把b英偉達人工智能計算平臺Jetson

              2016年10月在??低暤男缕钒l布會上,??低曂瞥隽嘶谏疃葘W習的一系列智能安防產品:“深眸”系列智能攝像機、“神捕”系列智能交通產品以及“臉譜”系列人臉分析服務器等。并宣布與英偉達達成合作伙伴關系,聯合發布了最新雙目智能攝像機,依托英偉達嵌入式人工智能計算平臺Jetson TX1可以實現強大的視頻捕捉功能,該攝像機把智能分析模塊一起嵌到攝像機組里,不需要連接后端服務器,將攝像機組“武裝”成軟硬件一體化的“武林高手”。

              “深眸”系列攝像機由槍機、筒機、球機、雙目、多目、鷹眼等一系列形態各異的產品組成,其依托強大的多引擎硬件平臺,內嵌專為視頻監控場景設計、優化的深度學習算法?;谏疃葘W習技術,它可以支持人臉識別、人員行為分析、人體屬性分析、人臉動態對比等多種智能檢測,具備比人腦更精準的安防大數據歸納能力??梢詫崿F在各種復雜環境下人、車、物的多重特征信息提取和事件檢測,可充分滿足多場景、多行業的應用需求。

             英偉達1993年成立伊始立足于游戲顯卡,不斷進行技術創新尋求計算性能的逐步提高,1999年開創性的提出GPU,2006發布CUDA編程工具包,以其卓越的人工智能芯片為深度學習提供底層計算支持,已經從一家圖形芯片公司轉型為一家全球領先的GPU計算技術提供商。此次??低暸c英偉達達成合作就是看中了英偉達人工智能專用GPU芯片強大的視覺計算能力以及低功耗的優勢。

              ??低暣舜魏陀ミ_聯合發布的這款雙目智能攝像機采用的是雙目技術,搭載兩個圖像傳感器,精確獲取目標的三維信息。隨著安防行業的不斷發展,智能視覺分析技術的使用場景越來越多樣化?,F在有多種多樣的視覺處理技術,比如雙目技術、多球機聯動跟蹤技術、面向事后應用的智能技術以及視頻拼接技術。雙目技術就是利用視差原理,通過不同位置的圖像采集設備獲取物體不同角度的兩幅圖像,對兩幅圖像進行一定的位置偏差計算就可以得到物體的三維幾何信息。同時,由于雙目技術是基于兩個不同角度的圖像處理技術,可以分析目標的位置坐標、姿態信息、與背景的距離就可以得到其速度等移動信息,達到立體視覺跟蹤的效果,可以應用在復雜的追蹤環境中。

              JetsonTX1專門為視頻監控場景中的計算而研發,集成了高效的深度學習算法。在深眸雙目人臉攝像機中,Jetson TX1完成了圖片快速比對,人臉高效識別的功能,可以達到攝像機實時進行至少6萬張二代身份證照片的小庫比對。傳統的人臉識別產品都是采用前端攝像機抓拍圖片,后端服務器計算比對的模式,而該深眸攝像機組可以不依托服務器而實時進行圖像處理,人臉識別,極大提高了識別效率,而這些都得益于英偉達強大的計算機視覺處理芯片。

              今年3月份,英偉達宣布Jetson系列也將進入Pascal 架構時代。4月份舉辦的Jetson TX2 Editor's Day 活動中,英偉達向外界展示了最新推出的Jetson TX2。與上一代產品TX1相比,GPU架構從Maxwell變成了Pascal,內存從4GB升級到了8GB,存儲也從16GB eMMC升級到了32GBeMMC,數據處理量與效率都得到了進一步提高。并且允許通過提高功耗的方式加快平臺計算能力,最多可以達到TX1兩倍的計算能力。值得注意的是,TX2與TX1的物理封裝完全相同,如果要對深眸雙目攝像機進行更新換代只需要簡單替換計算平臺,簡潔高效。

             不僅僅是安防產商致力于將攝像頭智能化,近日微軟在2017開發者大會上公布了名為“AI for Workspace Safety”的新技術,以計算機視覺為主,將所有的監控攝像頭AI化,達到“搜索世界”的目的,現在仍然在測試階段。

       

      2.2   智能終端解決人機交互和數據壓縮

      2.2.1        實例:特斯拉汽車搭載英偉達Drive PX 2

             智能駕駛的關鍵就是通過傳感器、攝像頭以及雷達等得到外界環境信息,通過一定的算法對這些信息進行處理給汽車以正確的指令。在人工智能的時代,可以通過深度學習使得汽車不斷進行學習,經過充分訓練之后無人駕駛就有了實現的可能,但是深度學習依賴具有強大計算能力的硬件。特斯拉的自動駕駛軟件系統“Tesla Vision”就是基于英偉達的Drive PX 2計算平臺,利用GPU來進行計算的加速。據英偉達官方介紹,Drive PX 2提供的處理能力超過以前系統的40倍,它運行了特斯拉開發的神經網絡,用于視覺、聲納和雷達處理。

              現在特斯拉的所有車型上或多或少都具有一定的計算能力,使得他們在未來有實現自動駕駛的潛能。汽車越來越智能化有助于緩解交通壓力以及降低交通事故發生的可能性。不僅僅是汽車,在人工智能的時代,終端將會具有計算能力,多元輸入的數據會經過合理的壓縮和處理,決定保留哪些參數,哪些就會永遠的拋棄。經過壓縮,每個自動駕駛汽車形成的小網再和整個大的車聯網進行有效的通信。

       

      2.3   智能終端符合應用輕量級趨勢

      2.3.1        實例:可穿戴設備

              智能手表、智能眼鏡等智能化的可穿戴設備逐步走進我們的日常生活。在可穿戴設備領域,這些日常用品都具有了一定的計算能力甚至日后可以在萬物互聯的時代代替手機實現一些交互,比如顯示智能烤箱的菜單和食譜等??纱┐髟O備領域一個亟需解決的問題就是能耗問題,為了降低功耗,延長待機時間,在這些設備中就可以嵌入低功耗且計算能力強大的GPU。比如Imagination Technologies發布的PowerVR圖形處理器IP 內核就是一個可以兼容Android 系統的 GPU 解決方案。

             AppleWatch中搭載的是S1芯片,包含了30幾個獨立部件,根據ABI的拆解照片顯示,S1芯片有一顆8GB閃存芯片、ADIAD7194觸摸屏控制器、IDTP9022無線充電芯片、AMSAS3923NFC信號放大器、NXPNFC控制器以及Dialog(D2238A)電源管理組件。提供類似于手機的通知和控制功能,比如信息郵件提示、電話接打、日歷、運動追蹤Activity、Siri、音樂等多種功能。硬件上也搭載了PowerVR驅動器以及GPU。

           

      3AI時代計算和存儲發生在邊緣網絡

       

      3.1   深度學習計算單元讓云變得更輕

      3.1.1        實例:谷歌的TPU

              谷歌這個云巨頭有著巨大的運算量需求,有別于其他云廠商大量地建設更多的運算中心,谷歌開發了適用于AI計算的高性能專用硬件—TPU。官方網站上TPU的AI運算測試比NVDIA K80GPU平均速度快15-30倍,比服務器級Intel Haswell CPU快70多倍,雖然benchmark的選擇都是因芯片而異,同時對于某些特定負載運行效率也表現不好,隨著巨頭決定未來持續投入并更新TPU架構,該芯片在未來工業界將有一席之地。

             想象中的云計算中心往往是服務器農場,成千上萬的通用服務器帶著CPU通用處理器日以繼夜在運轉。TPU是典型的ASIC芯片,屬于特定應用領域的專用處理芯片。谷歌之所以能夠做到這件事情,是因為谷歌的市場容量足夠大。設想一下谷歌作為搜索引擎最普通的一個需要,即應用上萬個通用中央處理器運行7天來訓練一個識別貓臉的深度學習神經網絡,他完全可以打造一款深度學習處理器,用以完成數據中心需求最大的GMM-HMM等經典模型訓練。未來的云計算中心隨著神經網絡深度學習專用芯片的使用和專用GPU加速服務器的應用,基礎信息設施將走上輕量級,專業化和高效化的道路。

       

      3.2   高密度存儲使終端具有更強學習能力

      3.2.1        實例:智能家居的AI應用

              Echo是亞馬遜于2014年發布的一款家庭智能音箱,通過內置的Alexa語音交互系統可以實現語音購物、語音支付、語音點歌等功能,同時,Echo基于亞馬遜AWS云服務,隨時與云端相連,當Echo被喚醒以后,用戶可以通過云獲取互聯網上的信息,比如新聞天氣等。

             由于Echo沒有配置顯示屏幕,所有功能都是通過語音交互進行的。在家庭的場景中如何讓Echo能夠辨別出哪些是命令哪些是普通交談就用到了亞馬遜一直研究的機器學習技術。比如在播放著電視機節目的客廳里,用戶說出了Alexa,Echo就會通過內置的算法對其他雜音進行屏蔽而被用戶喚醒。

              據研究機構CIRP統計,截至2016年4月,Amazon Echo的銷量已經突破300萬臺,而語音助手Alexa有希望能為亞馬遜的另一支柱業務。

       

      3.3 提取數據特征值管理熱數據和冷數據

      3.3.1 實例:公安犯罪嫌疑人特征

              熱數據在公安抓捕犯罪嫌疑人的過程中,能派上大用場。隨著監控攝像頭的布局越來越廣,智能終端將攝像頭采集信息和自身存儲特征數據庫信息進行比對,能迅速找到犯罪嫌疑人。時間久遠的視頻無法在近期偵破案件的過程中派上用場,但不能馬上予以刪除。若將所有的視頻全部存儲,則會耗用大量的存儲空間,其中許多無用信息將造成存儲空間的浪費。因此,在公安鎖定犯罪嫌疑人的過程中,將結合人臉識別與冷熱數據分類技術,將識別到犯罪嫌疑人行蹤的數據劃歸為熱數據,提取特征值終端存儲以備日后多次訪問和高速比對;而將其它數據劃歸為冷數據,遷移至相應的冷數據層,減少存儲的能耗以及存儲空間的浪費。

             數據存儲的二八定律一般用來劃分熱數據和冷數據在存儲硬件需求上的配置。在傳統數據庫中,準確劃分熱數據和冷數據的問題一直存在,對應數據庫中的概念就是某些表很熱(訪問次數多),但有些表很冷(訪問次數少),而這些數據熱點問題最終都會落在存儲介質上。一般而言,應對熱數據問題傳統解決方案是加大存儲緩存Cache或使用閃存設備加速,而將冷數據遷移到低速的存儲介質,隨著閃存技術發展和大量應用,終端數據壓縮和智能識別能力提高,冷熱數據數據不同管理成為趨勢,隨之產生熱數據中心、冷數據中心、智能數據湖等。

       

      4風險提示       

              1. 人工智能應用推進不達預期;2.智能終端下游需求不足;3技術路線發生重大變化。

       

      來源:宏達說

       

      注:版權屬于原作者,文中內容僅供參考,不代表本平臺立場,不構成任何投資建議,轉載的目的是為了更好的傳遞和分享信息。

      分享到:

      ? 2012-2021 ZheLing Investment. 網站備案號:粵ICP備16051314號 Powered by MetInfo

      <li id="ipq7q"><acronym id="ipq7q"></acronym></li>
    3. <rp id="ipq7q"></rp>
    4. <li id="ipq7q"><acronym id="ipq7q"></acronym></li>

      <th id="ipq7q"><pre id="ipq7q"></pre></th>
    5. <th id="ipq7q"><pre id="ipq7q"></pre></th>
      <dd id="ipq7q"></dd>

      1. <th id="ipq7q"><track id="ipq7q"></track></th>

      2. 亚洲综合图色40P_免费。色婬网站_国产亚洲香蕉线播放ΑV38_肥臀大腚BBW