集微网推出集成电路微信公共号: '天天IC' , 重大新闻即时发布, 天天IC, 天天集微网, 积微成著! 复制 laoyaoic 微信公共号搜索添加关注.
1.NVIDIA黄仁勋: 这是AI革命的开始, 而我们正身在其中;
未来人工智能在将无所不在, 从自动驾驶, 机器人, 智能城市再到医疗诊断. 而除了台面上竞逐的 Google, 微软, 苹果和特斯拉等科技巨擘, 在背后撑起这个新纪元的, 就是这个出生台南, 九岁赴美的华人企业家──NVIDIA 创办人暨执行长黄仁勋.
10 月 26 日上午. 十点不到, 寒舍艾美酒店二楼已经塞满人潮, 空气中的躁动和亢奋显然比咖啡更提神. 这是 GTC 2017 台湾的会场, 所有关心人工智能和深度学习的开发者, 研究人员和产业领袖都来到这里, 试图从 NVIDIA 创办人暨执行长黄仁勋的言语中, 捕捉未来世界的模样.
灯光一亮, 总爱穿著深色皮衣在公开场合现身的黄仁勋, 一身劲装小跑步踏上舞台. 「这是一个新纪元的开始, 」他一开口就说: 「这是 AI 革命的开始, 而我们正身在其中, 乘着浪头前进. 」
的确, 过去这一年, NVIDIA 可说是站在最高的浪头上. 根据最新发布财报, NVIDIA 的营收和每股盈余都创下历史新高, 超出原本预期. 而在市场看好之下, 今年以来, NVIDIA 的股价已经上涨 92%, 市值更突破 1 千亿美元, 和去年相比翻了一倍, 成为最受瞩目的产业巨星. 这一切, 都跟 NVIDIA 近年转型深耕的人工智能领域息息相关.
在今年的 GTC 大会上, 从自动驾驶, 物联网设备, 虚拟现实再到医疗诊断, 黄仁勋无所不谈, 甚至还宣布将和科技部合作, 在未来四年内共同培养 3 千位开发人才, 孵育产业生态系. 而这也代表着在将来的各种场景里, NVIDIA 都不会缺席.
NVIDIA 能够走到今日, 绝对无法以一帆风顺来形容. 但特别的是, 每一次策略上的转弯, 黄仁勋都可以比别人看得更远, 并在下一波趋势到来之前, 暗中准备火药对应挑战.
NVIDIA 的第一个危机迸发在公司刚成立不久后. 1995 年, NVIDIA 花了两年时间研发, 终于推出第一款显示芯片 NV1. 可是, 这款芯片连同随后推出的 NV2, 却因为与微软在 Windows 95 制定的 Direct3D 标准不兼容, 因而打不进市场. 押错宝的黄仁勋, 不得不下定决心大裁员, 公司人数从 100 多人裁到 30 多人.
为了重回主战场, 黄仁勋引入技术新血, 挖角专精高性能运算的戴维. 科克 (David Kirk) 博士担任首席科学家. 并在 1999 年推出 GPU 绘图处理器系列的第一款产品 GeForce256, 稳固了 NVIDIA 在计算机绘图工业领域的地位. 此外, 在科克主导之下, NVIDIA 推出了 CUDA 整合技术 (Compute Unified Device Architecture, 统一计算架构) , 可以运用 GPU 的处理能力来增加运算效能. 而这, 就是影响 NVIDIA 后来发展的重大转折点.
GPU 的发展, 不只是带动人工智能革命浪潮, 另一方面, 也开启了 NVIDIA 从显示适配器硬件商转型为人工智能平台公司的契机. 2012 年, 多伦多大学研究生艾力克斯. 克柴夫斯基 (Alex Krizhevsky) 在两天之内, 利用两个 NVIDIA GeForce GTX 580 GPU 训练神经网络运算逻辑 AlexNet 来辨识影像, 并以这篇论文赢得 ImageNet 比赛冠军. 消息一出, 立刻吸引了全球人工智能研究人员的目光. 从此, 许多研究人工智能的学者开始采用 NVIDIA 的 GPU 运行深度学习.
现在, 不论是网络服务, 交通, 医疗, 金融和制造业, 各大产业中的研究者都用 NVIDIA 来开发自家的人工智能, 就连击败世界棋王的 Google 人工智能 AlphaGo 和特斯拉电动车都是采用 GPU 运算. 到目前为止, 已经有超过 2 千家人工智能新创公司建构在 NVIDIA 之上, 也让 NVIDIA 成为名符其实的人工智能纪元奠基者. 「我认为, 在一个持续成长的公司里担任执行长, 必须不断提醒自己: 每隔几年, 我就要革新自己, 而且不要害怕犯错. 」从目前的成果可以看得出来, 黄仁勋的自我提醒, 并非只是说说而已.
瞄准趋势, 大胆尝试, 持续进化. 在时光的淬炼之下, NVIDIA 的前景早已不可同日而语. 身为催生者, 这几年下来, 黄仁勋的个人心境有何改变? 「没什么不同, 我觉得自己就像个青少年! 」一样的黑皮衣, 一样的自信神态, 未来, 他的自我战斗还会继续下去. 数字时代
2.微软亚洲研究院: AI以数据为核心 结合应用需求迎创新;
近年来人工智慧议题一再成为焦点, 而加州大学柏克莱分校教授, 美国三院院士Michael Jordan表示, 现今并非处于一个人工智慧的神奇大爆炸时代, 还需再花上百年时间才能把这座高楼建起来, 目前需要的不是一个简单算法, 而是去创造一个市场, 把用户和企业两端的需求结合起来, 先让这领域的交互, 操作变得容易, 再逐步地调整学习, 人工智慧才能变得真正智能, IT互联网这些年的发展规律显示, 需求端的应用深化会反过来推动技术发展, 在人工智慧领域也不例外, 不过, 所有需求都存在于各行各业的第一线, 如何将这些需求与最前沿的人工智慧技术相结合, 正是微软亚洲研究院近一两年来思考的问题.
现阶段, AI发展的核心就是数据, 而在各行业的一线都积累, 沉淀了大量的数据, 若可进行有效的利用, 那必将带来行业的变革, 在微软看来, AI领域学术研究也必须要与各个行业紧密结合, 只有这样才能碰撞出跨界创新的火花, 而在华尔街, 用机器设定股票期货的买卖点, 系统自动交易等已是新常态, AI早已成为金融企业增强核心竞争力的杀手级技术; 无论在街角, 在互联网上或社区银行服务, 个人消费还贷等服务, 也因AI的渗入而更便利, 其共同点则是利用大量数据去分析收益节点和金融风险.
张益肇表示, 极大丰富的数据和讯息是这时代最大的馈赠, 而它们也正在颠覆着最常见的金融场景. 如: 个体借贷人的任何数据都可能透露关键信息, 哪怕是发布的朋友圈, 运动手环的定位, 都可以成为讯息来源, 面对层出不穷的理财, 保险新产品, 到底哪款最适合自己, 可能专业的理财顾问, 保险谘询师也未必能马上给出最贴切的答案, 一端是数据和信息的爆炸, 另一端是有效讯息的分析, 总结和传达受阻, 在用户与服务提供商之间的讯息鸿沟, 就是AI在金融行业很有潜力的切入点.
张益肇亦表示, 机器更擅长数据的记忆和整理, 要让其更具智能, 拥有更强的分析能力, 便是AI现阶段的目标, 除了为不同的客户推荐适合的理财, 保险等金融产品, 更提供千人千面的金融服务, 而在金融行业的后端, AI发力的空间同样巨大, 类似 '过去50年之间利息上涨0.5%对整个市场有怎样的影响? ' 这问题对于人类来说, 也许只有资深分析师才能清晰阐释, 但其却可通过对比时间轴数据, 快速挖掘相似历史情境下的类比模型, 甚至进行分析和预测, 这两者间的差别在于, 分析师要得出这样的模型, 可能需数十年的从业经验, 而AI却可以在行业专家的帮助下快速打通领域边界.
他进一步分析指出, 几年前印度洋的海啸, 让泰国很多城市都遭受了洪水灾害, 不为人知的是, 海啸冲击的不仅仅是普通民众的家园, 全世界的PC供货量也因此受到影响, 这是因为泰国是不少PC配件的制造产地, 一般来说, 海啸洪水与PC供货量之间的关系, 大家不会轻易察觉, 但却是实际存在的, 对于这类隐秘的内在关联, 行业分析师完全可以利用AI和大数据去洞见, 并做出相应地判断.
同样, 今年美国德州所遭遇的洪水灾害导致不少炼油厂停产, 这对油价必定产生影响, 由于整个生态链上游, 中游, 下游所涉及的影响因素复杂, 因此具体会是怎样的影响, 需要进一步分析, 炼油厂处于整个生态链的中游, 若停产不仅会导致下游成品油价格的上涨, 上游的原油也很可能销路不畅, 从而价格下跌, 而在现实世界中, 类似的情况还有很多, 如何加入更多变量, 在更广的范围内, 建立更合理的模型, 这些都是金融AI正在探讨的问题.
今年6月, 微软亚洲研究院与华夏基金宣布了就人工智慧在金融服务领域的应用上开展战略合作研究, 研究方向包括通过模式识别预测市场走势, 基于深度学习挖掘影响市场的重要因素, 基于机器学习方法论进行行业轮动的研究, 基于大数据构建金融图谱, 基于社交网络与应用软体等使用数据, 识别并深度了解客户等. 内部希望借此机会可以共同研究AI+金融的疆界, 推动金融行业的智能化转型. 而让海量数据和信息真正发挥价值, 正是金融AI的使命所在, 以前分析师经常是巧妇勉强为少米之炊, 现在原材料大大丰富, 巧妇们则可以利用更高效的AI工具, 让数据做出更好的饭菜, 分析师们的职责也将会相应地调整为, 基于多年的行业经验对AI分析出的结果进行翻译和解释, 并反过来去验证和优化之前搭建的模型; AI+金融所带来的并非人力的取代, 而是重新分工, AI+HI的结合, 将大大提升整个行业的生产效率.
张益肇指出, 在北京微软大厦里有一个新式的自动贩卖机, 它来自微软加速器成员甘来公司, 表面看起来这款自动贩卖机和路边的贩卖机模样没有太大差别, 不过它的玻璃外罩内藏玄机, 走近看就会发现玻璃外罩同时也是一块屏幕, 就像是机器的眼睛, 可以识别购物者的性别, 年龄, 甚至挑选货物时的表情, 若在它面前待一阵子, 也许会找你搭讪 , 借机向顾客推荐一些可能感兴趣的小饰品等等, 而当顾客刷信用卡, 微信, 支付宝结账时, 消费习惯, 互动记录就都被存储下来了, 这对零售商而言, 就是最新鲜, 宝贵, 真实的一手数据. 张益肇亦指出, 这台贩卖机, 可以认为是AI+零售的一个雏形, 很多AI技术诸如人脸识别, 电脑视觉, 自然语言处理等都可以应用到每个超市的收银台, 商家并不需要识别某个具体顾客的特征, 就可以得到整个消费群体的图谱, 像NIKE, ZARA, STARBUCKS等知名品牌商, 近几年也越来越关注其客户和潜在客户的特征演变, 以前要通过抄价员, 调查员去做的工作, 今后与AI结合起来, 相关工作将可以更加简便, 精确和高效地完成, 从而更好地定位品牌调性. 此外, 像消费者喜爱什么样的产品, 库存应该准备多少等这类问题, 在零售AI的帮助下, 将不再是难题, 如: 无人商店的兴起以及通过天气预报去预测口罩, 空气清净机的销量和库存等, 都可以在人工智慧的帮助下分析和预测得越来越精准.
张益肇表示, 除了金融和零售行业, 物流业也是AI快速渗入的行业之一, 无论是身边随处可见的共享单车, 还是快递/外卖人员背后的物流系统, 抑或是海外购, 全球贸易所涉及的全球物流体系, 都在人工智慧的影响下产生巨变, 甚至在某些物流企业的后台, 随着数据量的剧增, 他们所得到的行业洞察已经远远超出人们所想像.
张益肇亦表示, 另一个充满未来感的场景则发生在制造行业, 事实上, 工业4.0, 中国制造2025都可以看作是AI在制造行业应用的未来憧憬, 越来越智能化的机械臂, 机械手, 感应器, 已经在很多无需与人类有太多交互的场景下深度应用, 微软加速器孵化的几家企业在这方面也做出了有益的尝试, 如使用无人机技术去探勘发电风车, 高压电缆等特种设备材料的裂缝, 并进行相应地维护工作等等. 相较而言, 在物流, 制造业等无需与最终用户有太多交互的应用场景下, 人工智慧的应用速度相当快速, 而早期为大家所看好的医疗, 健康等领域, 反而因为受到各种管理机制, 人类互动的约束等限制, 人工智慧的应用进展比较缓慢.
张益肇指出, 除看到AI给各个行业带来的影响和变化, 作为人工智慧研究的先行者, 微软亚洲研究院自然希望能够在人工智慧时代即将开启的这个节点, 进一步推动AI+行业的深化, 加速人工智慧时代的到来, 于是, 有了成立创新汇的想法, 希望创新汇作为一个汇聚微软亚洲研究院顶级科技专家与各行业专家创新智慧, 经验, 技术的平台, 能够让微软亚洲研究院与中国市场上的大型企业, 投资机构, 政府部门建立更加广泛和深入的合作纽带, 为大家搭建跨行业的沟通平台, 共同探讨AI时代的技术创新.
此外, 张益肇亦指出, 尽管微软亚洲研究院拥有领先的AI科研技术和强大的科研实力, 但科研人员对于现实中的行业应用场景并不了解, 也没有真实的行业数据, 原先基于少量数据就可以建立模型的时代已经过去, 未来的AI一定是建立在大数据基础之上的, 因此AI与行业的结合是必然趋势, 现在恰恰是最好的启动时间点. 他进一步指出, 让AI更接地气才是快速发展的正确思路, 方能加快让AI转化为生产力, 真正落地的速度.
张益肇表示, 在此同时, 对于微软亚洲研究院而言, 仍然会继续电脑领域的基础研究, 而创新汇的成立则是让研究院和研究员们可以更好地从实际应用的角度去考虑科研问题, 未来将会通过闭门技术大会, 主题研讨会等多种形式桥接研究智慧与行业资源, 针对企业数位转型中遇到的具体问题, 量身订制专属的技术交流环节, 与企业一道探索AI+行业的广阔前景. 精实新闻
3.德国机器视觉厂Isra Vision跳涨1成, 创历史新高;
德国3D机器视觉技术供应商Isra Vision AG 15日公布2016/2017会计年度财报: 营收年增11%至1.430亿欧元, 毛利率自一年前的56%升至57%, EBITDA(税前, 息前, 折旧摊提前盈余)上扬14%至4,290万欧元, EBITDA率自29%升至30%, 税前盈余年增11%至2,800万欧元, 每股盈余年增17%至4.68欧元.
Isra将在2018年2月公布2017/2018年度详细财测. Isra目前的积压订单金额超过9千万欧元, 高于一年前的8,500万欧元. 公司初步预估2017/2018年度利润率至少可以持稳于去年的水准, 营收预料将成长10-14%.
截至2017年9月30日为止, Isra Vision现金/约当现金余额年增76%至2,970万欧元, 库存金额年减3%至3,270万欧元.
Thomson Reuters报价系统显示, Isra Vision在德国挂牌的股票15日大涨10.66%, 收199.75欧元, 创历史收盘新高; 过去一年累计涨幅达103.52%.
QY Market Insights 9月指出, 3D机器视觉厂商包括Keyence Corporation(6861.JP), 康耐视(Cognex Corp.,CGNX.US)以及Isra Vision.
嘉实XQ全球赢家报价系统显示, Keyence于11月24日创下历史收盘新高纪录, 今年迄今(截至12月15日收盘为止)累计涨幅达57.9%.
全球制程自动化机器视觉系统开发商康耐视15日上涨0.13%, 收60.97美元, 今年迄今上涨91.67%.
康耐视2017年第3季(截至2017年10月1日为止)营收年增76%(季增50%)至创纪录的2.59739亿美元; 毛利率自一年前的78%降至76%; 营益率自一年前的37%升至42%; 非一般公认会计原则(Non-GAAP)每股稀释盈余自一年前的0.58美元跳升91%至1.11美元.
康耐视创办人Robert J. Shillman指出, 康耐视第3季营收, 纯益, 每股盈余以及营益率皆创下历史新高纪录. 精实新闻
4.科技巨头抢占AI市场, 智能芯片给生活带来怎样变化;
【网易智能讯12月18日消息】科技行业的巨头们看似已经完全接受了人工智能革命. 苹果, 高通和华为已经制造了一种移动芯片, 而这些芯片的设计目的是提供机器学习一个更好的平台, 而不同公司设计这种芯片都采用了略微不同的方式. 华为在今年的IFA上发布了Kirin 970, 他们称其为第一款带有专用神经单元处理器 (NPU) 的芯片组. 然后, 苹果发布了A11仿生智能芯片, 该芯片为iPhone8, 8Plus和x提供引擎动力. A11仿生芯片的特点是, 它的神经引擎处理器是专门为机器学习而设计的.
上周, 高通发布了骁龙845, 该芯片能够将人工智能任务发送至最合适处理器的核心系统. 这三家公司的设计方法并没有太大的区别——最终归结为每种芯片向开发者提供的访问权限, 以及每一种设置所消耗的电量.
在我们讨论这个问题之前, 我们先来弄清楚一个人工智能芯片跟现有的cpu有怎样的不同. 在业界, 你会经常听到叫 '异构计算' 的有关人工智能的术语. 它指的是使用多种处理器的系统, 并且每一种处理器都有专门的功能, 以获得更高的性能及节省能源. 这个术语并不新鲜, 而且许多现有的芯片组都使用了它——例如这三款新产品在不同程度上采用了这个概念.
过去三年来, 智能手机的cpu使用了ARM的big.LITTLE架构, 它能够将相对较慢的节能核心与速度更快, 能耗更低的核心结合起来. 我们的主要目标是让这款芯片尽可能少占用电能, 以获得更好的电池续航时间. 首批采用这种架构的手机包括三星Galaxy S4, 它只入了其公司自主生产的Exynos5芯片, 以及华为的Mate8和荣誉6.
今年的 '人工智能芯片' 让这一概念更进一步, 它通过添加一个新的专用组件来执行机器学习任务, 或者可以使用其他低功耗内核来执行机器学习任务. 例如, 骁龙845可以利用它的数字信号处理器 (DSP) 来处理需要大量重复计算的长时间运行的任务, 比如在一段长对话里通过分析找到一个用户需要的热词. 高通的产品管理总监加里布洛特曼告诉Engadget, 在另一方面, 像图像识别这样的需求可以通过GPU更好地管理, 布罗特曼专门负责为骁龙智能平台开发人工智能和机器学习技术.
与此同时, 苹果的A11仿生学应用在其GPU上添加了一个神经引擎, 以加速人脸识别, 动话表情反馈和一些第三方应用的使用. 这意味着, 当你在iPhoneX上启动这些进程时, A11会打开神经引擎进行计算来验证用户的身份, 或者把你的面部表情倒入到 '会说话的便便' 这款应用中.
在Kirin 970芯片中, NPU会处理一些任务, 比如扫描和利用微软翻译来翻译图片里的文字. 这是迄今为止唯一针对这款芯片进行优化的第三方应用. 华为表示, 其 'HiAI' 异构计算结构将其芯片组的大部分组件的性能最大化, 因此它可能会将人工智能任务分配给更多, 而不仅仅是NPU.
抛开这些差异不说, 这种新的架构意味着过去只能在云端处理机器学习计算, 现在可以在设备本体上更高效地运行. 通过使用非CPU的部分来运行人工智能任务, 用户的手机可以在同一时间处理更多的事情, 这样你在等待应用为你翻译或例如寻找宠物狗的图片时就不会遇到延迟的烦恼.
此外, 在手机上运行这些程序不用将用户的使用数据发送到云端, 这对用户隐私也有了更强的保护, 因为这样可以减少黑客获取数据的机会.
这些人工智能芯片的另一大优势是节约能源. 因为有些工作是重复的, 我们手机电池消耗量需要针对这些重复的进程进行更合理地分配. GPU往往会吸收更多的能量, 所以如果取而代之的是更节能的DSP, 并且它可以实现与GPU类似的效果, 那么最好是选择后者.
需要明确的是, 在决定执行某些任务时, 芯片本身并不决定使用哪个核心系统作为驱动. '在今天, 开发者们和oem厂商都想要运行人工智能芯片, ' Brotman说. 程序员可以使用像Google的TensorFlow这样的支持数据库 (或者更确切地说是它的Lite移动版本) 来选择运行他们的模型的核心. 高通, 华为和苹果都采用了TensorFlow Lite和Facebook的Caffe2等最受欢迎的选项作为他们设计的支持程序. 高通也支持新的开放神经网络交换 (ONNX) 系统, 而苹果则通过其核心的ML框架为更多机器学习模式添加了兼容性.
到目前为止, 这些芯片都没有在现实世界中带来明显的影响. 芯片制造商们将会吹捧他们自己的测试结果和基准, 但这些测试结果直到人工智能程序成为我们日常生活中重要的一部分之前都毫无意义. 因为我们正处于让设备进行机器学习的发展早期阶段, 并且使用新硬件的开发者少之又少. 科技巨头抢占AI市场, 智能芯片给生活带来怎样变化
不过现在很明显的是, 竞争已经开始了, 竞争者们着重研究如何让机器学习相关的任务在用户设备上运行地更快, 更省电. 我们只需要等待一段时间, 就能看到从传统芯片到人工智能芯片的转变带给我们生活上的帮助.
图片: 华为 (Kirin AI处理器) , 苹果 (A11处理器核心) . (选自: Engadget编译: 网易见外编译机器人 审校: 付曾)
5.Google神经网络协助NASA发现新行星 凸显AI技术应用不可限量
人工智能(AI)的应用现已延伸至太空探险, 美国太空总署(NASA)宣布, 在Google AI团队开发的神经网络协助下, 发现两颗太阳系以外的行星. 其中一颗命名为 'Depler-90i' , 围绕着距离地球2,545光年的 'Kepler-90' 恒星运转. NASA太空人Andrew Vanderburg形容Kepler-90为迷你版的太阳系, 行星围绕着它由小而大向外排列. 在NASA新发现这颗行星之后, Kepler-90的行星数量达8颗, 相当于太阳系. 事实上, 两颗行星的资料早在4年前就存在NASA的Kepler卫星中, NASA虽然发现了它们, 却没有更深入的了解. Kepler的任务是在银河系之外, 寻找类似地球的行星, 多年来侦测到3.5万颗可能是行星的讯号, 由于资料太庞大, 难以手动筛选. NASA有自动化系统选出可能性最高的星球, 但有时候会错过较为微弱的讯号. 最近Vanderburg和Google工程师Christopher Shallue决定利用机器学习和Google的神经网络过滤旧资料, 起先利用1万5,000个Kepler讯号训练网络, 之后于已知存有行星的系统当中分析将近1,000笔微弱讯号, 最后挖掘出这两颗被埋藏多年的行星. Vanderburg表示, 神经网络仍不完美, 有时候会有错误, 但已经能找先前被错过的更多行星. NASA的新发现凸显机器学习在电脑科学之外的应用潜力, NASA表示未来将利用AI协助更多的探索任务. DIGITIMES