集微網推出整合電路微信公共號: '天天IC' , 重大新聞即時發布, 天天IC, 天天集微網, 積微成著! 複製 laoyaoic 微信公共號搜索添加關注.
1.NVIDIA黃仁勳: 這是AI革命的開始, 而我們正身在其中;
未來人工智慧在將無所不在, 從自動駕駛, 機器人, 智能城市再到醫療診斷. 而除了檯面上競逐的 Google, 微軟, 蘋果和特斯拉等科技巨擘, 在背後撐起這個新紀元的, 就是這個出生台南, 九歲赴美的華人企業家──NVIDIA 創辦人暨執行長黃仁勳.
10 月 26 日上午. 十點不到, 寒舍艾美酒店二樓已經塞滿人潮, 空氣中的躁動和亢奮顯然比咖啡更提神. 這是 GTC 2017 台灣的會場, 所有關心人工智慧和深度學習的開發者, 研究人員和產業領袖都來到這裡, 試圖從 NVIDIA 創辦人暨執行長黃仁勳的言語中, 捕捉未來世界的模樣.
燈光一亮, 總愛穿著深色皮衣在公開場合現身的黃仁勳, 一身勁裝小跑步踏上舞台. 「這是一個新紀元的開始, 」他一開口就說: 「這是 AI 革命的開始, 而我們正身在其中, 乘著浪頭前進. 」
的確, 過去這一年, NVIDIA 可說是站在最高的浪頭上. 根據最新發布財報, NVIDIA 的營收和每股盈餘都創下曆史新高, 超出原本預期. 而在市場看好之下, 今年以來, NVIDIA 的股價已經上漲 92%, 市值更突破 1 千億美元, 和去年相比翻了一倍, 成為最受矚目的產業巨星. 這一切, 都跟 NVIDIA 近年轉型深耕的人工智慧領域息息相關.
在今年的 GTC 大會上, 從自動駕駛, 物聯網設備, 虛擬現實再到醫療診斷, 黃仁勳無所不談, 甚至還宣布將和科技部合作, 在未來四年內共同培養 3 千位開發人才, 孵育產業生態系. 而這也代表著在將來的各種場景裡, NVIDIA 都不會缺席.
NVIDIA 能夠走到今日, 絕對無法以一帆風順來形容. 但特別的是, 每一次策略上的轉彎, 黃仁勳都可以比別人看得更遠, 並在下一波趨勢到來之前, 暗中準備火藥對應挑戰.
NVIDIA 的第一個危機迸發在公司剛成立不久後. 1995 年, NVIDIA 花了兩年時間研發, 終於推出第一款顯示晶片 NV1. 可是, 這款晶片連同隨後推出的 NV2, 卻因為與微軟在 Windows 95 制定的 Direct3D 標準不相容, 因而打不進市場. 押錯寶的黃仁勳, 不得不下定決心大裁員, 公司人數從 100 多人裁到 30 多人.
為了重回主戰場, 黃仁勳引入技術新血, 挖角專精高性能運算的戴維. 科克 (David Kirk) 博士擔任首席科學家. 並在 1999 年推出 GPU 繪圖處理器系列的第一款產品 GeForce256, 穩固了 NVIDIA 在計算機繪圖工業領域的地位. 此外, 在科克主導之下, NVIDIA 推出了 CUDA 整合技術 (Compute Unified Device Architecture, 統一計算架構) , 可以運用 GPU 的處理能力來增加運算效能. 而這, 就是影響 NVIDIA 後來發展的重大轉折點.
GPU 的發展, 不只是帶動人工智慧革命浪潮, 另一方面, 也開啟了 NVIDIA 從顯示適配器硬體商轉型為人工智慧平台公司的契機. 2012 年, 多倫多大學研究生艾力克斯. 克柴夫斯基 (Alex Krizhevsky) 在兩天之內, 利用兩個 NVIDIA GeForce GTX 580 GPU 訓練神經網路運算邏輯 AlexNet 來辨識影像, 並以這篇論文贏得 ImageNet 比賽冠軍. 消息一出, 立刻吸引了全球人工智慧研究人員的目光. 從此, 許多研究人工智慧的學者開始採用 NVIDIA 的 GPU 運行深度學習.
現在, 不論是網路服務, 交通, 醫療, 金融和製造業, 各大產業中的研究者都用 NVIDIA 來開發自家的人工智慧, 就連擊敗世界棋王的 Google 人工智慧 AlphaGo 和特斯拉電動車都是採用 GPU 運算. 到目前為止, 已經有超過 2 千家人工智慧新創公司建構在 NVIDIA 之上, 也讓 NVIDIA 成為名符其實的人工智慧紀元奠基者. 「我認為, 在一個持續成長的公司裡擔任執行長, 必須不斷提醒自己: 每隔幾年, 我就要革新自己, 而且不要害怕犯錯. 」從目前的成果可以看得出來, 黃仁勳的自我提醒, 並非只是說說而已.
瞄準趨勢, 大膽嘗試, 持續進化. 在時光的淬鍊之下, NVIDIA 的前景早已不可同日而語. 身為催生者, 這幾年下來, 黃仁勳的個人心境有何改變? 「沒什麼不同, 我覺得自己就像個青少年! 」一樣的黑皮衣, 一樣的自信神態, 未來, 他的自我戰鬥還會繼續下去. 數字時代
2.微軟亞洲研究院: AI以數據為核心 結合應用需求迎創新;
近年來人工智慧議題一再成為焦點, 而加州大學柏克萊分校教授, 美國三院院士Michael Jordan表示, 現今並非處於一個人工智慧的神奇大爆炸時代, 還需再花上百年時間才能把這座高樓建起來, 目前需要的不是一個簡單演算法, 而是去創造一個市場, 把用戶和企業兩端的需求結合起來, 先讓這領域的交互, 操作變得容易, 再逐步地調整學習, 人工智慧才能變得真正智能, IT互聯網這些年的發展規律顯示, 需求端的應用深化會反過來推動技術發展, 在人工智慧領域也不例外, 不過, 所有需求都存在於各行各業的第一線, 如何將這些需求與最前沿的人工智慧技術相結合, 正是微軟亞洲研究院近一兩年來思考的問題.
現階段, AI發展的核心就是數據, 而在各行業的一線都積累, 沉澱了大量的數據, 若可進行有效的利用, 那必將帶來行業的變革, 在微軟看來, AI領域學術研究也必須要與各個行業緊密結合, 只有這樣才能碰撞出跨界創新的火花, 而在華爾街, 用機器設定股票期貨的買賣點, 系統自動交易等已是新常態, AI早已成為金融企業增強核心競爭力的殺手級技術; 無論在街角, 在互聯網上或社區銀行服務, 個人消費還貸等服務, 也因AI的滲入而更便利, 其共同點則是利用大量數據去分析收益節點和金融風險.
張益肇表示, 極大豐富的數據和訊息是這時代最大的饋贈, 而它們也正在顛覆著最常見的金融場景. 如: 個體借貸人的任何數據都可能透露關鍵資訊, 哪怕是發布的朋友圈, 運動手環的定位, 都可以成為訊息來源, 面對層出不窮的理財, 保險新產品, 到底哪款最適合自己, 可能專業的理財顧問, 保險諮詢師也未必能馬上給出最貼切的答案, 一端是數據和資訊的爆炸, 另一端是有效訊息的分析, 總結和傳達受阻, 在用戶與服務提供商之間的訊息鴻溝, 就是AI在金融行業很有潛力的切入點.
張益肇亦表示, 機器更擅長數據的記憶和整理, 要讓其更具智能, 擁有更強的分析能力, 便是AI現階段的目標, 除了為不同的客戶推薦適合的理財, 保險等金融產品, 更提供千人千面的金融服務, 而在金融行業的後端, AI發力的空間同樣巨大, 類似 '過去50年之間利息上漲0.5%對整個市場有怎樣的影響? ' 這問題對於人類來說, 也許只有資深分析師才能清晰闡釋, 但其卻可通過對比時間軸數據, 快速挖掘相似曆史情境下的類比模型, 甚至進行分析和預測, 這兩者間的差別在於, 分析師要得出這樣的模型, 可能需數十年的從業經驗, 而AI卻可以在行業專家的幫助下快速打通領域邊界.
他進一步分析指出, 幾年前印度洋的海嘯, 讓泰國很多城市都遭受了洪水災害, 不為人知的是, 海嘯衝擊的不僅僅是普通民眾的家園, 全世界的PC供貨量也因此受到影響, 這是因為泰國是不少PC配件的製造產地, 一般來說, 海嘯洪水與PC供貨量之間的關係, 大家不會輕易察覺, 但卻是實際存在的, 對於這類隱秘的內在關聯, 行業分析師完全可以利用AI和大數據去洞見, 並做出相應地判斷.
同樣, 今年美國德州所遭遇的洪水災害導致不少煉油廠停產, 這對油價必定產生影響, 由於整個生態鏈上遊, 中遊, 下遊所涉及的影響因素複雜, 因此具體會是怎樣的影響, 需要進一步分析, 煉油廠處於整個生態鏈的中遊, 若停產不僅會導致下遊成品油價格的上漲, 上遊的原油也很可能銷路不暢, 從而價格下跌, 而在現實世界中, 類似的情況還有很多, 如何加入更多變數, 在更廣的範圍內, 建立更合理的模型, 這些都是金融AI正在探討的問題.
今年6月, 微軟亞洲研究院與華夏基金宣布了就人工智慧在金融服務領域的應用上開展戰略合作研究, 研究方向包括通過模式識別預測市場走勢, 基於深度學習挖掘影響市場的重要因素, 基於機器學習方法論進行行業輪動的研究, 基於大數據構建金融圖譜, 基於社交網路與應用軟體等使用數據, 識別並深度了解客戶等. 內部希望藉此機會可以共同研究AI+金融的疆界, 推動金融行業的智能化轉型. 而讓海量數據和資訊真正發揮價值, 正是金融AI的使命所在, 以前分析師經常是巧婦勉強為少米之炊, 現在原材料大大豐富, 巧婦們則可以利用更高效的AI工具, 讓數據做出更好的飯菜, 分析師們的職責也將會相應地調整為, 基於多年的行業經驗對AI分析出的結果進行翻譯和解釋, 並反過來去驗證和優化之前搭建的模型; AI+金融所帶來的並非人力的取代, 而是重新分工, AI+HI的結合, 將大大提升整個行業的生產效率.
張益肇指出, 在北京微軟大廈裡有一個新式的自動販賣機, 它來自微軟加速器成員甘來公司, 表面看起來這款自動販賣機和路邊的販賣機模樣沒有太大差別, 不過它的玻璃外罩內藏玄機, 走近看就會發現玻璃外罩同時也是一塊屏幕, 就像是機器的眼睛, 可以識別購物者的性別, 年齡, 甚至挑選貨物時的表情, 若在它面前待一陣子, 也許會找你搭訕 , 藉機向顧客推薦一些可能感興趣的小飾品等等, 而當顧客刷信用卡, 微信, 支付寶結賬時, 消費習慣, 互動記錄就都被存儲下來了, 這對零售商而言, 就是最新鮮, 寶貴, 真實的一手數據. 張益肇亦指出, 這台販賣機, 可以認為是AI+零售的一個雛形, 很多AI技術諸如人臉識別, 電腦視覺, 自然語言處理等都可以應用到每個超市的收銀台, 商家並不需要識別某個具體顧客的特徵, 就可以得到整個消費群體的圖譜, 像NIKE, ZARA, STARBUCKS等知名品牌商, 近幾年也越來越關注其客戶和潛在客戶的特徵演變, 以前要通過抄價員, 調查員去做的工作, 今後與AI結合起來, 相關工作將可以更加簡便, 精確和高效地完成, 從而更好地定位品牌調性. 此外, 像消費者喜愛什麼樣的產品, 庫存應該準備多少等這類問題, 在零售AI的幫助下, 將不再是難題, 如: 無人商店的興起以及通過天氣預報去預測口罩, 空氣清淨機的銷量和庫存等, 都可以在人工智慧的幫助下分析和預測得越來越精準.
張益肇表示, 除了金融和零售行業, 物流業也是AI快速滲入的行業之一, 無論是身邊隨處可見的共用單車, 還是快遞/外賣人員背後的物流系統, 抑或是海外購, 全球貿易所涉及的全球物流體系, 都在人工智慧的影響下產生巨變, 甚至在某些物流企業的後台, 隨著數據量的劇增, 他們所得到的行業洞察已經遠遠超出人們所想像.
張益肇亦表示, 另一個充滿未來感的場景則發生在製造行業, 事實上, 工業4.0, 中國製造2025都可以看作是AI在製造行業應用的未來憧憬, 越來越智能化的機械臂, 機械手, 感應器, 已經在很多無需與人類有太多交互的場景下深度應用, 微軟加速器孵化的幾家企業在這方面也做出了有益的嘗試, 如使用無人機技術去探勘發電風車, 高壓電纜等特種設備材料的裂縫, 並進行相應地維護工作等等. 相較而言, 在物流, 製造業等無需與最終用戶有太多交互的應用場景下, 人工智慧的應用速度相當快速, 而早期為大家所看好的醫療, 健康等領域, 反而因為受到各種管理機制, 人類互動的約束等限制, 人工智慧的應用進展比較緩慢.
張益肇指出, 除看到AI給各個行業帶來的影響和變化, 作為人工智慧研究的先行者, 微軟亞洲研究院自然希望能夠在人工智慧時代即將開啟的這個節點, 進一步推動AI+行業的深化, 加速人工智慧時代的到來, 於是, 有了成立創新匯的想法, 希望創新匯作為一個匯聚微軟亞洲研究院頂級科技專家與各行業專家創新智慧, 經驗, 技術的平台, 能夠讓微軟亞洲研究院與中國市場上的大型企業, 投資機構, 政府部門建立更加廣泛和深入的合作紐帶, 為大家搭建跨行業的溝通平台, 共同探討AI時代的技術創新.
此外, 張益肇亦指出, 儘管微軟亞洲研究院擁有領先的AI科研技術和強大的科研實力, 但科研人員對於現實中的行業應用場景並不了解, 也沒有真實的行業數據, 原先基於少量數據就可以建立模型的時代已經過去, 未來的AI一定是建立在大數據基礎之上的, 因此AI與行業的結合是必然趨勢, 現在恰恰是最好的啟動時間點. 他進一步指出, 讓AI更接地氣才是快速發展的正確思路, 方能加快讓AI轉化為生產力, 真正落地的速度.
張益肇表示, 在此同時, 對於微軟亞洲研究院而言, 仍然會繼續電腦領域的基礎研究, 而創新匯的成立則是讓研究院和研究員們可以更好地從實際應用的角度去考慮科研問題, 未來將會通過閉門技術大會, 主題研討會等多種形式橋接研究智慧與行業資源, 針對企業數位轉型中遇到的具體問題, 量身訂製專屬的技術交流環節, 與企業一道探索AI+行業的廣闊前景. 精實新聞
3.德國機器視覺廠Isra Vision跳漲1成, 創曆史新高;
德國3D機器視覺技術供應商Isra Vision AG 15日公布2016/2017會計年度財報: 營收年增11%至1.430億歐元, 毛利率自一年前的56%升至57%, EBITDA(稅前, 息前, 折舊攤提前盈餘)上揚14%至4,290萬歐元, EBITDA率自29%升至30%, 稅前盈餘年增11%至2,800萬歐元, 每股盈餘年增17%至4.68歐元.
Isra將在2018年2月公布2017/2018年度詳細財測. Isra目前的積壓訂單金額超過9千萬歐元, 高於一年前的8,500萬歐元. 公司初步預估2017/2018年度利潤率至少可以持穩於去年的水準, 營收預料將成長10-14%.
截至2017年9月30日為止, Isra Vision現金/約當現金餘額年增76%至2,970萬歐元, 庫存金額年減3%至3,270萬歐元.
Thomson Reuters報價系統顯示, Isra Vision在德國掛牌的股票15日大漲10.66%, 收199.75歐元, 創曆史收盤新高; 過去一年累計漲幅達103.52%.
QY Market Insights 9月指出, 3D機器視覺廠商包括Keyence Corporation(6861.JP), 康耐視(Cognex Corp.,CGNX.US)以及Isra Vision.
嘉實XQ全球贏家報價系統顯示, Keyence於11月24日創下曆史收盤新高紀錄, 今年迄今(截至12月15日收盤為止)累計漲幅達57.9%.
全球製程自動化機器視覺系統開發商康耐視15日上漲0.13%, 收60.97美元, 今年迄今上漲91.67%.
康耐視2017年第3季(截至2017年10月1日為止)營收年增76%(季增50%)至創紀錄的2.59739億美元; 毛利率自一年前的78%降至76%; 營益率自一年前的37%升至42%; 非一般公認會計原則(Non-GAAP)每股稀釋盈餘自一年前的0.58美元跳升91%至1.11美元.
康耐視創辦人Robert J. Shillman指出, 康耐視第3季營收, 純益, 每股盈餘以及營益率皆創下曆史新高紀錄. 精實新聞
4.科技巨頭搶佔AI市場, 智能晶片給生活帶來怎樣變化;
【網易智能訊12月18日消息】科技行業的巨頭們看似已經完全接受了人工智慧革命. 蘋果, 高通和華為已經製造了一種移動晶片, 而這些晶片的設計目的是提供機器學習一個更好的平台, 而不同公司設計這種晶片都採用了略微不同的方式. 華為在今年的IFA上發布了Kirin 970, 他們稱其為第一款帶有專用神經單元處理器 (NPU) 的晶片集. 然後, 蘋果發布了A11仿生智能晶片, 該晶片為iPhone8, 8Plus和x提供引擎動力. A11仿生晶片的特點是, 它的神經引擎處理器是專門為機器學習而設計的.
上周, 高通發布了驍龍845, 該晶片能夠將人工智慧任務發送至最合適處理器的核心系統. 這三家公司的設計方法並沒有太大的區別——最終歸結為每種晶片向開發者提供的訪問許可權, 以及每一種設置所消耗的電量.
在我們討論這個問題之前, 我們先來弄清楚一個人工智慧晶片跟現有的cpu有怎樣的不同. 在業界, 你會經常聽到叫 '異構計算' 的有關人工智慧的術語. 它指的是使用多種處理器的系統, 並且每一種處理器都有專門的功能, 以獲得更高的性能及節省能源. 這個術語並不新鮮, 而且許多現有的晶片集都使用了它——例如這三款新產品在不同程度上採用了這個概念.
過去三年來, 智能手機的cpu使用了ARM的big.LITTLE架構, 它能夠將相對較慢的節能核心與速度更快, 能耗更低的核心結合起來. 我們的主要目標是讓這款晶片儘可能少佔用電能, 以獲得更好的電池續航時間. 首批採用這種架構的手機包括三星Galaxy S4, 它只入了其公司自主生產的Exynos5晶片, 以及華為的Mate8和榮譽6.
今年的 '人工智慧晶片' 讓這一概念更進一步, 它通過添加一個新的專用組件來執行機器學習任務, 或者可以使用其他低功耗內核來執行機器學習任務. 例如, 驍龍845可以利用它的數字訊號處理器 (DSP) 來處理需要大量重複計算的長時間運行的任務, 比如在一段長對話裡通過分析找到一個用戶需要的熱詞. 高通的產品管理總監加裡布洛特曼告訴Engadget, 在另一方面, 像映像識別這樣的需求可以通過GPU更好地管理, 布羅特曼專門負責為驍龍智能平台開發人工智慧和機器學習技術.
與此同時, 蘋果的A11仿生學應用在其GPU上添加了一個神經引擎, 以加速人臉識別, 動話表情反饋和一些第三方應用的使用. 這意味著, 當你在iPhoneX上啟動這些進程時, A11會開啟神經引擎進行計算來驗證用戶的身份, 或者把你的面部表情倒入到 '會說話的便便' 這款應用中.
在Kirin 970晶片中, NPU會處理一些任務, 比如掃描和利用微軟翻譯來翻譯圖片裡的文字. 這是迄今為止唯一針對這款晶片進行優化的第三方應用. 華為表示, 其 'HiAI' 異構計算結構將其晶片集的大部分組件的性能最大化, 因此它可能會將人工智慧任務分配給更多, 而不僅僅是NPU.
拋開這些差異不說, 這種新的架構意味著過去只能在雲端處理機器學習計算, 現在可以在設備本體上更高效地運行. 通過使用非CPU的部分來運行人工智慧任務, 用戶的手機可以在同一時間處理更多的事情, 這樣你在等待應用為你翻譯或例如尋找寵物狗的圖片時就不會遇到延遲的煩惱.
此外, 在手機上運行這些程序不用將用戶的使用數據發送到雲端, 這對用戶隱私也有了更強的保護, 因為這樣可以減少黑客獲取數據的機會.
這些人工智慧晶片的另一大優勢是節約能源. 因為有些工作是重複的, 我們手機電池消耗量需要針對這些重複的進程進行更合理地分配. GPU往往會吸收更多的能量, 所以如果取而代之的是更節能的DSP, 並且它可以實現與GPU類似的效果, 那麼最好是選擇後者.
需要明確的是, 在決定執行某些任務時, 晶片本身並不決定使用哪個核心系統作為驅動. '在今天, 開發者們和oem廠商都想要運行人工智慧晶片, ' Brotman說. 程序員可以使用像Google的TensorFlow這樣的支援資料庫 (或者更確切地說是它的Lite移動版本) 來選擇運行他們的模型的核心. 高通, 華為和蘋果都採用了TensorFlow Lite和Facebook的Caffe2等最受歡迎的選項作為他們設計的支援程序. 高通也支援新的開放神經網路交換 (ONNX) 系統, 而蘋果則通過其核心的ML框架為更多機器學習模式添加了相容性.
到目前為止, 這些晶片都沒有在現實世界中帶來明顯的影響. 晶片製造商們將會吹捧他們自己的測試結果和基準, 但這些測試結果直到人工智慧程序成為我們日常生活中重要的一部分之前都毫無意義. 因為我們正處於讓設備進行機器學習的發展早期階段, 並且使用新硬體的開發者少之又少. 科技巨頭搶佔AI市場, 智能晶片給生活帶來怎樣變化
不過現在很明顯的是, 競爭已經開始了, 競爭者們著重研究如何讓機器學習相關的任務在用戶設備上運行地更快, 更省電. 我們只需要等待一段時間, 就能看到從傳統晶片到人工智慧晶片的轉變帶給我們生活上的幫助.
圖片: 華為 (Kirin AI處理器) , 蘋果 (A11處理器核心) . (選自: Engadget編譯: 網易見外編譯機器人 審校: 付曾)
5.Google神經網路協助NASA發現新行星 凸顯AI技術應用不可限量
人工智慧(AI)的應用現已延伸至太空探險, 美國太空總署(NASA)宣布, 在Google AI團隊開發的神經網路協助下, 發現兩顆太陽系以外的行星. 其中一顆命名為 'Depler-90i' , 圍繞著距離地球2,545光年的 'Kepler-90' 恒星運轉. NASA太空人Andrew Vanderburg形容Kepler-90為迷你版的太陽系, 行星圍繞著它由小而大向外排列. 在NASA新發現這顆行星之後, Kepler-90的行星數量達8顆, 相當於太陽系. 事實上, 兩顆行星的資料早在4年前就存在NASA的Kepler衛星中, NASA雖然發現了它們, 卻沒有更深入的了解. Kepler的任務是在銀河系之外, 尋找類似地球的行星, 多年來偵測到3.5萬顆可能是行星的訊號, 由於資料太龐大, 難以手動篩選. NASA有自動化系統選出可能性最高的星球, 但有時候會錯過較為微弱的訊號. 最近Vanderburg和Google工程師Christopher Shallue決定利用機器學習和Google的神經網路過濾舊資料, 起先利用1萬5,000個Kepler訊號訓練網路, 之後於已知存有行星的系統當中分析將近1,000筆微弱訊號, 最後挖掘出這兩顆被埋藏多年的行星. Vanderburg表示, 神經網路仍不完美, 有時候會有錯誤, 但已經能找先前被錯過的更多行星. NASA的新發現凸顯機器學習在電腦科學之外的應用潛力, NASA表示未來將利用AI協助更多的探索任務. DIGITIMES