1. เมื่ออินเทอร์เน็ตของสิ่งต่างๆตรงกับ AI;
ตามการสำรวจตลาดล่าสุดของ SADA Systems เกี่ยวกับผู้จัดการด้านไอทีอุตสาหกรรมขนาดใหญ่นักประดิษฐ์ (AI) และอินเทอร์เน็ตของสิ่งต่างๆ (IoT) ในปีพ. ศ. 2561 กลายเป็นพื้นที่ที่สำคัญที่สุดสำหรับ บริษัท ต่างๆในการลงทุนในเทคโนโลยีใหม่ ๆ
จากจำนวนบุคลากรด้านไอที 500 คนที่สำรวจ 38% ของผู้ตอบแบบสอบถามกล่าวว่า AI เป็นจุดสนใจหลักของการลงทุนของ บริษัท ในขณะที่อินเทอร์เน็ตของสิ่งต่างๆคือ 31% และ blockchain มีอยู่ 10% IoT connected devices มักสร้างข้อมูลขนาดใหญ่เพื่อฝึกอบรมการเรียนรู้ด้วยเครื่อง (ML)
ในบรรดา บริษัท ที่ทำการสำรวจ Internet of Things มีรูปแบบมากกว่า AI เนื่องจากอุตสาหกรรม IoT และ Edge Computing มีความเสถียรในขั้นตอนปัจจุบันและรากฐานที่แข็งแกร่งดังกล่าวสามารถปรับปรุงความแม่นยำในการเรียนรู้ของเครื่องและเป็นสิ่งจำเป็นสำหรับ AI ข้อกำหนดเบื้องต้น
ความสามารถในการจดจำรูปภาพ / รูป: Cambridge University
บริษัท ยังต้องการให้การลงทุนของไอน่าจะเป็นไปได้ในท้ายที่สุดแทนที่จะเป็นการวิจัยอย่างต่อเนื่องขององค์กรทางวิชาการ CIO จากสื่อต่างประเทศยังตั้งคำถามเกี่ยวกับวิธีทำให้การลงทุน AI มุ่งสู่การค้าที่ถูกต้องและเป็นภารกิจที่สำคัญสำหรับผู้นำทางธุรกิจ
นอกจากนี้ในยุคปัจจุบันพื้นหลังค่าใช้จ่ายและความยากในการดำเนินงานของ AI ยังลดลงอย่างมากอีกด้วย "บริษัท แพลตฟอร์ม (Platform as a service)" ไม่เพียง แต่เป็น บริษัท ที่ให้บริการข้อมูลสำหรับการฝึกอบรมคอมพิวเตอร์มากขึ้นเท่านั้น แต่ยังทำให้อุปกรณ์เป็นสากล (Interoperability) ระดับของการปรับปรุงนอกจากนี้จำนวนมากของห้องสมุดการเรียนรู้เครื่องและ APIs ได้ลดเกณฑ์การเข้า AI
ด้วยการสนับสนุนของเทคโนโลยี AI และสิ่งใหม่ ๆ ที่จะมาถึงองค์กรต้องเป็นไปตามการพัฒนาที่สำคัญได้นำไปสู่ความไม่แน่นอนป้องกันไม่คืบขอบเขตวงจรการพัฒนาชั่วโมง. เพื่อให้บรรลุระยะเวลาก้าวของเวลาที่ความสามารถการรักษาจะกลายเป็นสิ่งที่จำเป็นมากขึ้น
ความสามารถในการจดจำรูปภาพ / แผนภูมิ: Cambridge University
SADA และเรียกรอบ ๆ ที่เกิดขึ้นใหม่ข่าวเทคโนโลยีจะนำไปสู่ บริษัท มีความเต็มใจที่จะลงทุนในเทคโนโลยีใหม่ แต่การรักษาความปลอดภัยและความเป็นส่วนตัวมีแนวโน้มที่จะล้าหลังการพัฒนาเทคโนโลยีและการลงทุนในเทคโนโลยีใหม่จะต้องเป็นกังวลเจ้าของความปลอดภัยน้ำท่วม SADA เชื่อว่า บริษัท จะเป็น หากคุณต้องการเป็นผู้บุกเบิกเทคโนโลยีใหม่ ๆ คุณจะไม่สามารถละเลยการทดสอบความปลอดภัยของเทคโนโลยีใหม่ได้
ในรายงานจากมหาวิทยาลัยฟอร์ดในปี 2018 นักวิจัยที่กล่าวถึงถนนเทคโนโลยี AI ตราบใดที่มีข้อบกพร่องก็อาจบ่อนทำลายประสิทธิภาพการทำงานของการเรียนรู้เครื่อง แต่ยังเป็นอันตรายต่อการดำเนินงานของธุรกิจหากละเลยการทดสอบความปลอดภัยที่สำคัญ เพศฉันเกรงว่าฉันจะไม่ได้รับมัน
บล็อกโซ่แล้วจากปีที่ผ่านมาดึงดูดความสนใจมากสื่อวิทยาศาสตร์และเทคโนโลยี แต่มันล่าช้าหลังในแง่ของสิ่งที่ธุรกิจการลงทุนและการ AI. ในฐานะที่เป็นผู้ประกอบการมากขึ้นและเริ่มที่จะแบ่งปันความสำเร็จของเทคโนโลยีบล็อกโซ่และกรณีการปฏิบัติในอนาคต การลงทุนในสาขานี้คาดว่าจะแข่งขันกับอินเทอร์เน็ตของสิ่งต่างๆและ AI
2. ประวัติการล่าม AI;
ใน 2018 Boao ฟอรั่มเอเชียนอกเหนือไปจากวาระการประชุมหลักที่สะดุดตาที่สุดการเปิดตัวของจุดร้อนเป็นครั้งแรกที่การแปลภาษาพูดในเวลาจริงการประชุมปัญญาประดิษฐ์. แต่ยังไม่มี AI ก่อนหน้าซุกซนประกาศ "ให้อุตสาหกรรมแบบ real-time ล่าม เรากำลังจะต้องเผชิญกับภัยคุกคามของการว่างงาน "ในทางตรงกันข้ามผลมาจากความผิดพลาดอย่างร้ายแรงในการแปลและในความเป็นจริงล่ามแบบ real-time ลูกจ้างโล่งใจมันก็ดูเหมือนว่าสายนี้ยังสามารถที่จะกินข้าวเป็นเวลานาน
"พระคัมภีร์พันธสัญญาเดิมปฐมกาล" ที่อธิบายไว้ในบทที่ 11 หลังจากน้ำท่วมใหญ่ห่างโลกมนุษย์นี้เป็นบุตรชายของโนอาห์พูดภาษาเดียวกันเมื่อมนุษย์เริ่มที่จะให้ความร่วมมือในการสร้างที่เรียกว่าบาเบล Tower of Babel หอ. ย้ายตกใจพระเจ้าดังนั้นพระเจ้าให้มนุษย์ทุกคนทั่วโลกเริ่มที่จะมีภาษาที่แตกต่างกันการแข่งขันของมนุษย์ก็ไม่ได้เป็นความร่วมมือสห. บาเบลทำแผนจบลงด้วยความล้มเหลวเมื่อความแตกต่างภาษาก็จะกลายเป็นการสื่อสารของมนุษย์ที่ใหญ่ที่สุด อุปสรรคบางทีอาจจะยังคงมีความฝันในเลือดที่จะสร้างหอคอยแห่งบาเบลได้ดังนั้นการแปลกลายเป็นโครงการทางวัฒนธรรมที่สำคัญสำหรับการวิวัฒนาการอย่างต่อเนื่องของมนุษยชาติในช่วงหลายพันปีที่ผ่านมา
อุปสรรคทางภาษาไม่ได้เป็นเรื่องง่ายมากที่จะทำลายโดยเฉพาะอย่างยิ่งภาษาข้ามที่จะเข้าใจแนวคิดเดียวกัน. ภาษาข้ามขนานคลังเป็นครั้งแรกในประวัติศาสตร์ของมนุษย์ที่ผลิตใน 196 ปีก่อนคริสตกาลศิลาโรเซตตา (Rosetta Stone) ภาษาอียิปต์โบราณภาษากรีกโบราณและตำราภาษาท้องถิ่นถูกนำมาใช้เพื่อบันทึกพระคัมภีร์ที่สลักไว้ของกษัตริย์ปโตเลมีของกษัตริย์อียิปต์โบราณและนี่เป็นก้าวสำคัญในการแปล
การแปลด้วยเครื่องจักรที่ใช้กฎ
สำหรับเครื่องแปลภาษาแหล่งที่มาที่สามารถสืบย้อนกลับไปปี 1949 ทฤษฎีข้อมูลวิจัยวอร์เรนสานอย่างเป็นทางการเสนอแนวคิดของเครื่องแปลภาษา. ห้าปีต่อมาคือในปี 1954 ไอบีเอ็มในความร่วมมือกับมหาวิทยาลัยจอร์จทาวน์ประกาศของโลกเครื่องแปลภาษาแรก IBM-701. มันสามารถที่จะแปลภาษารัสเซียเป็นภาษาอังกฤษแม้ว่ามันจะมีร่างกายที่ดีซึ่งในความเป็นจริงมันถูกสร้างขึ้นเพียงหกบทบัญญัติของกฎระเบียบกฎหมายเช่นเดียวกับ 250 คำ. แต่แม้เช่นนี้ก็ยังคงเป็นความก้าวหน้าทางเทคโนโลยีที่สำคัญ ในเวลานั้นมนุษย์เริ่มรู้สึกว่าพวกเขาควรจะสามารถทำลายกำแพงภาษาได้อย่างรวดเร็ว
พระเจ้าอาจจะทราบมีความแตกต่าง แต่ยังรวมถึงมนุษย์วางแผนที่จะสร้างหอคอยบาเบลเทถังน้ำเย็น. ในปี 1964 National Academy of คณะกรรมการที่ปรึกษาวิทยาศาสตร์การตั้งค่าการประมวลผลอัตโนมัติของภาษา (Language ประมวลผลคณะกรรมการที่ปรึกษาอัตโนมัติ ALPAC). หลังจากนั้นสองปีสำนักงานคณะกรรมการกำกับ ในรายงานฉบับนี้ถือว่าการแปลโดยคอมพิวเตอร์ไม่คุ้มค่าที่จะลงทุนต่อไปเนื่องจากรายงานฉบับนี้ทำให้สหรัฐอเมริกาเกือบจะหยุดการศึกษาเกี่ยวกับการแปลโดยเครื่องคอมพิวเตอร์ในอีกสิบปีข้างหน้า
เกิดจากการแปลครั้งแรกของไอบีเอ็มถึง 1980 เมื่อเทคโนโลยีหลักคือตามกฎเครื่องแปลภาษา. วิธีที่พบมากที่สุดคือการแปลความหมายตรงตามพจนานุกรมแม้ว่ามันจะเป็นภายหลังการเข้าร่วมความคิดริเริ่มในการแก้ไขกฎไวยากรณ์ แต่ความจริงแล้วผลลัพธ์ที่ได้จะเป็นที่น่าผิดหวังมากเพราะดูเหมือนโง่ ๆ ดังนั้นในช่วงทศวรรษที่ 1980 การปฏิบัติดังกล่าวจึงหายไป
ทำไมถึงไม่สามารถใช้กฎของภาษาเพราะภาษาที่มีความซับซ้อนมากและระบบการคลุมเครือจากความคลุมเครือของคำว่าของทุกชนิดของสำนวนกฎครบถ้วนสมบูรณ์ทั้งหมดเป็นไปไม่ได้. แต่ที่น่าสนใจหลายแห่งที่ผ่านมาเริ่มอัพส่วนร่วมในภาษาธรรมชาติ บริษัท ยังคงพยายามที่จะแก้ความหมายของภาษาจีนด้วยกฎที่ละเอียดถี่ถ้วน แต่ความคิดนี้จะยุติลงอย่างสิ้นเชิง
ฉันให้ตัวอย่างนี้เพื่อแสดงให้เห็นว่าทำไมกฎไม่เป็นไปได้. ในการพูดถึงความซับซ้อนของการแปลในภาษาที่สองแปลงเพียงจากจีนที่ "ส่งด่วนเร็ว ๆ นี้" แนวความคิดว่าคุณสามารถคิดหลายชนิดของการโต้แย้ง ? 10 ชนิด? หรือ 100 ชนิด? ธรรมชาติจุดสถิติภาษาของมุมมองที่เราได้ทำมาก่อนอาจจะมีทั้งหมด 3600 ชนิดของการโต้แย้งและตัวเลขที่ยังควรจะเพิ่มขึ้นเมื่อเวลาผ่านไป. เป็นแนวคิดง่ายดังนั้นประโยคแสงอาจมีดังนั้น ระบบที่ซับซ้อนของกฎถ้าฉันกลัวที่จะใช้กฎการแปลจะเป็นจำนวนมหาศาลของดาราศาสตร์ดังนั้นความคิดของการปกครองตามเครื่องแปลภาษาได้กลายเป็นสิ่งที่ผ่านมา
การแปลด้วยเครื่องอิงตามตัว
ในขณะที่ทั้งโลกตกอยู่ในช่วงต่ำของการแปลด้วยเครื่องก็มีประเทศที่มีความหลงใหลในการแปลภาษาด้วยเครื่องนั่นคือญี่ปุ่นญี่ปุ่นมีความสามารถด้านภาษาอังกฤษที่ไม่ดีและมีความต้องการใช้เครื่องแปลภาษาแบบเข้มงวดมาก
ศาสตราจารย์ Nagao Shinretsu จากมหาวิทยาลัยเกียวโตประเทศญี่ปุ่นได้เสนอการแปลด้วยคอมพิวเตอร์โดยใช้ตัวอย่างเช่นหยุดคิดเกี่ยวกับการให้เครื่องจักรแปลตั้งแต่เริ่มต้นเราจำเป็นต้องจัดเก็บประโยคตัวอย่างเช่นเราจะต้องเก็บประโยคที่ไม่ตรงกับที่เราต้องการ นอกจากนี้คุณยังสามารถเปรียบเทียบประโยคตัวอย่างได้โดยเพียงแค่เปลี่ยนคำแปลของคำต่างๆคำว่าการคิดแบบไร้เดียงสานี้ไม่ได้ดีไปกว่าการแปลด้วยเครื่องจักรที่ใช้กฎมากดังนั้นจึงไม่ได้ทำให้เกิดคลื่น แต่ในไม่ช้าความหวังของการสร้างหอคอยแห่งบาเบลของมนุษย์ ดูเหมือนจะเห็นรุ่งอรุณอีกครั้ง
การแปลด้วยเครื่องทางสถิติ
การระเบิดของเครื่องแปลภาษาสถิติยังคงเป็น IBM อยู่ในบทความ "ทฤษฎีการคำนวณทางคณิตศาสตร์ของการแปลด้วยคอมพิวเตอร์" ที่ตีพิมพ์ในปี 2536 มีการนำเสนอโมเดลทางสถิติ 5 แบบคือ "IBM Model 1" to "IBM Model 5"
ความคิดของแบบจำลองทางสถิติคือการแปลการแปลเป็นปัญหาความน่าจะเป็นในทางทฤษฎีจำเป็นต้องใช้คลังข้อมูลแบบคู่ขนานและใช้สถิติเป็นราย ๆ ๆ กันตัวอย่างเช่นแม้ว่าเครื่องจะไม่ทราบว่า "ความรู้" เป็นภาษาอังกฤษ แต่ก็จะพบได้หลังจากสถิติ corpus มากที่สุด ตราบใดที่มีประโยคที่มีความรู้คำว่า "ความรู้" จะปรากฏในประโยคตัวอย่างภาษาอังกฤษที่สอดคล้องกันด้วยวิธีนี้แม้ว่าพจนานุกรมและกฎไวยากรณ์จะไม่ได้รับการบำรุงรักษาด้วยตนเองเครื่องจะสามารถเข้าใจความหมายของคำได้
แนวคิดนี้ไม่ใช่เรื่องใหม่เพราะ Warren Weave ได้นำเสนอแนวคิดที่คล้ายกัน แต่ก็มีคลังข้อมูลแบบขนานไม่เพียงพอและความสามารถในการ จำกัด เครื่องคิดเลขในเวลานั้นอ่อนแอเกินไปและไม่นำมาปฏิบัติจริง Modern Statistical Machine Translation from การที่จะหา "ที่ทันสมัยหิน Rosetta" หมายความว่าอย่างไรในความเป็นจริงที่มาที่สำคัญที่สุดคือสหประชาชาติเพราะมติสหประชาชาติและประกาศจะมีเวอร์ชั่นภาษาของแต่ละรัฐสมาชิก แต่นอกเหนือจากที่คุณต้องการที่จะทำให้คลังขนานของคุณเองเพื่อ ขณะนี้ต้นทุนของการแปลของมนุษย์แปลว่ารู้ว่าค่าใช้จ่ายนี้สูงอย่างน่าอัศจรรย์
ในช่วงสิบปีที่ผ่านมาเรามีความคุ้นเคยกับการแปลของ Google จะขึ้นอยู่กับเครื่องแปลภาษาเชิงสถิติที่จะได้ยินว่าทุกคนควรมีความชัดเจนโมเดลการแปลงทางสถิติไม่สำเร็จของสาเหตุใหญ่ของบาเบลในความประทับใจของทุกคนที่แปลด้วยคอมพิวเตอร์เพียงแค่หยุดที่ ระดับของ "ประโยชน์" มากกว่า "ประโยชน์"
การแปลด้วยเครื่องเครือข่ายประสาทเทียม
โดยปี 2014 การแปลด้วยเครื่องได้เปิดตัวการเปลี่ยนแปลงครั้งใหญ่ที่สุดในประวัติศาสตร์ - "การเรียนรู้ลึก ๆ "!
เครือข่ายประสาทไม่ใหม่ในความเป็นจริงเครือข่ายประสาทประดิษฐ์ได้รับ 80 ปีที่ผ่านมา แต่เนื่องจากในปี 2006 เจฟฟรีย์ฮินตัน (การศึกษาสามลึกขนาดใหญ่ครั้งแรกของพระเจ้า) การปรับปรุงการเพิ่มประสิทธิภาพเครือข่ายประสาทข้อบกพร่องร้ายแรงจะช้าเกินไปที่การเรียนรู้ลึกจะยังคง มาพร้อมกับความหลากหลายของความสำเร็จที่น่าอัศจรรย์มักปรากฏในชีวิตของเราในปี 2015 เครื่องเป็นครั้งแรกเกินกว่าการรับรู้ภาพของมนุษย์ ;. 2016 อัลฟาไปเอาชนะแชมป์หมากรุกโลก 2017, มากกว่าการรับรู้เสียงของมนุษย์ชวเลข; 2018 ความเข้าใจในการอ่านภาษาอังกฤษของเครื่องนั้นนับว่าเกินกว่ามนุษย์เป็นครั้งแรกแน่นอนว่าพื้นที่การแปลด้วยเครื่องนี้ได้เริ่มมีการเจริญเติบโตขึ้นเนื่องจากการเรียนรู้อย่างลึกซึ้งของปุ๋ยซุปเปอร์นี้
Yoshua Bengio ของการเรียนรู้ลึกพระเจ้าในกระดาษ 2014 เป็นครั้งแรกที่วางโครงสร้างพื้นฐานของเทคโนโลยีการเรียนรู้ลึกสำหรับการแปลโดยคอมพิวเตอร์เขาส่วนใหญ่จะใช้เครือข่ายประสาทตามลำดับที่ใช้ซ้ำ (RNN) เพื่อให้เครื่องสามารถจับภาพประโยคโดยอัตโนมัติ คุณลักษณะคำซึ่งจะสามารถแปลโดยอัตโนมัติในผลการแปลภาษาอื่นบทความนี้แสดงให้เห็นว่า Google ได้รับสมบัติไม่นานหลังจากนั้น Google ให้ดินปืนขนาดใหญ่และพระพรของพระเจ้ายิ่งใหญ่ Google ประกาศอย่างเป็นทางการในปี 2016 ว่า การแปลโดยเครื่องทางสถิติทั้งหมดออกจากชั้นวางระบบแปลภาษาของเครือข่ายประสาทเทียมกลายเป็นหลักสำคัญในการแปลภาษาเครื่องจักรที่ทันสมัย
คุณลักษณะที่ใหญ่ที่สุดของการแปลของเครื่องเครือข่ายประสาทเทียมของ Google คือการเพิ่มความสนใจในความเป็นจริงกลไกการให้ความสนใจคือกวาดสายตาก่อนเมื่อจำลองการแปลของมนุษย์จากนั้นเลือกคำสำคัญบางคำเพื่อยืนยันความหมาย กระบวนการ (รูปที่ 2) แน่นอนว่าเมื่อได้รับพรจากกลไกการให้ความสนใจพลังงานได้เพิ่มขึ้นอย่างมาก Google อ้างว่าในภาษาอังกฤษฝรั่งเศสอังกฤษและจีนตะวันตกมีอัตราการเกิดข้อผิดพลาด ระบบการแปลด้วยเครื่องทางสถิติลดลง 60%
แม้ว่าเครือข่ายประสาทสามารถเรียนรู้จากคลังข้อมูลคู่ขนานที่มีอยู่แล้วและเข้าใจถึงลักษณะทางภาษาศาสตร์ที่ลึกซึ้งของประโยค แต่ก็ไม่สมบูรณ์แบบปัญหาใหญ่ที่สุดเกิดขึ้นจากข้อมูลจำนวนมากที่จำเป็นและไม่สามารถเข้าใจได้ว่าเป็นกล่องดำกล่าวคือ " ไม่มีทางที่จะทำผิดพลาด แต่เพียงเพื่อให้คลังข้อมูลถูกต้องมากขึ้นเพื่อแก้ไข "การเรียนรู้อย่างลึกซึ้ง" ดังนั้นรูปแบบประโยคเดียวกันอาจมีผลการแปลที่แตกต่างกันมาก
ในเดือนกุมภาพันธ์ พ.ศ. 2561 Microsoft ได้ก้าวไปสู่ความเข้าใจด้านภาษาเครื่องมากกว่าความเป็นมนุษย์เมื่อวันที่ 14 มีนาคมนักวิจัยจาก Microsoft Research Asia และ Redmond Research Institute ได้ประกาศว่าระบบแปลภาษา R & D ของพวกเขาเป็น รายงานการทดสอบชุดทดสอบชุดทดสอบภาษาจีน - อังกฤษของ Newstest2017 มีระดับเทียบเท่ากับการแปลของมนุษย์นี่เป็นชัยชนะที่สำคัญสำหรับการแปลด้วยระบบประสาทของเครือข่ายประสาทเทียมแน่นอนว่านวัตกรรมนี้ยังมีนวัตกรรมทางสถาปัตยกรรมที่น่าสังเกตมากที่สุด เข้าร่วมกับ Dual Learning and Deliberation Networks
การเรียนรู้คู่การแก้ปัญหาของ จำกัด คลังขนานโดยทั่วไปความลึกของการเรียนรู้ที่จะต้องให้คำตอบเครื่องเพื่อเครื่องจะสามารถที่จะอยู่บนพื้นฐานของความแตกต่างระหว่างการแปลและคำตอบที่ได้รับการแก้ไขอย่างยั่งยืนปรับปรุง. ในฐานะที่เป็นเครือข่ายการตรวจสอบข้อเท็จจริงยังเลียนแบบกระบวนการของการแปลของมนุษย์ มักจะแปลของมนุษย์จะทำครั้งแรกแปลหยาบและปรับเนื้อหาที่แม่นยำของการแปลภาษาที่สองในความเป็นจริงคุณอาจพบว่าไม่ว่าอัจฉริยะเครือข่ายประสาทจะยังคงจบลงบนพื้นผิวการอ้างอิงของสิ่งมีชีวิตที่ฉลาดที่สุดซึ่งเป็นร่างกาย สำหรับมนุษยชาติเรา
ภาษาไม่สามารถหนีบริบทของการใช้งาน
การพัฒนาเครื่องแปลภาษาไม่ได้หมายความว่าอนาคตของวิชาชีพการแปลจะเป็นอาหารการกินไม่มี. มันอาจจะตั้งข้อสังเกตว่าการนำเสนอไมโครซอฟท์เน้น "สากลชุดทดสอบรายงาน Newstest2017 ข่าว" ของ "ชุดทดสอบภาษาอังกฤษ" ชุดข้อมูล ผลการดำเนินงานที่ดีอาจไม่เท่ากับความเป็นสากลซึ่งสามารถอธิบายได้ว่าเหตุใดผู้แปลของ Junnan Ming ของ Tencent จึงมีชื่อเสียงที่ดี แต่ทำไมการตีความแบบเรียลไทม์ใน Boao จึงไม่ถูกต้อง
เวลาจริงการตีความแปลอาจกล่าวได้ว่าเป็นสุดยอดของงานที่เราจะต้องมีความเข้าใจที่ถูกต้องของการได้ยินประโยคเดิม แต่ยังแปลงสำหรับระยะเวลาที่ จำกัด สำหรับภาษาอื่น ๆ. และอย่าลืมลำโพงจะไม่ให้เวลาเพื่อรอการแปล, การรับรู้เสียงและเท่าเทียมกันดังนั้น การแปลด้วยเครื่องจักรต้องดำเนินการแบบซิงโครนัสรวมทั้งเสียงในที่เกิดเหตุการพูดของผู้พูดการแทรกคำคำกิริยาเป็นต้นซึ่งทั้งหมดนี้อาจทำให้เครื่องตัดสินใจผิดพลาดได้
ในมุมมองของฉันมิถุนายน Tencent แปลสามารถถูกกล่าวหาว่าจุดอาจไม่ทำงานอย่างหนักพอเราไม่ได้ใส่คำนามที่เหมาะสมรายการสำคัญซึ่งจะเป็น "ทางหลวงและเข็มขัด" เกิดขึ้น "ความผิดพลาดคลาสสิก."
นอกจากนี้ยังสามารถเห็นได้จากรูปที่ 3 เป็นความแตกต่างที่น่าสนใจว่าทำไมเวสต์เป็นเครื่องแปลภาษาผิดโจ่งแจ้ง, เครื่องแปลภาษา แต่ประเทศที่เกือบจะสามารถที่จะโทเจตนาหรือไม่มันเป็นเพราะภาษามนุษย์ไม่สามารถหย่าขาดจากสถานการณ์การใช้งานอยู่. ที่เรามักจะเรียนรู้ภาษา เน้นอยู่กับบริบท (บริบท) ซึ่งมาจากวัฒนธรรมที่ผ่านมาเรามีความทรงจำในอดีตที่ผ่านมาถูกวาง. ถังไม่ได้อ่าน Google ตามธรรมชาติไม่สามารถเข้าใจสาระสำคัญของบทกวีนี้. อุปสรรคทางภาษาจะเป็นยุคสุดท้ายของปัญญาประดิษฐ์ของมนุษย์เพราะ ภาษาจะมีการเปลี่ยนแปลงอย่างต่อเนื่องเนื่องจากการใช้มนุษย์นี่เป็นเครื่องทดแทนเครื่องจักรที่ยากมาก
ด้วยความก้าวหน้าของเทคโนโลยีวันหนึ่งการแปลด้วยเครื่องจะเปลี่ยนจาก "เป็นประโยชน์" เป็น "ประโยชน์" และพัฒนาไปเป็น "ประโยชน์" แต่อย่างที่ฉันเคยถกเถียงกันอยู่เสมอเครื่องจะไม่ปล้นการทำงานของคนอื่น ในความเป็นจริงของมนุษย์ว่างงานของเราเท่านั้นเอง. วิธีการที่จะทำให้การใช้งานที่ดีของปัญญาประดิษฐ์ที่จะกลายเป็นเครื่องมือของตัวเองที่จะถอนตัวเองจากความเบื่อน่าเบื่อของการทำงานนี้เป็นท่าที่ถูกต้องที่จะเผชิญกับอนาคต. อิเล็กทรอนิกส์ใหม่
3.AI การต่อสู้ที่ยิ่งใหญ่ของข้อมูลขนาดใหญ่และความเป็นส่วนตัวมีเพียงแค่เริ่มต้น;
หัวข้อร้อนที่ผ่านมาส่วนใหญ่ก็จะไม่มีใครอื่นนอกจากข้อมูลที่ไม่ใช่ขนาดใหญ่รวมทั้งจำนวน Expo 2018 ประเทศจีนจัดอย่างจริงจังก็ต้องกล่าวว่าสิ่งที่สำคัญที่สุดคือการเก็บรวบรวมข้อมูลของข้อมูลขนาดใหญ่ แต่สหภาพยุโรปได้ประกาศระเบียบข้อมูลทั่วไปการป้องกัน (GDPR), แคนซัส อ้างว่าเป็นกฎหมายการป้องกันข้อมูลส่วนบุคคลที่เข้มงวดที่สุดเท่าที่เคยมีขึ้นนอกจากนี้ยังก่อให้เกิดข้อพิพาทเกี่ยวกับการพัฒนาข้อมูลขนาดใหญ่และข้อมูลส่วนบุคคล
เหตุผลที่ข้อมูลขนาดใหญ่สามารถกลายเป็นข้อมูลที่มีประสิทธิภาพคือการรวบรวมและวิเคราะห์ข้อมูลและข้อมูลเพิ่มเติมข้อมูลที่เกี่ยวข้องมากที่สุดสามารถนำมาวิเคราะห์และเป็นข้อมูลที่เป็นประโยชน์ได้
แต่แหล่งที่มาของข้อมูล แต่บนริมฝีปากของทุกคนในชาติมีน่าจะถูกบังคับให้เสียสละผลประโยชน์ส่วนตัวของพวกเขาที่จะให้ประเทศที่จะดำเนินนโยบายซึ่งเป็นที่เห็นได้ชัดที่สุดในประเทศจีน, การพัฒนาประเทศจีนกับข้อมูลที่เป็นธรรมอย่างรวดเร็วรัฐบาล การวางแผนนโยบายจำนวนมากและแม้กระทั่งสิ่งที่เรียกว่าการลดความยากจนและความยากจนและอื่น ๆ เช่นเดียวกับข้อมูลขนาดใหญ่ทุกปัญหาจะไม่เกิดปัญหา แต่จำนวนมากของข้อมูลขนาดใหญ่ในความเป็นจริงเป็นบุคคลที่เสียสละสิทธิข้อมูลส่วนบุคคลซึ่งเน้นความเป็นส่วนตัวของประเทศก็คือ สิ่งที่เป็นไปไม่ได้
ทิศทางการพัฒนาธุรกิจของชาวไต้หวันเป็นศูนย์กลางข้อมูลอุตสาหกรรมขนาดใหญ่การพัฒนาที่รวดเร็วที่สุดคือ Hon Hai ซึ่งมีข้อมูลการผลิตเป็นเวลา 40 ปีเป็นข้อได้เปรียบที่ใหญ่ที่สุดของ Hon Hai และยังเป็นสถานที่ที่ไต้หวันมีโอกาสพัฒนาข้อมูลขนาดใหญ่
อย่างไรก็ตามหากไต้หวันต้องการพัฒนาข้อมูลขนาดใหญ่เช่นจีนแผ่นดินใหญ่ก็มีส่วนเกี่ยวข้องกับความเป็นส่วนตัวของผู้คนโดยทั่วไปมีอุปสรรคมากมายและเป็นเพียงบันทึกอื่น ๆ ที่สามารถทำให้เกิดการละเมิดข้อมูลส่วนบุคคลโดยไม่ต้องกล่าวถึงเรื่องที่เกี่ยวข้อง เกี่ยวกับข้อมูลขนาดใหญ่ที่เกี่ยวข้องโดยตรงกับความเป็นส่วนตัวส่วนบุคคลไม่ว่า Big Data จะประสบความสำเร็จหรือไม่เราก็กลัวว่าเราจะต้องลากจูงความสนใจของสาธารณชนและความเป็นส่วนตัวของข้อมูลส่วนบุคคล
4. การสังเกตุเห็นด้วยกับโหนดขอบการใช้งานวิดีโอ / เสียงแต่ละบัญชีสำหรับครึ่งท้องฟ้า
2018 AIoT (AI + IOT) ตลาดที่มีการเติบโตที่น่าตกใจผลักดันการพัฒนาของความหลากหลายของอุปกรณ์ แต่ยังเพื่อส่งเสริมการทำงานการเรียนรู้ลึกดำเนินการบนขอบของการเปลี่ยนไปยังเมฆเพื่อให้บรรลุ latency ต่ำต่ำแบนด์วิดธ์เป็นส่วนตัวสูงและมีประสิทธิภาพสูงของปัญญาประดิษฐ์ ประสบการณ์การใช้งาน
ด้วยปัญญาประดิษฐ์ (AI), ดำเนินการบนขอบ (ขอบ Computing) เทคโนโลยีในปีที่ผ่านมาการพัฒนาอย่างรวดเร็วของความหลากหลายของอุปกรณ์อิเล็กทรอนิกส์และเครื่องใช้ภายในบ้านแนวคิดสมาร์ทรวมถึงจะมีการเปลี่ยนแปลงการปฏิวัติจะเกิดขึ้นค่อยๆ. ในท้ายที่สุดต่างๆ เครือข่ายปัญญาประดิษฐ์ประกอบด้วยเครื่องใช้ในบ้านอาจจะเป็นคุณและฉันไม่สามารถมองเห็นสมาชิกในครอบครัวอื่น ๆ. แนวคิดของเมฆในท้องถิ่นและอุปกรณ์ที่เกี่ยวข้องจะเป็นองค์ประกอบของเครือข่ายปัญญาประดิษฐ์สำหรับบ้านที่ขาดไม่ได้
ลำโพงสมาร์ท / การตรวจสอบจะกลายเป็นแกนหลักที่สองของ AI ผู้บริโภค
บริษัท วิจัยไข่รับผิดชอบในการติดตามการพัฒนาของเทคโนโลยีเพื่อผู้บริโภคนักวิจัยโรนันเด Renesse (รูปที่ 1) ว่าการประยุกต์ใช้ AI ในสาขาอิเล็กทรอนิกส์สำหรับผู้บริโภคเกือบสองปีที่มักจะกลายเป็นจุดสนใจของสื่อ แต่อุปกรณ์อิเล็กทรอนิกส์และ AI รวมกับแนวโน้ม ในช่วง 3-5 ปีข้างหน้าผลิตภัณฑ์อิเล็กทรอนิกส์สำหรับผู้บริโภคจำนวนมากจะมีฟังก์ชัน AI และจะเชื่อมโยงกันเพื่อสร้างเครือข่ายปัญญาประดิษฐ์ในบ้าน
รูปที่ 1 Ronan de Renesse นักวิจัยด้านเทคโนโลยีผู้บริโภคที่ Ovum เชื่อว่าอุปกรณ์อิเล็กทรอนิกส์ต่างๆในครอบครัวในอนาคตจะกลายเป็นสมาชิกครอบครัวที่มองไม่เห็น
สำหรับห่วงโซ่ฮาร์ดแวร์แม้ว่าแนวโน้มนี้จะนำโอกาสทางธุรกิจใหม่ ๆ แต่ถ้าจากจุดระดับที่สูงขึ้นของมุมมองนี้อย่างเงียบ ๆ เข้ามาในเครือข่ายปัญญาประดิษฐ์ในบ้านคุณจะไม่เห็นอีก "ครอบครัว สมาชิก. "
ทางด้านฮาร์ดแวร์ลำโพงสมาร์ทที่คุ้นเคยกับทุกคนถือเป็นผลิตภัณฑ์ที่ค่อนข้างเป็นผู้ใหญ่แม้ว่าจะมีการเติบโตอย่างมากในช่วง 5 ปีข้างหน้า แต่การเติบโตจะค่อยๆชะลอตัวโดยคาดว่าในปี 2565 ลำโพงสมาร์ททั่วโลก ยอดขายจะใกล้เคียงกับ 9.5 พันล้านเหรียญสหรัฐในความเป็นจริง Renesse เชื่อว่า Amazon และ Google อาจไม่สามารถเปิดตัวแบรนด์สมาร์ทโฟนของตัวเองได้ในอนาคตเนื่องจากผลิตภัณฑ์ประเภทนี้มีพื้นที่สำหรับทำกำไรน้อย สำหรับเครือข่ายยักษ์ใหญ่ในเครือข่ายภายในบ้านตราบเท่าที่ผู้จัดจำหน่ายฮาร์ดแวร์ใช้บริการแพลตฟอร์มพวกเขาสามารถรวบรวมข้อมูลผู้ใช้ที่ต้องการได้
ในช่วงเวลาเดียวกันการเปลี่ยนแปลงในผลิตภัณฑ์ต่างๆเช่นระบบตรวจสอบอัจฉริยะภายในบ้านจะเด่นชัดกว่าลำโพงอัจฉริยะปัจจุบันผลิตภัณฑ์ตรวจสอบอัจฉริยะภายในบ้านเรียกว่าไม่ได้มีส่วนประกอบของปัญญาประดิษฐ์ แต่เป็นกล้องเตือนภัยล็อคประตูเซ็นเซอร์และฮาร์ดแวร์อื่น ๆ ผลิตภัณฑ์เชื่อมต่อกันเพื่อสร้างระบบรักษาความปลอดภัยที่สนับสนุน Event Trigger อย่างไรก็ตามเนื่องจากเทคโนโลยีซอฟต์แวร์และฮาร์ดแวร์ที่เกี่ยวข้องจะโตเต็มที่สัดส่วนของกล้องเฝ้าระวังในบ้านที่มีปัญญาประดิษฐ์จะเพิ่มขึ้นและในเวลาเดียวกันก็จะสามารถบรรลุผลได้มากขึ้น แอปพลิเคชันเช่นการใช้ผู้ช่วยเสียงช่วยให้ผู้ใช้หลายรายสามารถใช้บริการได้อย่างถูกต้องมากขึ้นในสภาพแวดล้อมที่มีผู้ใช้หลายคน
การปกป้องข้อมูลส่วนบุคคลของผู้บริโภคสำหรับแอป AI
อย่างไรก็ตามสำหรับอุตสาหกรรมฮาร์ดแวร์สิ่งที่น่าสังเกตมากที่สุดคือแนวคิดของเมฆในท้องถิ่นและผลิตภัณฑ์แอพพลิเคชันที่เกี่ยวข้องจะถูกหยิบขึ้นมาเนื่องจากอุปกรณ์ต่างๆในบ้านมักสนับสนุน AI Renesse ชี้ว่าผลิตภัณฑ์อิเล็กทรอนิกส์ที่ติดตั้งฟังก์ชัน AI จะ ผลิตข้อมูลผู้ใช้จำนวนมากและข้อมูลจำนวนมากเป็นข้อมูลที่เกี่ยวข้องกับความเป็นส่วนตัวดังนั้นหากผลิตภัณฑ์อิเล็กทรอนิกส์ภายในบ้านเหล่านี้พร้อมปัญญาประดิษฐ์สมบูรณ์พึ่งพาเมฆภายนอกเพื่อใช้งานได้ชัดจะทำให้เกิดความกังวลเรื่องความเป็นส่วนตัว
ในทางกลับกันอุปกรณ์ IoT สำหรับผู้บริโภคจำนวนมากที่มีฟังก์ชันง่ายๆจะถูก จำกัด ด้วยกำลังไฟการประมวลผลและต้นทุนการผลิตพวกเขาอาจไม่สามารถสนับสนุนอัลกอริทึม AI ระดับสูงได้ในขณะนี้อุปกรณ์ Cloud ในท้องถิ่นสามารถเล่นบทบาทของสมองได้ สั่งซื้ออุปกรณ์เหล่านี้อย่างสม่ำเสมอ
อย่างไรก็ตาม Renesse ยังยอมรับว่ายังคงยากที่จะยืนยันว่าอุปกรณ์ใดจะเล่นศูนย์เมฆในท้องที่อาจเป็นลำโพงอัจฉริยะที่มีลำดับสูงกว่าอาจเป็นสมาร์ททีวีหรือผลิตภัณฑ์อื่น ๆ ได้
เอียนเอสมิ ธ ผู้อำนวยการฝ่ายการตลาดอาวุโสของ Arm (รูปที่ 2) เชื่อว่าจะมีการใช้คอมพิวเตอร์และการอนุมานที่มากขึ้นเรื่อย ๆ ไปยังเครื่องเทอร์มินัลในอนาคตแรงผลักดันหลักสำหรับการโอนนี้คือการปกป้องข้อมูลส่วนบุคคลของผู้ใช้ ด้วยการประมวลผลและวิเคราะห์ข้อมูลในเทอร์มินัลคุณสามารถระบุข้อมูลได้อย่างง่ายดายและมั่นใจได้ว่าข้อมูลที่สำคัญจะไม่รั่วไหลออกจากเครือข่ายการใช้งานที่บ้านเป็นตัวอย่างผู้บริโภคไม่ต้องการให้ใครรู้ได้จากอินเทอร์เน็ตว่าพวกเขาไม่อยู่ที่บ้าน เวลาของประชาชนแล้วอย่างง่ายดายที่จะขโมยที่บ้าน
รูปที่ 2 Ian Smythe ผู้อำนวยการฝ่ายการตลาดอาวุโสของ Arm กล่าวว่าสำหรับแอพพลิเคชัน AI สำหรับผู้บริโภคว่ากลไกการปกป้องข้อมูลส่วนบุคคลมีความน่าเชื่อถือเป็นสิ่งสำคัญหรือไม่ที่จะสามารถเผยแพร่แอพพลิเคชันได้
สำหรับการใช้งานภาพสมิ ธ เชื่อว่ากล้องที่สนับสนุนการจดจำภาพได้รับการพิจารณาอย่างโดยเนื้อแท้เรื่องความเป็นส่วนตัวที่สำคัญแน่นอนอุปกรณ์เหล่านี้จะต้องได้รับการออกแบบเพื่อให้พวกเขาสามารถป้องกันเมื่อเก็บไว้ในประเทศหรือส่งผ่านไปยังเมฆ ข้อมูลส่วนบุคคลและข้อมูลที่ละเอียดอ่อนเนื่องจากการส่งข้อมูลมักจะเชื่อมต่อแบบไร้สายต้องให้ความสนใจเป็นพิเศษกับความปลอดภัยของฟังก์ชันการรับส่งข้อมูลแบบไร้สายวิศวกรออกแบบอุปกรณ์ต้องตรวจสอบให้แน่ใจว่าอุปกรณ์ที่เชื่อมต่อกับเครือข่ายจะไม่ถูกแฮ็กและสอดแนม
อายุการใช้งานแบตเตอรี่ยังคงเป็นความท้าทายทางเทคนิคหลัก
อย่างไรก็ตามเพื่อให้ปากของโหนด AI ความท้าทายทางเทคนิคที่ใหญ่ที่สุดคือยังคงใช้พลังงานของระบบ. ในการเฝ้าระวังกล้องของผู้บริโภคตัวอย่างเช่นผู้บริโภคอาจคาดหวังผลิตภัณฑ์เหล่านี้จะไร้สายสมบูรณ์ก็ดีที่สุดคือไม่แม้กระทั่งสายไฟฟ้า นี้หมายความว่าผลิตภัณฑ์เหล่านี้จะต้องเป็นแบตเตอรี่ขับเคลื่อน แต่ยังสนับสนุนเครือข่ายไร้สาย. นอกจากนี้ก็ควรจะสามารถที่จะระบุรายการทั้งหมดและความจำเป็นสำหรับการจัดเก็บแบบไม่ จำกัด
ดังกล่าวข้างต้นมีความต้องการการจัดการที่ดีของความท้าทายสำหรับการออกแบบระบบก็สามารถต้องใช้เวลาหลายเดือนในการทำงานความจุแบตเตอรี่ที่ชาร์จไฟอย่างต่อเนื่องของเครื่องการเรียนรู้ (ML) และความสามารถอย่างต่อเนื่องในการอัปโหลดไฟล์ไปเก็บเมฆเหล่านี้กรณีที่รุนแรงของการออกแบบและระบบชิปส่วนประกอบ ข้อกำหนดที่เข้มงวดมากที่สำคัญพวกเขาได้เข้าใจการออกแบบท่าเต้นเมื่อมีการเปิดใช้งานคุณลักษณะเหล่านี้เพื่อยืดอายุแบตเตอรี่
ด้วยกล้องตรวจสอบบ้านกล้องวิดีโอไม่จำเป็นต้องได้ตลอด 24 ชั่วโมงบริการรถรับส่งห้องว่างเพียงแค่อัปโหลดภาพของส่วนที่เป็นที่เหมาะสมเฉพาะเมื่อมีตัวตนยืนยันของผู้คนที่นั่น. ในทำนองเดียวกันในกรณีเช่นความพร้อมของฉากเดียวกัน เปิดใช้อัลกอริทึม ML ไม่ได้ทำให้รู้สึก. เตรียมการระวังที่เมื่อเปิดใช้งานคุณลักษณะเหล่านี้เพื่อที่จะทำให้อุปกรณ์ของผู้บริโภคที่คาดว่าจะอยู่ในโหมดของการดำเนินการเพียงสองแบตเตอรี่ AA การใช้งานปกติสามารถในระยะยาว
แต่ยังเป็นเพราะการใช้พลังงานเป็นหนึ่งในอุปสรรคหลักในการ AI ประจำการอยู่ในอุปกรณ์ปลายทางมีที่เพิ่งเริ่มต้นที่บ้านจำนวนมากได้เห็นโอกาสที่จะเปิดตัวเครือข่ายประสาทพลังงานต่ำ (NN) ทรัพย์สินทางปัญญาเร่งซิลิกอน (IP) ในตลาดเพื่อช่วยชิป ในขณะที่ลดการใช้พลังงานนักพัฒนาซอฟต์แวร์สามารถบรรลุประสิทธิภาพที่จำเป็นโดยการอนุมานขั้นตอนวิธี Kneron เปิดตัวชุด NPU อย่างเป็นทางการซึ่งเป็นหน่วยประมวลผลปัญญาประดิษฐ์ที่ออกแบบมาเฉพาะสำหรับอุปกรณ์ปลายทาง IP. ครอบครัวประกอบด้วยสามผลิตภัณฑ์คือรุ่นพิเศษต่ำพลังงานของ KDP 300, Standard Edition KDP 500 เช่นเดียวกับรุ่นที่มีประสิทธิภาพสูงของ KDP 700 เพื่อตอบสนองมาร์ทโฟนแอพลิเคชันของสมาร์ท, การรักษาความปลอดภัยที่ชาญฉลาดเช่นเดียวกับความหลากหลายของอุปกรณ์สิ่ง ทั้งช่วงของผลิตภัณฑ์ที่มีการใช้พลังงานต่ำลักษณะขนาดที่เล็กและให้ความสามารถในการประมวลผลที่มีประสิทธิภาพ. ซึ่งแตกต่างจากพลังงานของโปรเซสเซอร์ AI มีอยู่ในตลาดหลายสิบวัตต์ปิดการใช้พลังงาน Kneron NPU IP เป็น 100 เมกะวัตต์ (mW) ระดับ KDP 300 ที่ทุ่มเทให้กับการจดจำใบหน้าสำหรับสมาร์ทโฟนกินพลังงานน้อยกว่า 5 milliwatts
โปรแกรมประยุกต์ที่สามารถจะทนผู้จัดการฝ่ายการตลาดผลิตภัณฑ์ ลบ.ม. Shiya ลุน (รูปที่ 3 จากซ้าย) ชี้ให้เห็นจะได้รับการดำเนินการเกี่ยวกับการดำเนินการด้านปัญญาประดิษฐ์อุปกรณ์ปลายทางขณะที่การประชุมความต้องการสำหรับการใช้พลังงานและประสิทธิภาพการทำงานคือการพิจารณาหลัก. ดังนั้นการแนะนำของการแก้ปัญหาที่ดีที่สุดสำหรับการใช้งานของแต่ละบุคคลที่มีความสำคัญ .. โปรแกรมปัจจุบันของปัญญาประดิษฐ์สามารถแบ่งออกเป็นสองประเภทหลักของเสียงกับวิดีโอสถาปัตยกรรมเครือข่ายประสาทพวกเขาใช้การใช้งานเสียงเน้นที่แตกต่างกันในการวิเคราะห์ภาษาธรรมชาติสถาปัตยกรรมเครือข่ายหลักที่เป็นเครือข่ายประสาทกำเริบ (RNN); โครงสร้างเครือข่ายหลักที่ใช้สำหรับการวิเคราะห์ภาพเป็นเครือข่ายประสาทเทียม (CNN) เพื่อเพิ่มประสิทธิภาพสำหรับโครงสร้างเครือข่ายที่แตกต่างกันการแก้ปัญหาโดยความสามารถจะแตกต่างกัน
Shen หมิงฮ (รูปที่ 3 จากขวา) หมีสามารถเติมเต็มผู้จัดการการออกแบบซอฟต์แวร์แม้ว่าความต้องการลดลงสำหรับประสิทธิภาพการประมวลผลชิปวิเคราะห์ภาษาธรรมชาติ แต่เป็นเพราะเสียงของภาษานิสัยการพูดมีความแตกต่างที่ดีและดังนั้นจึงจำเป็นว่าชุดข้อมูลการฝึกอบรมรุ่น ยิ่งกว่าการจดจำวิดีโอในทางกลับกันเนื่องจากผู้บริโภคคุ้นเคยกับการใช้ผู้ช่วยเสียงในระบบคลาวด์เช่น Apple Siri และ Google Assistant แล้วแอปพลิเคชันการวิเคราะห์ความหมายแบบออฟไลน์ได้รับความนิยมจากผู้บริโภค เงื่อนไขเบื้องต้นคือต้องให้ประสบการณ์ของผู้บริโภคที่คล้ายคลึงกันภายใต้ทรัพยากรที่มีอยู่อย่าง จำกัด ซึ่งเป็นความท้าทายสำหรับผู้จัดจำหน่ายชิปและนักพัฒนาระบบ
3 หมีสามารถใช้การตลาดและการจัดการสินค้า Shiya ลุน (ซ้าย) เชื่อว่าเสียงกับการรับรู้ภาพแตกต่างกันมากในธรรมชาติจำเป็นต้องพึ่งพาการแก้ปัญหาที่แตกต่างกันเพื่อตอบสนอง. Shen หมิงฮเป็นซอฟต์แวร์ที่เหมาะสมสามารถเป็นผู้จัดการการออกแบบทน
ในความเป็นจริงส่วนใหญ่ของลำโพงสมาร์ทยังคงไม่ขอบผลิตภัณฑ์คอมพิวเตอร์ Allen Aaron ชี้ให้เห็นว่าไม่ว่าจะเป็น Amazon 's Echo, Homepod ของ Apple หรือ Baidu, ลำโพง Alibaba แพลตฟอร์มสมาร์ทยังคงต้อง ข้อมูลจะถูกส่งกลับไปยังระบบคลาวด์เพื่อการประมวลผลและการวิเคราะห์ความหมายเพื่อที่จะตอบสนองต่อผู้ใช้การดำเนินการด้วยเสียงซึ่งสามารถทำได้โดยตรงบนผลิตภัณฑ์ส่วนใหญ่นั้นส่วนใหญ่เป็นไปตามกฎ
ตั้งแต่ 2016 หมีสามารถเปิด บริษัท ของขั้วแรกเฉพาะอุปกรณ์ประมวลผล AI NPU IP ที่มีอย่างต่อเนื่องเพื่อปรับปรุงการออกแบบและข้อมูลจำเพาะของตนและเหมาะสำหรับการใช้งานในอุตสาหกรรมที่แตกต่างกัน. ในปัจจุบันมีให้บริการกับลูกค้าเริ่มต้นในทรัพย์สินทางปัญญา, KDP 500 ลูกค้าโรงงานใช้ระบบที่ได้รับและจะเป็นในการผลิตมวลในการผลิตไตรมาสที่สอง (หน้ากากเทปออก). รู้จำเสียงพูดด้วยความร่วมมือสุนัขค้นหาได้ประสบความสำเร็จความหมายออฟไลน์แยกดังนั้นแม้ว่าอุปกรณ์ปลายทางไม่ได้เชื่อมต่อกับเครือข่าย แต่ยัง สามารถเข้าใจคำแนะนำด้วยเสียงของผู้ใช้
Kneron NPU IP จะทุ่มเทโปรเซสเซอร์ปัญญาประดิษฐ์สำหรับอุปกรณ์ปลายทางที่ถูกออกแบบมาเพื่อให้อุปกรณ์ปลายทางในสภาพแวดล้อมแบบออฟไลน์คุณสามารถเรียกใช้ RESNET, YOLO เครือข่ายการเรียนรู้ลึกอื่น ๆ. Kneron NPU ที่สมบูรณ์โซลูชั่นฮาร์ดแวร์แบบ end-AI รวมทั้งฮาร์ดแวร์ IP คอมไพเลอร์ (compiler) และรูปแบบการบีบอัด (รูปแบบการบีบอัด) สามส่วนสามารถรองรับความหลากหลายของรูปแบบเครือข่ายประสาทหลักเช่น RESNET-18, RESNET-34, Vgg16, GoogleNet และ Lenet เช่นเดียวกับการสนับสนุนหลักในการเรียนรู้ลึก เฟรมรวมทั้ง Caffe, Keras และ TensorFlow
การใช้พลังงาน Kneron NPU IP เป็น 100 ระดับ mW รุ่นอัลตร้าไฟต่ำของ KDP 300 หรือแม้แต่น้อยกว่า 5 เมกะวัตต์เต็มรูปแบบของผลิตภัณฑ์ในประสิทธิภาพการทำงานต่อวัตต์ 1.5 ท็อปส์ / W หรือมากกว่าการใช้จำนวนของเทคโนโลยี แต่เพียงผู้เดียวก็สามารถ ตอบสนองความต้องการของผู้ขายชิปผู้ขายระบบเพื่อการใช้พลังงานที่ต่ำและกำลังประมวลผลสูง
การล็อกองค์ประกอบพื้นฐานฮาร์ดแวร์เร่งไม่กลัวซ้ำทางเทคนิค
บ่ม (Hardwired) วงจรเพื่อปรับปรุงประสิทธิภาพของงานคอมพิวเตอร์บางอย่างที่ช่วยลดการใช้พลังงานการออกแบบชิปสำหรับทุกเพศทุกวัย แต่ค่าใช้จ่ายของความยืดหยุ่นแอพลิเคชันที่ต่ำกว่าการเปลี่ยนแปลงที่สำคัญในกรณีที่ต้องการของตลาดสำหรับฟังก์ชั่นชิป หรืออัลกอริทึมซอฟต์แวร์จะเปลี่ยนแปลงไปอย่างมากนักออกแบบชิปต้องพัฒนาชิปใหม่ ๆ
วิธีการออกแบบนี้ไม่ใช่ปัญหาอย่างไรก็ตามในด้านเทคโนโลยีที่เกิดขึ้นใหม่ซึ่งการทำซ้ำทางเทคโนโลยีเป็นไปอย่างรวดเร็วการใช้แนวทางการออกแบบนี้จะมีความเสี่ยงเชิงพาณิชย์ค่อนข้างใหญ่ ปัญญาประดิษฐ์เป็นสนามเทคโนโลยีการทำซ้ำอย่างรวดเร็วเกือบทุกปีมีอัลกอริทึมใหม่และรูปแบบออกมาสถาบันวิจัย Open AI ยังชี้ให้เห็นว่าในช่วง 6 ปีที่ผ่านมาการฝึกอบรมแบบจำลอง AI ความต้องการในการคำนวณประสิทธิภาพจะเพิ่มทุก 3.43 เดือน ครั้ง
ในเรื่องนี้ Shen Mingfeng ชี้ให้เห็นว่าตัวเร่งฮาร์ดแวร์ไม่จำเป็นต้องยืดหยุ่นใช้ผลิตภัณฑ์ความอดทนเป็นตัวอย่างในแง่ของการออกแบบสถาปัตยกรรม บริษัท ใช้เทคนิคการสลายตัวของเคอร์เนล (Filter Decomposition) เพื่อ convolve เมล็ด convolution ขนาดใหญ่ บล็อกการทำงานถูกแบ่งออกเป็นหลายส่วนของบล็อกการทำงานของ convolution ขนาดเล็กที่จะทำงานตามลำดับและรวมเข้ากับเทคโนโลยี Convolutional Acceleration แบบ Reconfigurable Convolutional Acceleration ซึ่งผลการดำเนินงานของกลุ่มการดำเนินการ convolutional ขนาดใหญ่จะรวมกันเพื่อเร่งการดำเนินการทั้งหมด ประสิทธิภาพการดำเนินงาน
ด้วยวิธีการเปรียบเทียบที่เข้าใจได้ง่ายก็เหมือนกับว่าก้อนอิฐ LEGO สามารถประกอบเข้ากับวัตถุประเภทต่างๆได้ แต่วัตถุทั้งหมดนั้นยังคงอยู่ในกลุ่มของบล็อกขั้นพื้นฐานบางส่วนโปรแกรมความอดทนเป็นสิ่งจำเป็นสำหรับอัลกอริทึม AI องค์ประกอบพื้นฐานจะถูกเร่งเพื่อปรับปรุงประสิทธิภาพการทำงานของอัลกอริธึมทั้งหมดดังนั้นแม้ว่าอัลกอริธึม AI จะได้รับการอัปเดตด้วยความเร็วสูงมากโซลูชันประสิทธิภาพยังคงสามารถใช้ผลการเร่งความเร็วได้
นอกเหนือจากการเร่งตัวเองถูกออกแบบมาสำหรับองค์ประกอบพื้นฐานมากกว่าวิธีเฉพาะเพื่อเร่งการต้านทานภายนอกโดยรวมยังสามารถให้เทคนิคการเร่งความเร็วและการใช้งานของ AI หรือนำไปใช้เช่นรูปแบบการบีบอัดแบบจำลอง (Model บีบอัด) เทคโนโลยีการบีบอัดใส่ไม่ได้เพิ่มประสิทธิภาพ จำนวนครั้งที่เทคโนโลยีการจัดเก็บข้อมูลหน่วยความจำแบบลำดับชั้น (แคชหลายระดับ) สามารถลดภาระของ CPU และลดปริมาณของการส่งข้อมูลเพื่อส่งเสริมประสิทธิภาพการดำเนินงานโดยรวมนอกจากนี้ Kneron NPU IP สามารถใช้ร่วม Kneron ซอฟต์แวร์รู้จำภาพมีการวิเคราะห์ประจำตัวประชาชนแบบ real-time และรวดเร็ว ในการตอบสนองที่ไม่เพียง แต่มีเสถียรภาพมากขึ้น แต่ยังเพื่อตอบสนองความต้องการความปลอดภัยของข้อมูลส่วนบุคคลเนื่องจากฮาร์ดแวร์และซอฟต์แวร์ที่สามารถบูรณาการอย่างแน่นหนาเพื่อให้โปรแกรมโดยรวมที่มีขนาดเล็กใช้พลังงานต่ำเพื่อช่วยในการพัฒนาผลิตภัณฑ์อย่างรวดเร็ว
การระบุภาพ AI เป็นเรื่องเร่งด่วนมากขึ้นไปที่ขอบ
โดยรวม, ความต้องการของตลาดในปัจจุบันสำหรับการรับรู้ภาพเป็นเรื่องเร่งด่วนมากขึ้นการวิเคราะห์ความหมายออฟไลน์แม้ว่าจะมีลำโพงอัจฉริยะขนาดใหญ่นี้การใช้งานตลาดที่มีศักยภาพ แต่เดิมพันนี้ แต่แหล่งอุตสาหกรรมน้อย. เหตุผลที่สำคัญสำหรับปรากฏการณ์นี้ว่าภาพที่ ส่งจะใช้เวลามากขึ้นของแบนด์วิดธ์เพื่อยกระดับค่าใช้จ่ายในการถือครองทั้งระบบเสียงไม่ได้เป็นปัญหา
Lin Zhiming ผู้จัดการทั่วไปของ Jingxin Technology (ภาพที่ 4) อธิบายว่าการรวมปัญญาประดิษฐ์และ Internet of Things จะผลักดันการนำเทคโนโลยี edge computing เทคโนโลยี edge computing ไปประยุกต์ใช้กับแอพพลิเคชันที่หลากหลาย ท่ามกลางแนวโน้มนี้ความยืดหยุ่นและความเร็วเป็นข้อได้เปรียบที่ใหญ่ที่สุดสำหรับผู้ผลิตชาวไต้หวันส่วนใหญ่ บริษัท ชาวไต้หวันและ บริษัท ออกแบบ IC จะสามารถเจาะตลาดประดิษฐ์จากขอบได้ง่ายขึ้น
รูปที่ 4: Zhixin Lin ผู้จัดการทั่วไปของ Jingxin Technology คาดการณ์ว่า IP Cam จะเป็นหนึ่งในโปรแกรมหลักสำหรับการอนุมาน AI บนอุปกรณ์ระดับสูง
ในเวลาเดียวกันเนื่องจากเทคโนโลยีคอมพิวเตอร์ขอบนำเข้า แต่ยังจะนำไปเพิ่มหน่วยความจำ, การส่งและอื่น ๆ ความต้องการของฮาร์ดแวร์จะผลักดันอย่างมีนัยสำคัญถึงต้นทุนการผลิต. เนื่องจากความสัมพันธ์อิมเมจระบบบนชิป (SoC) แต่เดิมเมื่อเทียบกับการใช้งานที่ซับซ้อนมากขึ้นอื่น ๆ ความทนทานต่อค่าใช้จ่ายมีขนาดใหญ่ดังนั้นเทคโนโลยีการประมวลผลแบบขอบจึงเป็นที่แรกที่นำเข้าโดยแอพพลิเคชั่นที่เกี่ยวข้องกับภาพเช่น IP Cam
การประยุกต์ใช้ปัญญาประดิษฐ์สามารถแบ่งออกเป็นสองส่วนหารือเกี่ยวกับการฝึกอบรมและการรับรู้. ในขั้นตอนของการเรียนรู้อย่างลึกซึ้งของการดำเนินงานที่มีขนาดใหญ่เป็นเวลาสั้น ๆ จะยังคงได้รับการจัดการโดยคอมพิวเตอร์เมฆ. ผู้ประกอบขอบเป็นผู้รับผิดชอบในงานที่ดูดข้อมูลที่เก็บรวบรวมทำก่อน การรักษาเบื้องต้นหลังจากที่กรองออกข้อมูลที่ไม่สำคัญแล้วอัปโหลดข้อมูลไปยังระบบคลาวด์เพื่อประหยัดค่าใช้จ่ายในการขนส่ง. บนมืออื่น ๆ ที่มีผลการเรียนรู้เชิงลึกเมฆสมบูรณ์ก็เป็นไปได้ที่จะระบุการทำงานของอาคารที่ชาญฉลาดมากขึ้น. เพื่อ IP Cam ตัวอย่างเช่นการศึกษาความลึกของภาพของการทำงานสามารถจะแล้วเสร็จครั้งแรกโดยคอมพิวเตอร์เมฆจะเป็นเครื่องที่ได้เรียนรู้ที่จะยอมรับคนเดินเท้าหลังจากที่ยานพาหนะเพียงขอบของการสิ้นสุดของไอพีผ่านกล้องที่สามารถปฏิบัติงานประจำตัวประชาชน
ในทางกลับกันเนื่องจาก IP Cam ใช้กันอย่างแพร่หลายในการบำรุงรักษาความปลอดภัยและความมั่นคงของชุมชนรัฐบาลและองค์กรต่างๆค่อนข้างยินดีที่จะสนับสนุนการลงทุนซึ่งเป็นเหตุผลที่ IP Cam จะพัฒนาอย่างรวดเร็ว
หุ้นหลิน Zhiming ผู้ผลิตหลายคล้าหาวิธีการที่จะนำเข้าชิปปัญญาประดิษฐ์เข้าสู่ระบบของตัวเอง. สถานการณ์ปัจจุบันจะคล้ายกับเมื่อสิ่งที่เพียงแค่เริ่มเจริญเรายังคงสำรวจวิธีการใช้การตัดที่ประมาณ 2020 ผู้ผลิต จะเปิดตัวผลิตภัณฑ์จริงมากขึ้น
แอปพลิเคชันแบบเรียลไทม์ต้องใช้สถาปัตยกรรมคอมพิวเตอร์ขอบ
ปัญญาประดิษฐ์เป็นหัวข้อร้อนในปัจจุบันซึ่งค่อยโอนมาจากสถาปัตยกรรมคอมพิวเตอร์เมฆสถาปัตยกรรมคอมพิวเตอร์ขอบจะนำมาไม่มีผลกระทบเล็ก ๆ บนผู้ผลิตห่วงโซ่อุปทาน. แม้จะมีระยะเวลาสั้น ๆ จะยังคงพัฒนาปัญญาประดิษฐ์ที่ใช้คอมพิวเตอร์เมฆ อย่างไรก็ตามหลายฟังก์ชันปัญญาประดิษฐ์เกี่ยวกับการใช้งานวิสัยทัศน์จะเริ่มนำเข้าขอบ
Xilinx พัฒนากรรมการ (Xilinx) หน่วยสืบราชการลับภาพตลาดกลยุทธ์เดลเค Hitt (รูปที่ 5) ชี้ให้เห็นว่าในอนาคตอันใกล้, AI ส่วนประกอบการฝึกอบรมการพัฒนาอาจจะยังคงครอบงำโดยคอมพิวเตอร์เมฆ. แต่อนุมาน / การจัดวางองค์ประกอบได้เริ่ม ใช้การดำเนินการขอบเพื่อสนับสนุนแอพพลิเคชันที่ต้องการประสิทธิภาพแฝงต่ำและประสิทธิภาพของเครือข่าย
รูปที่ 5 Dale K. Hitt ผู้อำนวยการฝ่ายพัฒนาตลาดสำหรับกลยุทธ์ Xilinx intelligence intelligence เชื่อว่าสำหรับแอพพลิเคชันที่ต้องการเวลาแฝงต่ำมากการดำเนินงานของขอบจะเป็นทางออกที่ดีที่สุด
สำหรับองค์ประกอบที่ถูกดำเนินขอบสำหรับการใช้งานมองเห็นเครื่องที่เกี่ยวข้องกับการเรียนรู้ที่จะเป็นหนึ่งในแนวโน้มที่สำคัญและกว้างไกล. และในวิสัยทัศน์เครื่องจักรอุตสาหกรรมเมืองสมาร์ทการวิเคราะห์ภาพและตลาดตนเองไดรฟ์มีความแข็งแกร่ง ศักยภาพในการเติบโต. ในแง่ของอุตสาหกรรมวิสัยทัศน์และผู้บริโภคการใช้งานเนื่องจากขั้นตอนวิธีการเรียนรู้ของเครื่องขอบคณิตศาสตร์ที่จะดำเนินการเพื่อให้ประสิทธิภาพการทำงานที่ความต้องการยังมีสูงกว่ารุ่นก่อนหน้าโปรแกรมจำนวนมาก. นอกจากนี้เครื่องขอบเรียนรู้ขั้นตอนวิธีการ / ฟังก์ชั่นยังได้รับการพัฒนาอย่างรวดเร็วและดังนั้นทุกเดินชีวิต ต้องการฮาร์ดแวร์ที่ปรับตัวเองเพื่อเพิ่มประสิทธิภาพสำหรับสถาปัตยกรรมการอนุมานการเรียนรู้ด้วยเครื่องจักรในอนาคต
Hitt ตนเองขับรถเช่นรถแต่ละคันมีอัลกอริทึมที่อยู่เบื้องหลังการสนับสนุนเซ็นเซอร์เป็นผู้รับผิดชอบในการตีความของผลที่ได้จากการส่งออกของข้อมูลเซ็นเซอร์รับรู้ที่. แนวโน้มล่าสุดคือการใช้ขั้นตอนวิธีการเรียนรู้ลึกเพื่อการส่งออกเหล่านี้ตีความการรับรู้ของผลอย่างไร ขั้นตอนวิธีการเรียนรู้ลึก ๆ จะต้องได้รับการฝึกอบรมผ่านสถานการณ์ที่เป็นไปได้มากมายเพื่อเรียนรู้วิธีการอ่านข้อมูลเซ็นเซอร์ทั้งหมดที่เป็นไปได้
หลังจากการฝึกอบรมขั้นตอนวิธีการเรียนรู้ลึกต้องประมวลผลประสิทธิภาพสูงที่มีค่า Latency ต่ำในการสั่งซื้อเพื่อควบคุมรถได้อย่างปลอดภัย. สำหรับยานพาหนะไฟฟ้าคุณต้องใช้พลังงานต่ำที่จะรับมือกับการ จำกัด อุณหภูมิในการทำงานและขยายธุรกิจแบตเตอรี่สารกึ่งตัวนำไฟฟ้า เป้าหมายคือการจัดหาโซลูชั่นที่มีประสิทธิภาพสูงใช้พลังงานต่ำและสามารถปรับเปลี่ยนได้เพื่อตอบสนองความต้องการด้านการขับขี่แบบ AI ที่หลากหลาย
ในขั้นตอนการดำเนินการอยู่บนขอบของการพัฒนาที่ท้าทายที่สุดคือการเปลี่ยนแปลงความต้องการของตลาดได้อย่างรวดเร็วเกินไปก็สามารถเปลี่ยนสำหรับความหลากหลายของการปรับตัวอย่างรวดเร็วของเทคโนโลยีเป็นสิ่งสำคัญมากในการที่จะช่วยให้ผู้ประกอบการจะยังคงแข่งขัน
Hitt เพิ่มเติมแสดงให้เห็นถึงความลึกของขั้นตอนวิธีการเรียนรู้ในอัตราที่รวดเร็วของความคืบหน้าอย่างต่อเนื่องหลายโซลูชั่นชั้นนำในปี 2017 ได้เผชิญหน้าเพื่อให้ห่างไกลการตายที่คล้ายกัน. แม้ว่าคนอื่น ๆ ในขณะนี้มีกำลังการผลิตที่สูงขึ้นพร้อมกับการเพิ่มขึ้นของความต้องการคอมพิวเตอร์ฮาร์ดแวร์ยังคง ฮาร์ดแวร์ที่ดีที่สุดต้องมีการปรับปรุงในอัตราที่เร็วขึ้นในการสั่งซื้อเพื่อหลีกเลี่ยงการถูกตัดออกแม้ในการผลิตฮาร์ดแวร์บางส่วนในการเผชิญหน้ากับความต้องการที่จะปรับปรุง. หลายทางเลือกต้องจำได้อัปเดตชิปเดิม
Hitt เสริมข้อดีที่เป็นเอกลักษณ์ FPGA ที่มีคอมพิวเตอร์สถาปัตยกรรมหน่วยความจำและการเชื่อมโยงไปยังด้านอื่น ๆ ของความลึกของฮาร์ดแวร์ที่สามารถเพิ่มประสิทธิภาพและ CPU และ GPU เมื่อเทียบกับการเพิ่มประสิทธิภาพเพื่อให้เกิดประสิทธิภาพที่สูงขึ้นในการใช้พลังงานที่ลดลงในขณะที่อดีตสอง สถาปัตยกรรมฮาร์ดแวร์ไม่สามารถปรับให้เหมาะสำหรับความต้องการที่มาใหม่ได้อย่างรวดเร็ว
การทำงานของ Edge ล้นหลาม
การใช้งานเอไอพึ่งพาการดำเนินงานศูนย์ข้อมูลเมฆแม้ว่าจะมีการสนับสนุนการคำนวณพลังงานสูงมากมันเป็นเรื่องปกติที่สูงกว่าขอบของความถูกต้องของอุปกรณ์ประจำตัวประชาชนให้เป็นไปตามรูปแบบที่เรียบง่ายของเหตุผล แต่หลังจากที่คำนึงถึงความเป็นส่วนตัวบัญชี, การตอบสนองแบบ real-time ออนไลน์และค่าใช้จ่ายและปัจจัยอื่น ๆ การหาข้อสรุปโดยตรงบนขอบของอุปกรณ์ที่ยังคงเป็นตัวเลือกที่น่าสนใจมาก. ในมืออื่น ๆ ที่เป็นข้อมูลเมฆขนาดของตลาดที่มีขนาดใหญ่กว่าศูนย์อุปกรณ์ปลายทางมีแรงจูงใจทางเศรษฐกิจที่แข็งแกร่ง. นี้ยังเป็นปีที่ผ่านมา AIoT ตะโกนคำขวัญช็อต ราคาดังเหตุผลที่สำคัญสำหรับอุตสาหกรรมเซมิคอนดักเตอร์ในรูปแบบแข็งขัน
มองไปในอนาคตการใช้งานเอไอที่ได้รับการสนับสนุนจากคลาวด์ยังคงมีอยู่ในตลาด แต่สัดส่วนที่ถูกผูกไว้เพื่อลดทุกปีก็จะถูกแทนที่ด้วยใหม่เมฆไฮบริดและสถาปัตยกรรมขอบคอมพิวเตอร์. การประยุกต์ใช้งานของนักพัฒนา AI เมฆไม่สามารถแทนที่ ค่าอยู่ในรถไฟรุ่นมากกว่าการดำเนินการอนุมาน. ด้วยเหตุผลนี้นักพัฒนาแอพลิเคชัน, ผู้ให้บริการโซลูชั่นสามารถบรรลุการเชื่อมต่อระหว่าง "เมฆ" และ "จบ" จะเป็นนักพัฒนาโปรแกรม การพิจารณาที่สำคัญที่สุดในการประเมินซัพพลายเออร์ New Electronics
ผู้สำเร็จการศึกษา 5.MIT จะได้รับประกาศนียบัตรบล็อกบัสในเดือนนี้
San Francisco, 3 มิถุนายนข่าวนเทคโนโลยีบล็อกโซ่ช่วยให้ Massachusetts Institute of Technology (MIT) ผู้สำเร็จการศึกษาในการจัดการแบบดิจิทัลนักวิชาการประจำของพวกเขา
บริษัท ซอฟต์แวร์ที่เคมบริดจ์, แมสซาชูเซต Learning เครื่องจักรและ MIT Media Lab และความร่วมมือสำนักงานจดทะเบียนนักเรียนสามารถเลือกที่จะดาวน์โหลดกระเป๋าสตางค์บล็อกโซ่เก็บรักษาความปลอดภัยและการแบ่งปันประกาศนียบัตรของพวกเขา
ตามที่ "รีวิวเทคโนโลยีเอ็มไอที" รายงานว่าหลังจากที่โครงการนำร่องครั้งแรกที่ประสบความสำเร็จ MIT ตัดสินใจจากจุดเริ่มต้นของเดือนนี้ที่จะให้บริการกระเป๋าสตางค์บล็อกโซ่สำหรับผู้สำเร็จการศึกษาใหม่ทั้งหมด
'ผมไม่เชื่อว่าเราสามารถควบคุมสถาบันกลางของการเรียนรู้เพื่อบันทึกดิจิทัล.' ผู้อำนวยการฟิชมิดท์ของการเป็นตัวแทนการเรียนรู้นวัตกรรม Media Lab ของ
วัตถุประสงค์ของการเปิดตัวประกาศนียบัตรรูปแบบ blockchain คือการทำให้นักเรียนสามารถรับข้อมูลการศึกษาได้ทันเวลาและเชื่อถือได้เพื่อให้นายจ้างที่มีศักยภาพไม่จำเป็นต้องโทรศัพท์ติดต่อโรงเรียนอีกครั้งเพื่อยืนยันความถูกต้องของประกาศนียบัตรของตน
ผู้สำเร็จการศึกษาใหม่ที่ต้องการประกาศนียบัตรดิจิทัลเพียงต้องการดาวน์โหลดแอปเดียว
ก่อนที่จะสำเร็จการศึกษาเอ็มไอทีจะจัดส่งอีเมลเชิญไปให้นักเรียนอีเมลเขียนว่า 'Hey, ดาวน์โหลด Blockcerts Wallet ยอมรับรหัสผ่านและเพิ่ม MIT ในฐานะผู้จัดพิมพ์' Chris Jagers, CEO, Learning Machine เมื่อ MIT ออกประกาศนียบัตรนักเรียนจะได้รับอีเมลพร้อมไฟล์ดิจิตอลที่สามารถนำเข้าโดยตรงไปยังแอพพลิเคชันได้