1.Var e smart chip hanno svelato lo stadio della Coppa del Mondo: il team francese è stato il più grande vincitore;
Pechino, 16 Coppa del Mondo Elettrico giugno FIFA ha lanciato importanti riforme: VAR lanciata (video assistente dell'arbitro), e impiantati con una smart chip nella corsa palla al terzo match nel 16 ° gioco. Il giorno, la squadra francese è nuovamente diventata beneficiaria del duello con la squadra australiana ed entrambi hanno vinto la prima penalità favorevole.
Dopo la comunicazione con l'assistente del video dell'arbitro, Cunha ha dato la squadra francese una sanzione commutata. Gelieziman la palla facilmente in porta, rendendo la squadra francese a fare affidamento sul VAR commutata, prima che la prossima città. Questa è la prima volta commutata VAR Il calcio di rigore risultante.
La pena ha portato a polemiche. Nella conferenza stampa post-partita, il tecnico francese Didier Deschamps ha detto che la pena come la palla il giorno prima della partita contro il Portogallo la Spagna ha ottenuto nella stessa frase, di volta in frase, che dipende interamente dalla la decisione di arbitrare allenatore olandese del mio team australiano Van Marwijk crede che fosse un aborto spontaneo della giustizia: 'Anche se non ho visto il video di replay, ma sto bene, vedere chiaramente in posizione di campo, non dovrebbe essere un rigore. la posizione arbitro più vicino, ma ha inizialmente detto che non c'era nessuna penalità, agitò giocare. noi siamo le vittime di VAR, ma non abbiamo intenzione di contestare questa decisione '.
squadra francese alla Coppa del Mondo di fila dai VAR e intelligente di chip profitti, anche continuato la loro fortuna prima. Nel 1998, la FIFA ha lanciato ufficialmente la 'golden gol morte improvvisa' e poi la tecnologia sfera d'argento in Coppa del Mondo nel 1998 ottavi di finale della Coppa del mondo con il Paraguay, il difensore francese Laurent Blanc ha segnato il primo golden gol nella storia della Coppa del mondo compresse per aiutare la Francia qualificarsi. con questo grano di golden gol inestimabile, il team francese dopo il taglio tutto il percorso attraverso, alla fine ha vinto la Coppa del mondo in casa. Dal momento che questa regola è troppo grande e troppo crudele possibilità, dopo l'attuazione dei due 2004 FIFA annullato il sistema di golden gol e il sistema sfera d'argento.
Al fine di promuovere lo sviluppo del calcio, per proteggere i giocatori e garantire la continuità del gioco, la FIFA ha cercato di modificare alcune delle regole. Tuttavia, alcune persone sono felici gli altri sono tristi. Nel 1970, il primo uso di cartellini gialli e rossi Coppa del Mondo 9 tenuto in Messico, il primo cartellino giallo è stato vinto dalla Roper Gorbaciov ex Unione Sovietica. nel 1974, la decima partita di Coppa del mondo contro il Cile, Repubblica federale di Germania nella Germania occidentale, la Turchia Baba Kan ha emesso un arbitro di Coppa del mondo nella storia dei giocatori cileni Fidel Zeljko Il primo cartellino rosso verrà multato. (Fine)
2. GPU, chip FPGA è diventato un braccio "destrorso" per migliorare l'apprendimento automatico;
'Notizie smart su NetEase 17 giugno' Nel software commerciale, i chip per computer sono stati dimenticati.Per le applicazioni commerciali, questo è un bene, perché la tecnologia robotica ei dispositivi hardware personali sono più strettamente collegati, quindi l'applicazione di produzione Ancora più focalizzato sulla parte hardware.
Dagli anni '70, nel suo complesso, lo status quo dell'intelligenza artificiale (AI), e in particolare del campo dell'apprendimento approfondito (DL), la relazione tra hardware e software è diventata più strettamente collegata che mai. articoli di intelligenza artificiale (gestione AI) 'con sovra-adattamento e pregiudizi, esistono due gravi rischi nel sistema di apprendimento automatico (ML). questa colonna esaminerà un numero di gestori, particolarmente responsabili delle linee operative hardware possono essere trattati Acronimi, questi acronimi sono costantemente citati nei sistemi di apprendimento automatico: GPU (Graphics Processing Units) e FPGA (Field Programmable Gate Arrays).
Questo aiuta a capire il valore della GPU perché la GPU accelera l'elaborazione del tensore richiesta per le applicazioni di deep learning Il punto di interesse degli FPGA è trovare modi per ricercare nuovi algoritmi AI, addestrare questi sistemi e iniziare a distribuire Molti sistemi personalizzati a basso volume studiati in applicazioni IA industriali, anche se questa è una discussione sulle capacità degli FPGA per la formazione, credo che l'uso precoce fosse dovuto all'uso di F, il campo.
Ad esempio, la formazione di un motore di inferenza (il nucleo di una macchina "machine learning") può richiedere gigabyte o anche terabyte di dati. Quando si eseguono inferenze nel data center, il computer deve gestire un numero potenzialmente crescente di richieste utente simultanee. Nelle applicazioni edge, sia in droni utilizzati per ispezionare pipeline o smartphone, l'apparecchiatura deve essere piccola e comunque efficace, ma adattabile, in termini semplici, una CPU e una GPU. Ci sono due dispositivi, e un FPGA può avere diversi blocchi per fare cose diverse, ed è possibile fornire un robusto sistema di chip.Tutti questi diversi requisiti, è meglio capire lo stato attuale dell'architettura di sistema che può supportare diversi requisiti.
Esistono due tipi principali di progettazione di chip che possono pilotare gli attuali sistemi ML, GPU e FPGA. A metà del futuro (almeno alcuni anni), è anche possibile diventare un suggerimento di nuove tecnologie per i convertitori di giochi.
Unità di elaborazione grafica (GPU)
Il chip più grande nel mondo dell'apprendimento automatico è l'unità di elaborazione grafica GPU, utilizzata principalmente per i giochi per computer, quindi come fa qualcosa di più bello sul monitor di un computer a diventare importante per l'apprendimento automatico? Deve tornare al livello software.
machine learning è il sistema attuale campione Deep Learning (DL). Sistema di DL in base a vari algoritmi, tra cui la profondità della rete neurale (DNN), convoluzionale rete neurale (CNN), ricorrenti rete neurale (RNN) e molte altre varianti. È questi tre termini è visto parola 'rete (network)'. algoritmo è una variante di un tema, il tema è tra strati di diversi tipi di nodi di comunicazione, i nodi e lo strato.
In lavorazione è una pluralità di matrici o matrici. Un'altra matrice (matrice) è un tensore termine più preciso (tensore), quindi è usato come classe tensorflow di apprendimento automatico in tutto il settore.
Ora di nuovo al vostro schermo del computer. Si può usare in righe e colonne visti come una matrice di pixel o punti. Questa è una matrice bidimensionale o tensore. Quando si aggiunge il colore, aggiungere un po 'per la dimensione di ogni pixel, vogliono alla stessa immagine di una rapida evoluzione nel calcolo può diventare rapidamente complicato e prende cicli di CPU passo dopo passo. GPU ha la propria memoria, l'intera immagine viene salvata come matrice grafico può quindi essere calcolata utilizzando un tensore matematico cambiare l'immagine, e quindi modificare solo i pixel affetti sullo schermo. ogni volta che questo processo di ridipingere l'intera immagine cambia schermo molto più veloce.
NVIDIA nel 1993, mira a creare un chip per risolvere problemi informatici comuni non possono essere risolti matrice come una CPU, ecc Questa è la nascita della GPU.
operazioni matriciali non importa ciò che il prodotto finale è, ma solo l'elaborazione elementi. Questa è una leggera semplificazione, poiché le operazioni diverse a seconda matrice sparsa (quando ci sono molti zero) diversa dalle matrici dense hanno diversi modi di lavorare, ma il contenuto non cambierà l'operazione, resta il fatto. quando i teorici dell'apprendimento profondità vedere lo sviluppo della GPU, hanno rapidamente adottati per accelerare le sue operazioni tensore.
GPU è essenziale per lo sviluppo di machine learning, data center di promuovere la formazione e il ragionamento. Per esempio, NVIDIA Volta V100 Tensor Nucleo ha continuato ad accelerare nella sua architettura di base e la capacità di funzionare ad una precisione inferiore in termini di ragionamento (questo sarà un altro argomento , significa meno bit, il che significa un'elaborazione più rapida, ma ci sono altri aspetti da considerare quando si tratta di Internet of Things.
Campo programmabile Gate Array (FPGA)
Nel campo (field), tutti i tipi di applicazioni hanno esigenze diverse. Ci sono molte aree diverse applicazioni, veicoli, condutture, robot, ecc in diversi settori industriali per differenti applicazioni possono essere progettate per ogni tipo di circuito integrato, ma questo può sarebbe molto costoso e comprometterebbe il ritorno della società sul capitale investito. può anche rinviare il time to market, perdere importanti opportunità di business per le esigenze altamente individuali di coloro che non possono fornire economie di scala sufficienti del mercato è particolarmente il caso.
aziende FPGA e ricercatori per aiutare a risolvere il problema del chip. FPGA è un circuito integrato che può essere programmato per una varietà di scopi. Ha una programmazione e le relazioni tra i blocchi e blocchi di una serie di 'blocco logico programmabile'. E ' Uno strumento universale che può essere personalizzato per una varietà di usi. I principali fornitori includono Xilinx e National Instruments.
In particolare, la progettazione di chip a basso costo non rende il problema del basso costo FPGA essere selezionato. Di solito sono più adatti per la ricerca o applicazioni industriali. Complessità circuiti programmabili e progettazione non è adatto a basso costo Applicazioni di consumo.
Poiché l'FPGA può essere riprogrammato, questo lo rende prezioso per il campo emergente dell'apprendimento automatico, aumentando gli algoritmi e perfezionando i diversi algoritmi mediante la riprogrammazione dei blocchi. Inoltre, FPGA a bassa potenza a bassa precisione per sensori remoti È una buona combinazione: sebbene l'inventore chiami 'campo' più come 'cliente', il vero vantaggio dell'FPGA nella realizzazione di applicazioni AI è nel mondo reale. Infrastrutture come strade e condutture e ispezioni remote con drone, FPGA consentono ai progettisti di sistemi la flessibilità di utilizzare un singolo componente hardware per molteplici scopi, consentendo progettazioni fisiche più semplici che possono essere applicate più facilmente sul campo.
La nuova architettura arriverà presto
Le GPU e gli FPGA sono tecnologie che stanno attualmente aiutando a risolvere la sfida di espandere l'impatto dell'apprendimento automatico su molti mercati: ciò che stanno facendo è lasciare che più persone si concentrino sullo sviluppo di questo settore e provino a creare nuove architetture in tempo per candidarsi.
Da un lato, molte aziende stanno cercando di imparare le lezioni di operazioni tensore sulla GPU. Hewlett-Packard, IBM e Intel hanno sviluppato un progetto speciale per la prossima generazione di calcolo dispositivi profondità tensore di imparare. Allo stesso tempo, come Cambricon, Graphcore e Wave Computing Tali startup stanno anche cercando di fare la stessa cosa.
D'altra parte, Braccio, Intel e altre aziende stanno progettando l'architettura per approfittare di GPU e CPU, e il dispositivo finalizzato anche a imparare mercato delle macchine, ha detto di essere in grado di fare di più che concentrarsi calcolo tensoriale per altri processi in tutto il nucleo AI Anche l'elaborazione è più potente.
Sebbene alcune di queste organizzazioni si concentrino su data center e altre Internet of Things, è troppo presto per parlarne.
Da start-up alle società globali, un avvertimento è che, oltre alle prime informazioni, non appaiono altre informazioni. Se vediamo i primi campioni dei dispositivi al più tardi nel 2020, allora sarebbe una sorpresa, in modo che siano almeno cinque anni Non elencato.
(Selezionata da: Forbes Autore: David A. Teich compilazione: NEW YORK partecipazione intelligente: nariiy)
3.Intel esposizione processore 10nm Piccola spedizione batch
processo 10nm Intel resa a causa di non conformità, la produzione di massa è stata rinviata al 2019, ora solo una piccola consegne in volumi, un prodotto conosciuto solo 15W thermal design power versione a bassa tensione del Core i3-8121U (famiglia nome in codice Cannon Lake ), e solo Lenovo lo sta usando.
Specifiche per i3-8121U dual-core quattro thread, clock a 2.2-3.2GHz, tre 4MB di cache, memoria supporta doppio canale DDR4 / LPDDR4-2400 32GB, thermal design power di 15W.
L'informazione della parte nucleare non è stata pubblicata, ma dovrebbe essere perché il problema della resa è stato disabilitato, quindi Lenovo ha aggiunto una scheda grafica discreta AMD.
Tedesco hardware supporti ComputeBase descritto nel primo i3-8121U 'come se' si può vedere la disposizione del collo coerente con il prodotto precedente, è ancora un core, un pacchetto di chip set principale insieme, BGA pacchetti integrato Saldato sulla scheda madre.
Abbiamo trovato una versione a bassa tensione degli otto generazione Intel Core Duo dato ufficialmente una foto, è possibile trovare un processore, chipset core sono più piccoli, giunti pacchetto di saldatura ed elementi capacitivi anche cambiato molto, dovrebbe essere più compatibile.
ComputeBase ha rilevato che la dimensione complessiva del package dell'i3-8121U è 45 x 24 mm (in linea con le specifiche ufficiali), con un'area del processore di circa 71 mm2 e un'area del chipset di circa 47 mm2.
Anche se, secondo studio ha rilevato che la densità dei transistor processo 10nm Intel più di 100 milioni per millimetro quadrato, equivalente o addirittura superiore al livello di Samsung, TSMC, 7nm GLOBALFOUNDRIES, ma contrapporre i propri prodotti 14nm, il cambiamento non sembra di grandi dimensioni.
Sai, la parte del processore Intel di prima generazione a 14nm Broadwell-U di Intel è di soli 82 millimetri quadrati, 10nm è solo una riduzione del 13%, e siamo tutti dual-core a quattro thread, 4MB a tre cache, solo l'esecuzione nucleare Le unità sono aumentate da 24 a 40 e supportano il set di istruzioni AVX512.
Inoltre, il pacchetto complessivo di 45 x 24 mm è leggermente più grande dell'attuale versione a bassa tensione da 14 nm di 42 x 24 mm.