1.VAR과 스마트 칩이 월드컵 경기장을 공개했습니다. 프랑스 팀이 가장 큰 우승자가되었습니다.
북경 북경 6 월 16 일 전기 월드컵, FIFA는 중요한 개혁을 시작 : 처음 시작 VAR (비디오 보조 심판), 그리고 16 경기에서 세 번째 경기에 볼 레이스에서 스마트 칩을 이식. 그날 프랑스 팀은 호주 팀과의 결투에서 다시 수혜자가되었으며, 둘 다 첫 번째 유리한 처벌을 받았다.
비디오 심판의 조수와의 통신을 한 후, 쿠나는 벌금이 감형 프랑스 팀을 주었다. 다음 도시 이전.이 VAR 감형 처음이다의 감형 VAR에 의존하는 프랑스 팀을 만들고, 목표에 쉽게 공을 Gelieziman 결과 페널티 킥.
처벌. 논쟁을 주도 경기 후 기자 회견에서, 프랑스 감독 디디에 데샹은 스페인 대 게임 포르투갈 전에 볼과 처벌 날이 완전히에 의존하는, 문장 시간에서 같은 문장에서 얻은했다 내 호주 팀의 네덜란드 코치 반 Marwijk을 심판하기로 결정 그것이 정의의 유산이었다 생각한다 : "나는 비디오 재생을 보지 못했다,하지만 난 괜찮아 있지만, 필드 위치에 명확하게 볼, 그것은 안 페널티 킥. 그것을 가까이,하지만 그는 처음에 수수료가 없다고 말했다 심판의 위치는 경기 손을 흔들었다. 우리는 VAR의 피해자이지만, 우리는이 결정에 이의를 제기하지 않을 수 있습니다. '
VAR 및 스마트 칩 이익에서 연속 월드컵 프랑스어 팀은 또한 운 전. 1998 년 FIFA가 공식적으로 1998 년 월드컵에서 '갑작스런 죽음 황금 목표'나중에 실버 볼 기술을 시작 계속 파라과이와 월드컵의 녹아웃 라운드, 프랑스의 수비수 로랑 블랑은 절단 후 귀중한 황금 목표의 곡물과. 프랑스 자격을하기 위해 프랑스 팀을 월드컵 역사 태블릿에서 처음으로 골든 골을 성공 시켰습니다 이 규칙은 두 개의 2004 FIFA의 실행 후 황금 목표 시스템과 실버 볼 시스템을 취소, 너무 크고 너무 잔인 기회이기 때문에 모든 방법을 통해, 결국. 홈 토양에 월드컵을 수상했다.
선수를 보호하고 게임의 연속성을 보장하는 축구의 발전을 촉진하기 위해 FIFA가. 그러나, 어떤 사람들은 행복 다른 사람이 슬픈있는 규칙의 일부를 수정하려고하고있다. 1970 년, 노란색과 빨간색 카드를 처음 사용할 때 멕시코에서 개최 된 제 9 회 월드컵, 첫 번째 옐로 카드가 옛 소련 로퍼 고르바초프에 의해 수상했다. 1974 년, 칠레에 대한 열 번째 월드컵 경기는 서독의 독일 연방 공화국, 터키 바바 칸 칠레 선수 피델 젤코의 역사에서 월드컵 심판을 발행 첫 번째 레드 카드는 벌금이 부과됩니다. (끝)
2. GPU, FPGA 칩은 기계 학습을 향상시키는 '오른 손잡이'가되었습니다.
상용 소프트웨어에서 '스마트 NetEase는 뉴스 6월 17일 뉴스'는 컴퓨터 칩 잊어되었다. 상업용 응용 프로그램의 경우, 때문에 개인 로봇 및 하드웨어보다 밀접하게 연결, 따라서 제조 애플리케이션의 상품입니다 하드웨어 부분에 더 집중했습니다.
1970 년대 이후, 전체에, 하드웨어와 소프트웨어가 링크에 더 밀접하게 어느 때보 다. 그리고 내가 최근에 몇 가지 '관리 인공 지능의 현상 유지 (AI)과 학습 (DL)의 깊이에 특정 관계있다 인공 지능 오버 피팅과 편견과 (경영 AI) '의 기사, 두 가지 주요 위험 (ML) 학습 기계의 시스템에 존재합니다.이 열은 관리자의 수, 특히 하드웨어 비즈니스 라인 관리자가 처리 될 수를 검사합니다 약어 문제는 다음 약어가 언급 한 기계 학습 시스템에서 끊임없이 : 그래픽 처리 장치 (그래픽 처리 장치, GPU), 및 필드 프로그래머블 게이트 어레이 (필드 프로그래머블 게이트 어레이 FPGA).
이것은 관심의 FPGA 포인트의 GPU 가속 텐서 원하는 깊이 학습 애플리케이션 (텐서) 처리가 AI 알고리즘, 이러한 교육 시스템을 연구 할 수있는 새로운 방법을 찾기 위해 한, GPU의 가치를 이해하는 데 도움이, 그리고 지금 배포 시작 많은 산업 응용 연구에 소량 사용자 정의 AI 시스템.이 훈련을 위해 FPGA에 대한 연구와 토론을 할 수 있다는 것입니다,하지만 난 그게 F, 현장 (필드) 사용의 초기 사용에서 비롯된 생각하지만.
예를 들어 동시 사용자 요청의 성장 잠재력, 훈련 추론 엔진 (기계 학습의 핵심 '기계') 기가 바이트해야 할 수도 있습니다, 그리고 추론을 실행하는 데이터 센터의 데이터도 테라 바이트는 컴퓨터가 관리해야 응용 프로그램의 가장자리에 수는 여부를 스마트 폰, 장치는 작은 여전히 유효하지만,에 파이프를 검사하기위한 무인 공중 차량에도 적용 할 수 있어야합니다. 간단하게하는 CPU와 GPU를 넣어 두 장치 및 FPGA는 다른 일을 할 수있는 다른 블록을 가질 수 있으며, 강력한 칩 시스템을 제공 할 수있다. 이러한 모든 다양한 요구의 관점에서, 서로 다른 요구 사항을 지원할 수있는 시스템 아키텍처의 현재 상태를 이해하는 것이 가장 좋습니다.
구동 할 수 칩 설계의 두 가지 종류가 있습니다 현재 ML 시스템, GPU, 그리고 FPGA. 중기 미래 (적어도 몇 년)에서, 변환의 게임을 내포 새로운 기술이있을 수 있습니다. 어디 보자.
그래픽 처리 장치 (GPU)
기계 학습. 이것은 주로 컴퓨터 게임에 사용 된 컴퓨터 모니터는? 중요하게하는 방법을 학습 시스템에 더 나은 일을 보이는 그것을 할 수있는 세계 최대의 칩 그래픽 처리 장치의 GPU입니다 이것을 이해하려면, 우리 소프트웨어 계층으로 돌아 가야합니다.
DL 시스템은 심 신경 네트워크 (DNN), 길쌈 신경 네트워크 (CNN), 반복 신경 네트워크 (RNN) 및 기타 여러 변종을 포함하여 다양한 알고리즘을 기반으로합니다. 이 세 용어에서 볼 수있는 핵심 단어는 '네트워크'입니다. 알고리즘은 주제의 변형입니다. 주제는 노드의 여러 계층입니다. 노드와 계층 사이에는 여러 유형의 통신이 있습니다.
여러 배열이나 행렬을 다루고 있습니다. 행렬에 대한 또 다른 정확한 용어는 텐서 (tensor)이므로 TensorFlow와 같은 기계 학습 업계 전반에 사용됩니다.
이제 컴퓨터 화면으로 돌아가십시오. 픽셀 또는 행과 열로 이루어진 행렬입니다.이 행렬은 2 차원 행렬 또는 텐서입니다. 색상을 추가 할 때 각 픽셀에 비트 크기를 추가하고, 빠르게 변화하는 일관성있는 이미지를 얻으려면 계산이 빠르게 복잡해지고 단계별 CPU에서 사이클을 사용하십시오 .GPU는 자체 메모리를 가지고 있으며 전체 그래픽 이미지를 매트릭스로 저장할 수 있습니다. 그런 다음 텐서 수학을 사용할 수 있습니다. 이미지가 변경되면 화면의 영향을받는 픽셀 만 변경됩니다.이 프로세스는 이미지가 변경 될 때마다 전체 화면을 다시 그리는 것보다 훨씬 빠릅니다.
1983 년에 NVIDIA는 CPU와 같은 범용 컴퓨터로는 해결할 수없는 매트릭스 문제를 해결하기위한 칩을 개발하려고했습니다. 이것이 바로 GPU의 탄생입니다.
행렬 연산은 최종 생성물이 무엇인지 신경 쓰지 않고 요소 만 처리합니다. 다른 연산, 희소 행렬 (0이 많은 경우) 및 밀도 행렬이 다르기 때문에 작업 방법이 다릅니다. 그러나 콘텐츠가 작업을 변경하지 않는다는 사실은 깊은 학습 이론가들이 GPU의 개발을 보았을 때 곧 그것을 채택하여 텐서 연산을 가속화했습니다.
GPU는 기계 학습 개발에 중요하며, 데이터 센터 교육 및 추론을 주도합니다. 예를 들어, NVIDIA Volta V100 Tensor Core는 기본 아키텍처와 추측을 덜 정밀하게 실행할 수있는 능력을 지속적으로 가속화합니다 (이는 다른 주제입니다. , 더 적은 비트를 의미하며, 이는 더 빠른 처리를 의미합니다. 그러나 사물의 인터넷과 관련하여 고려해야 할 다른 문제가 있습니다.
필드 프로그래머블 게이트 어레이 (FPGA)
현장에서는 모든 유형의 애플리케이션이 서로 다른 요구 사항을 가지고 있으며, 다양한 애플리케이션 영역, 차량, 파이프 라인, 로봇 등이 있습니다. 각기 다른 산업 분야마다 애플리케이션 유형별로 다양한 칩을 설계 할 수 있지만, 매우 비싸고 회사의 투자 수익 (ROI)에 손해를 끼칠 수 있으며 마케팅 시간을 지연시키고 중요한 비즈니스 기회를 놓칠 수도 있습니다. 이는 규모의 경제를 제공하지 않는 고도로 개인화 된 요구에 특히 해당됩니다.
FPGA는 회사와 연구원이 문제를 해결하는 데 도움이되는 칩이며 FPGA는 다양한 목적으로 프로그래밍 할 수있는 집적 회로이며 일련의 '프로그래머블 로직 블록'과 블록과 블록 간의 관계를 프로그래밍하는 방법입니다. 다양한 용도로 사용자 정의 할 수있는 보편적 인 도구 주요 공급 업체는 자일링스 및 내쇼날 인스트루먼트입니다.
칩 디자인의 저비용으로 인해 FPGA를 저렴한 비용으로 선택하지는 못하지만, 일반적으로 연구 또는 산업용 애플리케이션에 가장 적합합니다. 회로 및 디자인의 복잡성으로 인해 프로그래밍이 가능하고 저렴한 비용으로 적합하지 않습니다 소비자 응용 프로그램.
는 FPGA를 재 프로그램 할 수 있기 때문에, 어느는 기계 학습의 새로운 필드에 대한 가치가 상승 알고리즘 및 프로그래밍 블록 미세 조정에 의해 상이한 알고리즘으로 증가한다. 또한, 낮은 밀도는 낮은 전력 FPGA 원격 센서 유추 발명가가 '필드'를 '고객'이라고 더 많이 부르지 만, AI 애플리케이션을 구현하는 FPGA의 진정한 이점은 현실 세계에 있습니다. , 도로, 파이프 라인 및 기타 인프라, 또는 UAV 원격 감지, FPGA는 시스템 설계자들에게보다 쉽게 현장 응용 프로그램을 수행 할 수 있습니다 쉽게 물리적 설계를 가능하게 다양한 목적을 달성하기 위해 하드웨어의 조각을 사용 할 수있는 유연성을 제공합니다.
곧 새로운 아키텍처가 나옵니다.
GPU 및 FPGA는 현재 그들이 수행 한 시장에 미치는 영향이 산업의 발전에 대한 관심이 더 많은 사람들을 수 있도록하는 것입니다 많은 도전하는 기술을 학습 기계를 확장하고시의 적절한 응용 프로그램에 대한 새로운 프레임 워크를 만들려고하는 방법을 해결하는 데 도움이된다.
한편, 많은 기업은 GPU에 텐서 작업의 교훈을 위해 노력하고 있습니다. 휴렛 패커드, IBM과 인텔이 Cambricon, Graphcore 웨이브 컴퓨팅처럼 동시에. 장치에게 학습의 텐서 깊이 컴퓨팅의 다음 세대를위한 특별한 프로젝트를 개발 이러한 신생 기업도 같은 일을하기 위해 노력하고 있습니다.
반면에, 팔, 인텔과 다른 회사는 GPU와 CPU를 활용하는 아키텍처를 설계하고, 또한 기계 시장을 학습하기위한 장치가 바로 핵심 AI 주변의 다른 프로세스 텐서 계산을 집중할 것보다 더 많은 일을 할 수 있도록했다 프로세싱 또한보다 강력합니다.
이러한 조직 중 일부는 데이터 센터 및 기타 사물의 인터넷에 중점을두기는하지만 그 중 일부에 대해 이야기하는 것은 너무 이릅니다.
글로벌 기업에 신생 기업에서하는주의해야 할 점은 제 1 정보 외에 다른 정보가 표시되지 않습니다 점이다. 우리는 2020 년 늦어도 첫 번째 장치 샘플을 참조하면, 그것은 놀라운 것, 그래서 그들은 최소 5 년이다 나열되지 않았습니다.
(에서 선택 : 포브스 저자 : 데이비드 A. TEICH 편집 : NEW YORK 지능형 참여 : nariiy)
3. 인텔 10nm 프로세서 노출 작은 배치 발송
때문에 비 준수의 인텔 10nm의 공정 수율은, 대량 생산은 2019 년에 코어 i3-8121U의 15W 열 설계 전력 저전압 버전 (가족 캐논 호수 코드 명 알려진 제품을 이제 소량 출하를 연기되었습니다 ), Lenovo 만 사용하고 있습니다.
i3-8121U 듀얼 코어 네 개의 스레드 사양, 2.2-3.2GHz 클럭, 세 개의 캐시 4메가바이트는, 메모리는 듀얼 채널 DDR4 / LPDDR4-2400 32기가바이트, 15W의 열 설계 전력을 지원합니다.
핵 부품의 정보는 공개되지 않았으며, 수확량 문제가 없어 졌기 때문에 레노버는 AMD 별도의 그래픽 카드를 추가했다.
독일의 하드웨어 미디어 회사 인 ComputeBase는 i3 - 8121U의 첫 이미지를 공개했다. 패키지 레이아웃은 이전 제품과 기본적으로 동일하지만 여전히 프로세서 코어, 칩셋 코어 패키지, BGA 통합 패키지 방법 마더 보드에 납땜.
우리는 당신이, 칩셋 코어는 작은 패키지 솔더 조인트 및 용량 요소도 많이 바뀌, 그것은 더 이상 호환 없어야 프로세서를 찾을 수 있습니다, 여덟 세대 코어 듀오 인텔의 저전압 버전은 공식적으로 사진을 주어진 발견했다.
측정 후 ComputeBase 45 × 24mm (공식 동일한 인덱스)의 i3-8121U 전체적인 패키지 사이즈, 상기 발견 71 mm2 인 프로세서 단면적 칩셋 부 47 MM2.
연구에 따르면, 비록 트랜지스터 인텔는 10nm 공정의 밀도 이상에 해당 삼성, TSMC, 글로벌 파운드의 7nm의 레벨보다 더 높은 평방 밀리미터, 100 만하지만, 자신의 14nm 제품 대비, 변화가 큰 것 같지 않는 것을 발견했다.
알다시피, 지역 브로드 웰 - U 그러나 인텔 최초의 세대 14nm 프로세서 제품은 또한 82 MM2는 약 10nm가의 13 %를 축소, 우리는 네 개의 스레드가 4 메가 바이트 캐시는 모두 듀얼 코어를하지만, 핵이 실행 된 유닛은 24에서 40으로 증가했으며 AVX512 명령어 세트를 지원합니다.
또한 45 x 24 mm 전체 패키지는 42 x 24 mm의 현재 14 nm 저전압 버전보다 약간 큽니다.