1.VAR และชิปสมาร์ทเปิดตัวสนามฟุตบอลโลกทีมฝรั่งเศสเป็นผู้ชนะที่ยิ่งใหญ่ที่สุด
ปักกิ่ง 16 มิถุนายนไฟฟ้าฟุตบอลโลกฟีฟ่าเปิดตัวการปฏิรูปที่สำคัญ: เปิดตัวครั้งแรก VAR (วิดีโอช่วยผู้ตัดสิน) และปลูกฝังด้วยชิปสมาร์ทในการแข่งขันลูกไปแข่งขันรอบที่สามในเกมที่ 16 ในวันที่ทีมฝรั่งเศสกลายเป็นผู้รับประโยชน์อีกครั้งในการดวลกับทีมออสเตรเลียและทั้งสองได้รับโทษที่ดีเป็นอันดับแรก
หลังจากที่การสื่อสารกับผู้ช่วยผู้ตัดสินวิดีโอของนานี่ให้ทีมฝรั่งเศสโทษบรุกลิน. Gelieziman ลูกได้อย่างง่ายๆเข้าประตูทำให้ทีมฝรั่งเศสพึ่งพา VAR บรุกลินก่อนที่เมืองต่อไป. นี้เป็นครั้งแรกที่บรุกลิน VAR ผลการเตะลูกโทษ
โทษจะนำไปสู่การทะเลาะวิวาท. ในการแถลงข่าวหลังการแข่งขันโค้ชฝรั่งเศส Didier Deschamps กล่าวว่าโทษบอลวันก่อนเกมกับโปรตุเกสสเปนได้ในประโยคเดียวกันเป็นครั้งประโยคซึ่งขึ้นอยู่กับ การตัดสินใจที่จะตัดสินทีมออสเตรเลียของฉันโค้ชชาวดัตช์ Van Marwijk เชื่อว่ามันเป็นความล้มเหลวของความยุติธรรม: 'ถึงแม้ว่าผมจะไม่ได้เห็นรีเพลย์วิดีโอ แต่ผมสบายดี, เห็นได้อย่างชัดเจนในตำแหน่งที่สนามก็ไม่ควรจะเป็น โทษ. ตำแหน่งผู้ตัดสินมันใกล้ชิด แต่เขากล่าวว่าตอนแรกก็ไม่มีโทษโบกมือเล่นบน. เราเป็นเหยื่อของ VAR แต่เราจะไม่ได้ไปท้าทายการตัดสินใจนี้.
ทีมฝรั่งเศสในฟุตบอลโลกในแถวจาก VAR และชิปสมาร์ทกำไรก็ยังคงโชคดีของพวกเขาก่อน. ในปี 1998 ฟีฟ่าเปิดอย่างเป็นทางการ 'เสียชีวิตอย่างกะทันหันเป้าหมายทอง' และต่อมาเทคโนโลยีบอลเงินในการแข่งขันฟุตบอลโลกในปี 1998 รอบที่น่าพิศวงของฟุตบอลโลกกับปารากวัยกองหลังฝรั่งเศส Laurent Blanc ยิงประตูทองแรกในการแข่งขันฟุตบอลโลกแท็บเล็ตที่จะช่วยให้ประวัติศาสตร์ฝรั่งเศสมีสิทธิ์. ด้วยเม็ดประตูสีทองล้ำค่านี้ทีมฝรั่งเศสหลังจากตัด ตลอดทางผ่านในที่สุดได้รับรางวัลการแข่งขันฟุตบอลโลกในดินที่บ้าน. เนื่องจากกฎนี้มีขนาดใหญ่เกินไปและมีโอกาสที่โหดร้ายเกินไปหลังจากการดำเนินการของทั้งสอง 2004 ฟีฟ่ายกเลิกระบบประตูสีทองและระบบลูกเงิน
เพื่อที่จะส่งเสริมการพัฒนาของฟุตบอลที่จะปกป้องผู้เล่นและรับประกันความต่อเนื่องของเกมฟีฟ่าได้รับการพยายามที่จะปรับเปลี่ยนบางส่วนของกฎ. แต่บางคนอื่น ๆ มีความสุขเศร้า. ในปี 1970, ครั้งแรกที่ใช้บัตรเหลืองและสีแดงที่ 9 การแข่งขันฟุตบอลโลกที่จัดขึ้นในเม็กซิโก ใบเหลืองเป็นครั้งแรกที่ได้รับรางวัลโดยอดีตสหภาพโซเวียตโรเพอร์ Gorbachev. ในปี 1974 ภาคการแข่งขันฟุตบอลโลกกับชิลีสหพันธ์สาธารณรัฐเยอรมนีในเยอรมนีตะวันตก, ตุรกีบาบากาญจน์ออกฟุตบอลโลกตัดสินในประวัติศาสตร์ของผู้เล่นชิลีฟิเดล Zeljko ใบแดงใบแรกจะถูกปรับ (สิ้นสุด)
2.GPU ชิป FPGA จะเพิ่มการเรียนรู้เครื่อง 'คนขวามือ';
'สมาร์ท Netease ข่าว 17 มิถุนายนข่าวในซอฟต์แวร์เชิงพาณิชย์, ชิปคอมพิวเตอร์ได้รับการลืม. สำหรับการใช้งานในเชิงพาณิชย์ก็เป็นสินค้าโภคภัณฑ์เพราะหุ่นยนต์ส่วนบุคคลและฮาร์ดแวร์ที่เชื่อมโยงอย่างใกล้ชิดและการประยุกต์ใช้การผลิตดังนั้น ยังให้ความสนใจกับส่วนฮาร์ดแวร์มากขึ้น
นับตั้งแต่ปี 1970 เมื่อทั้งสภาพที่เป็นอยู่ของปัญญาประดิษฐ์ (AI) และความสัมพันธ์ที่เฉพาะเจาะจงกับความลึกของการเรียนรู้ (DL) ที่ฮาร์ดแวร์และซอฟต์แวร์ที่มีการเชื่อมโยงเพื่อให้กระชับยิ่งขึ้นกว่าที่เคย. และฉันเมื่อเร็ว ๆ นี้หลาย 'การจัดการ บทความเกี่ยวกับปัญญาประดิษฐ์ (AI การจัดการ) เกี่ยวข้องกับ overfitting และอคติมีสองความเสี่ยงหลักในระบบการเรียนรู้เครื่อง (ML) คอลัมน์นี้จะหารือในเชิงลึกฮาร์ดแวร์ที่ผู้จัดการจำนวนมากโดยเฉพาะผู้จัดการสายธุรกิจอาจจัดการ ปัญหาตัวย่อตัวย่อเหล่านี้มีอย่างต่อเนื่องในระบบการเรียนรู้เครื่องที่กล่าวถึง: A (หน่วยประมวลผลกราฟิก GPU) หน่วยประมวลผลกราฟิกและเอฟพีจีเอ (เอฟพีจีเอ, FPGA)
สิ่งนี้ช่วยให้เข้าใจถึงคุณค่าของ GPU เนื่องจาก GPU เร่งการประมวลผลเมตริกซ์ที่จำเป็นสำหรับแอพพลิเคชันการเรียนรู้ที่ลึกจุดที่น่าสนใจสำหรับ FPGA คือการหาวิธีการวิจัยขั้นตอน AI ใหม่ฝึกระบบเหล่านี้ หลายระบบที่กำหนดเองในปริมาณต่ำที่ศึกษาในแอพพลิเคชัน AI อุตสาหกรรมแม้ว่าจะเป็นการอภิปรายเกี่ยวกับความสามารถของ FPGA สำหรับการฝึกอบรม แต่ผมเชื่อว่าการใช้งานก่อนหน้านี้เกิดจากการใช้ F ในฟิลด์
ตัวอย่างเช่นการฝึกอบรมเครื่องมืออนุมาน (หลักของเครื่องเรียนรู้ 'เครื่อง') อาจต้องใช้กิกะไบต์หรือแม้แต่เทราไบต์ของข้อมูลเมื่อเรียกใช้การอนุมานในศูนย์ข้อมูลคอมพิวเตอร์จะต้องจัดการกับจำนวนผู้ใช้งานพร้อม ๆ กันที่เพิ่มขึ้น ในการใช้งานด้านขอบไม่ว่าจะเป็นในเครื่องตรวจจับที่ใช้ในการตรวจสอบท่อหรือในโทรศัพท์สมาร์ทก็ตามอุปกรณ์จะต้องมีขนาดเล็กและยังคงมีประสิทธิภาพ แต่ก็สามารถปรับตัวได้ง่ายในแง่ง่ายๆ CPU และ GPU มีสองอุปกรณ์และ FPGA สามารถมีบล็อกที่แตกต่างกันเพื่อทำสิ่งที่แตกต่างกันและเป็นไปได้ที่จะให้ระบบชิปที่มีประสิทธิภาพได้รับความต้องการที่แตกต่างกันทั้งหมดเหล่านี้ดีที่สุดคือเข้าใจสภาวะปัจจุบันของสถาปัตยกรรมระบบที่สามารถรองรับความต้องการที่แตกต่างกัน
มีสองประเภทหลักของการออกแบบชิปที่สามารถขับระบบปัจจุบัน ML, GPUs และ FPGAs ในช่วงกลางถึงอนาคต (อย่างน้อยไม่กี่ปี) ก็ยังเป็นไปได้ที่จะกลายเป็นคำใบ้ของเทคโนโลยีใหม่สำหรับการแปลงเกมลองมาดู
หน่วยประมวลผลกราฟิก (GPU)
ชิปที่ใหญ่ที่สุดในโลกของการเรียนรู้ของเครื่องเป็นหน่วยประมวลผลกราฟิก GPU ซึ่งส่วนใหญ่ใช้สำหรับเกมคอมพิวเตอร์ดังนั้นบางสิ่งบางอย่างที่ดูดีขึ้นบนจอคอมพิวเตอร์กลายเป็นสิ่งสำคัญสำหรับการเรียนรู้ด้วยเครื่องหรือไม่? ต้องกลับไปที่เลเยอร์ซอฟต์แวร์
การเรียนรู้เครื่องปัจจุบันแชมป์การเรียนรู้ลึกระบบ (DL). ระบบ DL ขึ้นอยู่กับขั้นตอนวิธีการต่าง ๆ รวมทั้งความลึกของเครือข่ายประสาท (DNN) สับสนเครือข่ายประสาท (CNN), เครือข่ายประสาทกำเริบ (RNN) และตัวแปรอื่น ๆ อีกมากมาย. ท่าน ทั้งสามข้อตกลงจะเห็นคำว่า 'เครือข่าย (เครือข่าย)'. ขั้นตอนวิธีการเป็นตัวแปรของชุดรูปแบบรูปแบบที่อยู่ระหว่างชั้นของประเภทที่แตกต่างกันของโหนดสื่อสารโหนดและชั้น
คุณกำลังติดต่อกับอาร์เรย์หรือเมทริกซ์หลาย ๆ คำที่ถูกต้องอีกสำหรับเมทริกซ์คือเมตริกซ์ดังนั้นจึงใช้งานได้ทั่วทั้งอุตสาหกรรมการเรียนรู้ของเครื่องเช่น TensorFlow
ตอนนี้กลับไปที่หน้าจอคอมพิวเตอร์ของคุณ. คุณสามารถใช้มันในแถวและคอลัมน์มองว่าเป็นเมทริกซ์ของพิกเซลหรือจุด. นี้เป็นเมทริกซ์สองมิติหรือเมตริกซ์. เมื่อคุณเพิ่มสีเพิ่มบิตกับขนาดของแต่ละพิกเซลต้องการ เพื่อภาพเดียวกันของการเปลี่ยนแปลงอย่างรวดเร็วเมื่อใช้คอมพิวเตอร์ได้อย่างรวดเร็วสามารถกลายเป็นความซับซ้อนและจะขึ้นรอบการทำงานทีละขั้นตอนใน. GPU มีหน่วยความจำของตัวเองภาพทั้งหมดจะถูกบันทึกเป็นเมทริกซ์กราฟิกนั้นจะสามารถคำนวณโดยใช้เมตริกซ์ทางคณิตศาสตร์ การเปลี่ยนแปลงในภาพจะเปลี่ยนเฉพาะพิกเซลที่ได้รับผลกระทบบนหน้าจอกระบวนการนี้จะเร็วกว่าการวาดภาพหน้าจอใหม่ทุกครั้งที่มีการเปลี่ยนแปลงภาพ
ในปี 1983 เอ็นวิเดียมุ่งสร้างชิปเพื่อแก้ปัญหาเมทริกซ์ที่ไม่สามารถแก้ไขได้โดยใช้คอมพิวเตอร์ทั่วไปเช่นซีพียูนี่เป็นวันเกิดของ GPU
การดำเนินงานของเมทริกซ์ไม่สนใจสิ่งที่ผลิตภัณฑ์สุดท้ายเป็น แต่เพียงการประมวลผลองค์ประกอบ. นี้เป็นเปลือกเล็กน้อยเนื่องจากการดำเนินงานที่แตกต่างกันขึ้นอยู่กับเมทริกซ์เบาบาง (เมื่อมีหลายศูนย์) แตกต่างจากการฝึกอบรมมีความหนาแน่นสูงมีวิธีการที่แตกต่างกันของการทำงาน แต่เนื้อหาจะไม่เปลี่ยนแปลงการดำเนินการจริงยังคงอยู่. เมื่อทฤษฎีการเรียนรู้เชิงลึกเห็นการพัฒนาของ GPU ที่พวกเขาได้อย่างรวดเร็วนำมาใช้ในการเร่งการดำเนินงานของเมตริกซ์
GPU มีความสำคัญต่อการพัฒนาระบบการเรียนรู้ของเครื่องจักรการฝึกอบรมศูนย์ข้อมูลและการให้เหตุผลตัวอย่างเช่น NVIDIA Volta V100 Tensor Core ยังคงเร่งความเร็วในสถาปัตยกรรมขั้นพื้นฐานและความสามารถในการเรียกใช้การสรุปข้อมูลด้วยความแม่นยำน้อยลง (ซึ่งจะเป็นหัวข้ออื่น หมายถึงบิตน้อยกว่าซึ่งหมายถึงการประมวลผลเร็วขึ้นอย่างไรก็ตามมีประเด็นอื่น ๆ ที่ต้องพิจารณาเมื่อกล่าวถึง Internet of Things
อาร์เรย์ Field Programmable Gate (FPGA)
ในทุกประเภทของการใช้งานมีความต้องการที่แตกต่างกันมีหลายพื้นที่การใช้งานที่แตกต่างกันยานพาหนะท่อส่งหุ่นยนต์ ฯลฯ อุตสาหกรรมที่แตกต่างกันสามารถออกแบบชิปที่แตกต่างกันสำหรับแต่ละประเภทของโปรแกรมประยุกต์ แต่อาจจะ อาจมีราคาแพงมากและอาจส่งผลต่อผลตอบแทนจากการลงทุนของ บริษัท นอกจากนี้ยังสามารถชะลอเวลาในการทำตลาดและพลาดโอกาสทางธุรกิจที่สำคัญโดยเฉพาะอย่างยิ่งสำหรับความต้องการส่วนบุคคลที่ไม่ได้ให้การประหยัดต่อขนาด
FPGA เป็นชิพที่ช่วยให้ บริษัท และนักวิจัยสามารถแก้ปัญหาได้ FPGA เป็นวงจรรวมที่สามารถตั้งโปรแกรมได้หลากหลายวัตถุประสงค์มีชุดบล็อกลอจิกโปรแกรมและวิธีการเขียนโปรแกรมความสัมพันธ์ระหว่างบล็อคและบล็อคมันเป็น เครื่องมือสากลที่สามารถปรับแต่งเพื่อความหลากหลายของการใช้ซัพพลายเออร์รายใหญ่ ๆ ได้แก่ Xilinx และ National Instruments
เป็นมูลค่า noting ว่าต้นทุนต่ำของการออกแบบชิปไม่ได้ทำให้ FPGAs ตัวเลือกต้นทุนต่ำพวกเขามักจะเหมาะที่สุดสำหรับงานวิจัยหรืออุตสาหกรรมความซับซ้อนของวงจรและการออกแบบทำให้พวกเขาตั้งโปรแกรมไม่เหมาะสำหรับต้นทุนต่ำ การใช้งานของผู้บริโภค
ตั้งแต่ FPGA สามารถปรับผังซึ่งทำให้มันมีคุณค่าสำหรับสนามใหม่ของการเรียนรู้เครื่องจะเพิ่มขึ้นในระดับความสูงขั้นตอนวิธีการและขั้นตอนวิธีการที่แตกต่างกันโดย reprogramming บล็อกปรับจูน. นอกจากนี้ต่ำแม่นยำพลังงานต่ำ FPGA อนุมานสำหรับเซ็นเซอร์ระยะไกล แม้ว่านักประดิษฐ์จะเรียก 'field' ว่าเป็น 'customer' แต่ข้อได้เปรียบที่แท้จริงของ FPGA ในการใช้งานแอพพลิเคชัน AI อยู่ในโลกแห่งความเป็นจริงไม่ว่าจะเป็นสำหรับโรงงาน ถนนและท่อและโครงสร้างพื้นฐานอื่น ๆ หรือการตรวจจับระยะไกล UAV, FPGA ช่วยให้นักออกแบบระบบความยืดหยุ่นในการใช้ชิ้นส่วนของฮาร์ดแวร์เพื่อให้บรรลุวัตถุประสงค์ที่หลากหลายช่วยให้การออกแบบทางกายภาพได้ง่ายขึ้นซึ่งสามารถดำเนินการได้ง่ายขึ้นการใช้งานในสถานที่
สถาปัตยกรรมใหม่กำลังจะมาถึงในเร็ว ๆ นี้
GPU และ FPGA กำลังช่วยแก้ไขวิธีการขยายเครื่องเทคนิคการเรียนรู้ที่จะท้าทายมากของผลกระทบต่อตลาดที่พวกเขาได้ทำคือการปล่อยให้ผู้คนมากขึ้นความกังวลเกี่ยวกับการพัฒนาของอุตสาหกรรมนี้และพยายามที่จะสร้างกรอบการทำงานใหม่สำหรับการประยุกต์ใช้ในเวลาที่เหมาะสม
ในมือข้างหนึ่งที่หลาย บริษัท กำลังพยายามที่จะเรียนรู้บทเรียนของการดำเนินงานเมตริกซ์บน GPU ได้. Hewlett-Packard, IBM และ Intel ได้มีการพัฒนาโครงการพิเศษสำหรับรุ่นต่อไปของคอมพิวเตอร์อุปกรณ์ลึกเมตริกซ์ของการเรียนรู้. ในเวลาเดียวกันเช่น Cambricon, Graphcore และคลื่นคอมพิวเตอร์ startups เช่นนี้ยังมุ่งมั่นที่จะทำสิ่งเดียวกัน
บนมืออื่น ๆ, Arm, Intel และ บริษัท อื่น ๆ ที่มีการออกแบบสถาปัตยกรรมเพื่อใช้ประโยชน์จาก GPU และ CPU และอุปกรณ์ยังมุ่งเป้าไปที่การเรียนรู้ตลาดเครื่องกล่าวว่าเพื่อให้สามารถที่จะทำมากกว่าเพียงมุ่งเน้นการคำนวณเมตริกซ์สำหรับกระบวนการอื่น ๆ รอบ ๆ แกน AI การประมวลผลยังมีประสิทธิภาพมากขึ้น
แม้ว่าบางองค์กรเหล่านี้จะมุ่งเน้นไปที่ศูนย์ข้อมูลและอินเทอร์เน็ตสิ่งของอื่น ๆ แต่ก็ยังเร็วเกินไปที่จะพูดถึงเรื่องเหล่านี้
จากจุดเริ่มต้นให้กับองค์กรระดับโลกข้อแม้คือว่านอกเหนือจากข้อมูลแรกที่ไม่มีข้อมูลอื่น ๆ ที่ปรากฏ. ถ้าเราเห็นตัวอย่างอุปกรณ์ตัวแรกที่ล่าสุดในปี 2020 แล้วมันจะแปลกใจดังนั้นพวกเขาจะน้อยกว่าห้าปี ไม่อยู่ในรายการ
(เลือกจาก: ฟอร์บผู้แต่ง: เดวิดเอ Teich สะสม: NEW YORK ฉลาดมีส่วนร่วม: nariiy)
การรับรู้ของโปรเซสเซอร์ขนาด 10nm จำนวนมาก
อัตราผลตอบแทนของ Intel 10nm กระบวนการเนื่องจากการไม่ปฏิบัติตามการผลิตมวลได้รับการเลื่อนออกไปเป็น 2019 ขณะนี้มีเพียงการจัดส่งไดรฟ์ขนาดเล็กผลิตภัณฑ์ที่รู้จักกันเท่านั้น 15W ออกแบบไฟฟ้าพลังความร้อนรุ่นแรงดันต่ำของแกน i3-8121U (ครอบครัวมีชื่อรหัสว่าแคนนอนทะเลสาบ ) และมีเพียง Lenovo ใช้เท่านั้น
ข้อมูลจำเพาะของ i3-8121U แบบ dual-core สี่กระทู้, โอเวอร์คล็อกที่ 2.2-3.2GHz สาม 4MB แคชหน่วยความจำรองรับ Dual-Channel DDR4 / LPDDR4-2400 32GB อำนาจการออกแบบการระบายความร้อนของ 15W
ข้อมูลของส่วนนิวเคลียร์ไม่ได้รับการตีพิมพ์เนื่องจากปัญหาผลผลิตถูกปิดใช้งานดังนั้น Lenovo จึงเพิ่มการ์ดแสดงผลแยกต่างหากจาก AMD
เยอรมันฮาร์ดแวร์สื่อ ComputeBase เปิดเผยไว้ใน i3-8121U แรก 'ราวกับว่ามันสามารถมองเห็นการจัดแพคเกจที่สอดคล้องกับผลิตภัณฑ์ก่อนหน้านี้ยังคงเป็นแกนประมวลผลแกนชิปชุดแพคเกจร่วมกันแบบบูรณาการ BGA แพคเกจ ติดตั้งบนเมนบอร์ด
เราพบรุ่นแรงดันต่ำในแปดรุ่น Intel Core Duo ได้รับอย่างเป็นทางการภาพคุณสามารถหาหน่วยประมวลผลแกนชิปเซ็ตที่มีขนาดเล็ก, ข้อต่อแพคเกจประสานและองค์ประกอบ capacitive ยังมีการเปลี่ยนแปลงมากก็ควรจะไม่เข้ากันได้อีกต่อไป
ComputeBase พบว่าขนาดบรรจุภัณฑ์โดยรวมของ i3-8121U คือ 45 x 24 มม. (สอดคล้องกับข้อกำหนดเฉพาะของทางการ) โดยมีพื้นที่โปรเซสเซอร์ประมาณ 71 มม. 2 และพื้นที่ชิปเซ็ตประมาณ 47 มม.
แม้ว่าตามการศึกษาพบว่าความหนาแน่นของทรานซิสเตอร์ Intel กระบวนการ 10nm กว่า 100 ล้านบาทต่อตารางมิลลิเมตรเท่ากับหรือสูงกว่าระดับของซัมซุง, TSMC, 7nm GlobalFoundries แต่ความคมชัดผลิตภัณฑ์ 14nm ของตัวเองการเปลี่ยนแปลงไม่ได้ดูเหมือนขนาดใหญ่
คุณจะรู้ว่าส่วนหน่วยประมวลผล Intel 14nm รุ่นแรกของพื้นที่ Broadwell-U แต่ยัง 82 mm2, 10nm หดตัวเพียง 13% ของมันและเราทุกคนเป็น dual core สี่กระทู้, แคช 4MB มี แต่นิวเคลียร์ถูกประหารชีวิต หน่วยเพิ่มขึ้นจาก 24 เป็น 40 และสนับสนุนชุดคำสั่ง AVX512
นอกจากนี้บรรจุภัณฑ์ขนาด 45 x 24 มม. มีขนาดใหญ่กว่ารุ่นที่มีแรงดันต่ำ 14 มม. ขนาด 42 x 24 มม.