国内

邮箱:admin@yaboyule300.icu
电话:0911-468944828
传真:
手机:12165699750
地址:内蒙古自治区包头市开平区东方大楼9576号
当前位置:主页 > 国内 >

国内

2016年人工智能最具眼球的事件‘友e家娱乐App下载’

作者:友e家娱乐手机APP下载 时间:2021-01-08 00:04
本文摘要:2016年人工智能最具眼球的事件是谷歌的DeepMind依赖人工智能算法的阿尔法狗在围棋比赛中战胜了人类顶尖选手。但是,在算术商业价值的落地上,2016年人工智能的胜者不是Nvidia (英伟达)施科。这个世界领先的图形公司最近的季度结算(截至2016年10月30日)显示,该公司的收益比去年同期快速增加了54%,特别是在数据中心业务方面,增长了两倍多。 该公司的股票在过去一年中也迅速增加了4倍以上,位居标杆500的首位。

图形

2016年人工智能最具眼球的事件是谷歌的DeepMind依赖人工智能算法的阿尔法狗在围棋比赛中战胜了人类顶尖选手。但是,在算术商业价值的落地上,2016年人工智能的胜者不是Nvidia (英伟达)施科。这个世界领先的图形公司最近的季度结算(截至2016年10月30日)显示,该公司的收益比去年同期快速增加了54%,特别是在数据中心业务方面,增长了两倍多。

该公司的股票在过去一年中也迅速增加了4倍以上,位居标杆500的首位。Nvidia在人工智能芯片市场上的现实支配能力可能比在股票市场上的成绩更明显。

市场上也不存在其他深入的自学训练和预测的解决方案,但各AI企业无论其内部的模型训练如何,与销售给最终顾客的智能产品无关,大多使用Nvidia的GPGPU方案。当Nvidia从不同的角度(服务器、PC、嵌入式、汽车、培训专用、预测专用)大规模发布时,其他竞争对手基本上尝试了第一次产品化。据我估算,Nvidia在人工智能芯片领域至少领先最类似的竞争对手两年。

今天Nvidia在人工智能领域的优势意味着著不是一天之功。实际上,深度神经网络技术在过去3年兴起,除了ImageNet这样的大规模数据获得了训练深度网络的基础条件以外,标准化图形运算单元(GPGPU )技术获得的强大运算能力也是必不可少的如果没有Nvidia的CUDA平台,科学界不会告诉你证实深造自学潜力的时间再推迟多久。更重要的是,GPGPU技术可能大大降低在PC级计算机上部署高密度高性能计算的成本,并在普通科研人员的台式计算机上部署数万个并行处理核心。由此,深厚的自学技术在科技界迅速发展和普及。

如果没有GPGPU,研究神经网络算法20多年的YannLeCun和Hinton教授们,可以说不是在学术界挖掘了好几年吗? 为什么获取3D游戏图形的显卡公司在这个最重要的历史节点上扮演救世主的角色呢? 本文仔细观察了我的个人经验,得到了相关的线索和解读。在这个过程中有两个重要人物。分别是英伟达的首席执行官黄仁勋(Jen-HsunHuang )和英伟达的前最高科学家DavidKirk。

Nvidia的CEO Jen-HSUN黄(黄仁勋)很有名,可能是硅谷最有成就的华裔企业家。关于DavidKirk的官方报道很少,但在NvidiaResearch的网站上,从1997年到2009年兼任Nvidia的首席科学家(ChiefScientist )是美国工程院院士,现在在Nvidiafellow 事实上,了解Nvidia历史的人说这家公司成立于1993年,确凿的拳头产品GeForce系列于1999年上市,获得了国际声誉。也就是说,在DavidKirk工作期间,他带领NV构建了至今世界上最畅销的独立国家图形产品。

对高性能计算和人工智能领域的学者来说,DavidKirk的最好功绩是促进了GPU的通用化,推进了CUDA平台和OpenCL标准。在摩尔定律时钟频率不变的时代,GPGPU这样低成本大规模的SIMD并行处理架构,把很多普通人的计算机变成了超级计算机,在寿命睡觉的摩尔定律之后闪烁痉挛。他的发明者GPGPU技术在一些痛苦的神经网络技术上,铺上了通往痛苦的道路,达到了人工智能目前大发展的局面。

我有幸于2008年在NvidiaResearch担任实习生。当时我还是计算机视觉专业的博士候选人。当时作为人工智能研究专家的博士生,没有今天的弟弟和妹妹们过得那么痛苦。

整个领域处于不可信状态,没有专门为计算机视觉设计的专用芯片。学生时代的我为了构建视觉信号的实时处理,研究了嵌入式CPU、DSP、FPGA等。这些方案性能严重不足或研发流程简单、不方便。

我同时也尝试过十几台服务器用于并行处理一路视频流的视觉解读(土豪也感叹很厉害)。2007年Nvidia推出了CUDAbeta版。我认为在EPSON研究所使用普通的游戏显卡,使1台投影仪在规定的形状和颜色背景下显示理想画面的视角切换功能的性能比最坏的台式机CPU解决方案提高了50倍。从此我确认GPGPU是人工智能最重要的解决办法,我的科研人生已经踏入康庄大街。

EPSON培训结束后,我想应聘NvidiaResearchlab的实习生,深入研究GPGPU在计算机视觉信号处理中的应用。幸运的是,我培训期间的名义领导人是Nvidia首席科学家DavidKirk。但是,因为Kirk老师很忙,所以在研修期间和他见面也只不过交流了几次。Kirk老师教学生的方法很有趣。

我进公司第一次看到领导,回答说我的任务是什么。Kirk老师说你有两个任务:第一个任务是花两周时间准确自己想解决的问题。第二个任务是在进修剩下的时间里完成了那个任务(这不是牧羊人吗? 中选择所需的墙类型。Kirk老师在一方的组织科学研究中花了很多时间研究公司未来的产品战略,觉得附近没有时间指导学生,委托明尼苏达州的MichaelGarland博士和弗吉尼亚州的DavidLuebke教授进行远程指导。

Nvidia的CEO jen-HSUN黄工作了一整天,但我对研究院的工作非常感兴趣。我目睹了黄先生与实验室和研究者们讨论问题时的认真和冷静。2008年夏天,有专业实习生决定的示威展览会。

没想到那天Jen-Hsun也来参观,冷静地视察实习生的作品。6年后的2014年,当我在Nvidia北京办公室代表我的创业公司再次看到Jen-Hsun时,他居然叫了我的名字,想起了当年给他做的展示。这样的记忆力和洞察力令人印象深刻。那几年,DavidKirk的主要精力将原本只用于提高3d图形速度的GPU技术通用化,试图更多地利用共享给大规模SIMD计算阵列的性能优势。

在一次聊天中,Kirk说从2003年开始了木村这个问题。英特尔刚刚推出四核CPU处理器,NV已经推出了包括100多个SIMD核的GPU。

英特尔处理器可以通过多线程技术在所有计算机应用程序中共享. 但是,GPU基本上不能通过OpenGL/DirectX等高级绘图图形模块或非常困难的ShaderProgram模块与用户进行交互。如果需要取得适当的编程模型,向开发者共享非常丰富的GPU段计算资源,每个用户的GPU将是100核心的大规模高性能计算机。把所有的电脑都变成大规模的超级电脑! 这个主意很好,市场需求在哪里? 通常不吃瓜群众,为什么要花几百美元去卖超级电脑呢? 除此之外,世界上所有的计算机软件工程师都从几十年前开始适应环境在CPU上编写程序,但是如何在超级计算机上编写并行处理程序是理想的,现在但是DavidKirk老师说服了Jen-Hsun,投入了很多资源来开发需要通用GPU的CUDA技术。在此技术成熟之前,DavidKirk明确拒绝了CEO,NV未来的所有产品,所有GPU无论购买哪个产品线,都必须反对CUDA! DavidKirk的理由是,如果数据中心版本的GPU反对CUDA,那么很少有人有合适的硬件来自学和开发CUDA程序。

如果普通消费者的显卡不反对CUDA程序,这项技术总有一天会很普遍,需要影响很多人的成果。因此,要么不用蜡烛,要么完全大干一场。

今天想起来了,这依然是非常高的风险,可怕的要求。那个年代的Nvidia想告诉你,完全100%的收益来自电脑游戏和艺术设计等传统应用程序。

这意味着面对这些尚未满足高性能计算市场需求的传统客户,Nvidia必须减少与硬件产品设计相关的CUDA逻辑电路,芯片面积减少,风扇减少,成本上升,故障另外,对于每个产品,相关的软件驱动程序必须确保极其反对CUDA。我想告诉你,CUDA本身的升级,导致过去每个硬件产品的兼容性反对成为了大规模的工作(NV估计至少有数百名驱动工程师在厕所里哭)。最真实的是,没有人知道这些额外的工作对消费者有什么明确的价值,才能实现将所有PC变成超级计算机的遥远科学理想。

如果把这样的要求放在非常重视一般风险控制和短期利益的公司,有可能再次发生。但金孙黄不是普通的首席执行官。他反对这种最好的、同时预示极大风险的要求。因此,2007年,NV从Nvidia的Tesla架构(内部代码G80 )推出的GPU芯片(Tegra1-4等移动嵌入式系列除外)几乎反对GPGPU的CUDA架构。

与今天Nvidia的繁荣不同,2008年Nvidia处于涂炭的痛苦之中。另一方面,CPU大伽玛AMD收购了NV的老输ATI,构成了CPU集成GPU的新解决方案。

另一方面,英特尔中断了与Nvidia以前的集成图形的合作,在自己的芯片组中构建了三维图形加速功能。面对两大CPU巨头的合作夹击,NV的局面异常紧张,只剩下高性能独立国家显卡的一条路。

但是,室外泄漏是理所当然的,NV的主力高端笔记本电脑8600M系列经常出现风扇相关的质量问题,在使用该显卡的笔记本电脑(所有主要品牌包括苹果MacBookPro )中, 这时,NV不仅面临着用户和股东潮般的指责和批评,还面临着整个机器制造商的诉讼和拒绝赔偿金。


本文关键词:技术,友e家娱乐App下载,实习生,并行处理,高性能计算

本文来源:友e家娱乐App下载-www.yaboyule300.icu