自己卷自己?英伟达发布大模型 ChipNeMo,专为芯片设计定制

从0开始使用ArcGIS实现克里金(Kriging)插值(适用数学建模竞赛,详解) 适用:数学建模学习中遇到需要进行克里金(Kriging)插值的任务。希望尽快上手,选择出恰当的半函数模型,并获得插值后的图片。 详细步骤: 一、准备数据 在excel中准备需要进行克里金插值的内容,应该包括至少三列:X坐标,Y坐标,数据。在每一列的列首做好标记,方便导入ArcMap后对应。注意存储时存为xls文件。 二、将数据导如导ArcMap 点击下面这个标记,把数据文件添加到ArcMap。 如果是初次使用的化,可能会不知道进入添加数据对话框之后如何操作。这时应该先点击红框标记的图标,连接到文件夹。 阅读详情

英伟达发布了一个以自家内部数据为基础训练而成的定制大语言模型——ChipNeMo,可以帮助工程师完成与芯片设计相关的任务。

这厢,黄仁勋穿着花背心、拿着手绢出席年会。那厢,Sam Altman 正在筹措数十亿资金,以建立新 AI 芯片公司。

春风得意与雄心勃勃的对比之下,正是当前 AI 芯片领域的真实写照,算力至上的时代,英伟达几乎是卡所有人脖子。所以,越来越多 AI 芯片初创企业如雨后春笋般拔地而起,更有甚者高喊对标、替代英伟达,同时微软、谷歌等大厂也开始更加勤奋地自研芯片。

诚然,自进入智能时代以来,芯片已经成为了一众科技巨头的「阿喀琉斯之踵」,而半导体行业的高门槛也使得这一技术围城很难被轻易攻克。除了华为已经「现身说法」的生产环节外,半导体设计同样极具挑战性。尤其是在电子芯片逼近摩尔定律极限,算力需求却持续走高之际,如何在先进制程上发挥更高性能就成为了 AI 芯片设计的重要挑战。

在这里插入图片描述

具有 144 个 SM 的 GH100 完整 GPU

如上图所示,在显微镜下,NVIDIA H100 Tensor Core GPU 这样的先进芯片看起来就像一个精心规划的城市,由数百亿个晶体管组成,比人的头发丝还细 1 万倍的「街道」将这些晶体管连接起来。而整个城市的搭建,需要多个工程团队协作两年才能完成。

其中,各个部门分工协作,一些定义芯片的整体架构,一些负责各种超小型电路的设计与布局,还有一些负责测试工作。每项工作都需要采取专门的方法、软件程序和计算机语言,复杂程度可见一斑,而这也恰恰是芯片厂商的技术护城河。

有意思的是,凭借最强 AI 芯片疯狂掏空大厂钱包的英伟达,也开始琢磨起利用 AI 更「轻松」地赚钱。不久前,英伟达发布了一个以自家内部数据为基础训练而成的定制大语言模型——ChipNeMo,可以帮助工程师完成与芯片设计相关的任务,目前仅供内部使用。

在这里插入图片描述

该成果已收录于 arXiv,论文地址:
https://arxiv.org/abs/2311.00176
关注公众号,后台回复「ChipNeMo」即可下载论文

基于领域自适应技术为芯片设计定制 LLM

英伟达的研究人员并没有选择直接部署已有的 LLMs,而是基于领域自适应技术 ,利用 NVIDIA NeMo 对基础模型 (70 亿参数、130 亿参数、700 亿参数的 LLaMA2) 进行了定制。
注:NVIDIA NeMo 是一款端到端云原生框架,可以灵活地构建、定制和部署生成式 AI 模型,包含训练和推理框架、护栏工具包、数据管护工具和预训练模型

ChipNeMo 采用多种领域自适应技术 (domain adaptation techniques) 以使 LLMs 适应芯片设计领域,其中包括:

  • 用于芯片设计数据的定制分词器 (custom tokenizers)
  • 使用大量领域数据进行的领域自适应预训练 (domain-adaptive continued pretraining)
  • 带有领域特定任务的监督微调 (supervised fine-tuning with domain-specific instructions)
  • 使用经过微调的检索模型 (domain-adapted retrieval models)
  • 检索增强生成 (RAG)
    研究人员通过工程助手聊天机器人、EDA 脚本生成以及故障总结和分析三个具体应用,对 ChipNeMo 进行实测评估。

在这里插入图片描述

ChipNeMo 训练流程

其中,领域特定的分词器通过定制规则,能够提高对特定术语的标记化效率 (tokenization efficiency)。研究人员将 ChipNeMo 预训练的分词器调整为适应该研究的芯片设计数据集,仅为领域特定术语添加新的标记。

在领域自适应预训练 (DAPT) 期间,研究人员将英伟达内部的芯片设计数据与公开数据集结合,经过收集、清洗、过滤,内部数据训练语料库共拥有 231 亿个 token,涵盖设计、验证、基础设施,以及相关的内部文档。

在进行有领域特定指令的监督微调 (SFT) 时,研究人员使用公开的通用聊天指令数据集进行多轮聊天,并结合少量领域特定指令数据集对 ChipNeMo 基础模型进行 SFT,生成 ChipNeMo Chat 模型。

此外,研究人员通过使用 Tevatron 框架生成了 3000 个特定领域的自动生成样本,对 e5 小型无监督模型进行微调,从而创建了该研究的领域适应检索模型。

为了解决 ChatBot 普遍存在的「幻觉」问题,研究人员采用了检索增强生成 (RAG),从而提高特定领域问题的答案质量。

具体而言,RAG 从数据库中检索相关段落,将其与问题一起包含在提示中,从而使 LLM 能够更加基于事实地生成更准确的答案。同时,研究人员发现,通过使用适量的领域特定训练数据对无监督预训练稠密检索模型进行微调,可以显著提高检索的准确性。

在这里插入图片描述

RAG 实现过程

此外,领域自适应技术除了能够令大语言模型更加适配芯片设计领域外,还能够减少模型参数高达 5 倍,从而减少推理成本。

值得一提的是,所有模型均使用 128 个 A100 GPU 进行训练,研究人员估测了 ChipNeMo 领域自适应预训练的成本,如下表所示。其中,DAPT 的占比不足从零开始预训练基础模型总成本的 1.5%。

在这里插入图片描述

130亿参数的定制模型超越LLaMA2

研究人员在三种芯片设计应用中对 ChipNeMo 的实际性能进行监测评估,分别是工程助手聊天机器人 (Engineering Assistant Chatbot)、EDA 脚本生成 (EDA Script Generation)、Bug 总结与分析 (Bug Summarization and Analysis)。

首先,工程助手聊天机器人可以帮助芯片设计工程师回答有关架构、设计、验证等方面的问题,避免其基于错误的假设而编写代码或调试其不熟悉的代码,从而提高生产力。此外,Chatbot 还能从内部设计文档、代码、有关设计的其他记录数据、以及技术沟通留痕(电子邮件、公司即时通信等)中提取相关知识,帮助工程师提高工作效率。

在这里插入图片描述

工程助手聊天机器人示例

其次,EDA 脚本编写是工业芯片设计流程中的重要环节。过去,工程师需要学习内部脚本库、查阅工具文档,并调试脚本,占用大量时间。所以,研究人员从自然语言任务描述中,基于 Tool1 (Python)、Tool2 (TCL) 生成了两种不同类型的脚本。工程师可以在同一界面查询模型并运行生成的代码,同时还能看到还需要多少次更正才能获得一个可运行的脚本。

在这里插入图片描述

LLM 脚本生成器与 EDA 工具的集成

在这里插入图片描述

EDA 脚本生成器示例

第三,针对 Bug 总结与分析,研究人员利用英伟达内部的 Bug 数据库 NVBugs,还构建了一个领域特定的 SFT 数据集。

在这里插入图片描述

Bug 总结与分析示例

研究人员针对芯片设计知识、EDA 脚本、Bug 分析、电路设计和 MMLU(Mean Multi-Language Understanding,多语言理解均值)对 ChipNeMo 的性能进行了对比评估。

在这里插入图片描述

结果显示,ChipNeMo 的性能随基础模型的参数规模大小而提高,ChipNeMo 领域自适应预训练在基础模型上提供了显著的性能改善。同时,最优 ChipNeMo 模型在所有基准测试上的性能均优于 GPT-3.5,在设计知识和 Bug 基准测试上优于 GPT-4。

此外,在芯片设计任务中,只有 130 亿个参数的定制 ChipNeMo 模型的性能达到或超过了更大的通用大语言模型(例如包含 700 亿个参数的 LLaMA2)。

大模型设计芯片还真不是新鲜事

目前,ChipNeMo 仅供内部使用,并且由于使用了英伟达内部数据进行训练,未来对外开源的可能性或许也不大。尽管如此,英伟达作为显卡巨头,借助大语言模型优化工作流程的这一举动,对行业而言还是颇具启发意义的。

一方面,芯片设计的高门槛不仅体现在技术壁垒上,同时也体现在经验与成本方面。从设计到落地、再到投产的每一个步骤,都可能成为行业竞争中的「超车点」。而大模型的加入,对一些起步较晚、自身经验积累不足的初创企业企业而言,可以在更短的时间内「博采众长」,甚至可以看作是直接聘请了一位经验丰富的工程师。不过,这需要更多的开源数据与模型支撑。

另一方面,在大模型以 Chatbot 的形式持续惊艳世人的同时,很多企业都想基于开源模型,研发更加契合自身行业特点与业务属性的大语言模型,但大多都因为难以解决高昂的训练成本而打了退堂鼓,同时还要考虑训练数据安全问题。这一点也在英伟达身上再次得到印证,训练 ChipNeMo 所用的 128 个 A100 GPU 就不是所有企业能够轻易获得的。

值得注意的是,ChipNeMo 其实并不是大模型在芯片领域的首次落脚。

早在 2023 年 5 月,纽约大学坦登工程学院的研究人员就已经通过与 AI「对话」,首次实现了由人工智能来设计一种微处理器芯片。

在这里插入图片描述

论文链接:
https://arxiv.org/abs/2305.13243
关注公众号,后台回复「Chip-Chat」即可下载论文

纽约大学教授 Hammond Pearce 在接受采访时介绍道:“我根本就不是一个芯片设计专家。这是我设计的第一个芯片。我认为这是这件事令人印象深刻的原因之一。”

具体而言,研究人员通过 124 次对话成功让 GPT-4 设计出一个 8 位累加器微处理器,经由 Skywater 130nm shuttle 进行制造。

在这里插入图片描述

就在这一研究成果发布的第二天,中国科学院计算技术研究所在 arXiv 上发布了 ChipGPT,再度掀起讨论热潮。研究人员表示,ChipGPT 是一种尝试,旨在探索使用自然语言芯片规范自动生成逻辑设计的可行性,并利用当前的 LLM 降低传统上需要高度专业知识和人工劳动的硬件前端设计成本。

在这里插入图片描述

论文地址:
https://arxiv.org/abs/2305.14019

研究结论表明,ChipChat 与传统敏捷方法相比,代码量可以减少 5.32-9.25 倍。在优化面积模式下,ChipGPT 的面积减少最大可达 47%, 比原始 ChatGPT 模型减少更多。

此外,基于 AI 优化芯片设计也并非新概念。除了英伟达之外,谷歌等大厂均有布局。谷歌团队曾在 2021年 发布论文《A graph placement methodology for fast chip design》,介绍了一种用于芯片版面规划的深度强化学习方案。英伟达也曾在 2022 年发布基于深度增强学习的电路设计方法 PrefixRL。

不过,ChipNeMo 历经沉淀,且为定制模型,在应用的契合度与效率层面势必都将更具优势。在这个 AI 芯片内卷的时代,英伟达作为遥遥领先的「卷王」,竟然还想着用 AI 提升效率,或许也是感受到了追赶者带来的压力?

参考资料:
https://blogs.nvidia.cn/2023/10/31/llm-semiconductors-chip-nemo
https://mp.weixin.qq.com/s/cRa-qAUTB2czlUcGb4YiDw
https://mp.weixin.qq.com/s/54BCR1wMoncvRYfaccNk3g

基于Python的CT骨料图像分割与STL批量导出完整指南 本文介绍了一套完整的Python解决方案,用于CT骨料图像的分割与STL导出。针对CT图像中颗粒粘连、噪声伪影等技术难点,提出基于分水岭算法的分割策略,结合距离变换与标记控制实现颗粒分离。内容包括环境配置、数据读取与预处理、Otsu阈值分割、分水岭算法实现、表面提取与STL导出等关键步骤。教程提供详细代码及解释,帮助读者从CT体数据出发,最终生成每个颗粒的三维网格文件,便于后续定量分析和数值模拟。 阅读详情

相关推荐

【VAX 小番茄安装详细步骤】

本文详细介绍了在VS2022环境下安装Visual Assist X(番茄助手)的步骤及常见问题解决方案。主要内容包括:安装前的兼容性设置(需修改为Windows7兼容模式)、安装流程(卸载旧版本、勾选对应VS版本、替换关键dll文件)以及常见问题处理(如安装失败、工具栏图标缺失等)。文章提供了完整的下载链接和操作截图,特别强调了安装失败后的清理方法(注册表、安装目录和残余文件删除)。最后给出了安装成功后的测试运行指引。

qq_23962581的博客 1722

【论文阅读】英伟达ChipNeMo,一个领域大模型的训练案例

这是英伟达针对芯片设计训练的一个领域大模型(ChipNeMo),使用了微调和RAG的组合技术,论文有针对技术细节的大量对比分析,对于理解微调和RAG技术,是一个非常好的技术案例

bylander的博客 3561

CTP Python API及Demo(利用Swig 封装)Windows版(6.6.1traderapi)

环境:visual studio2015、python3.9、 参考的是景色大神的教程自己制作,因为直接用它编译好的无法使用,遂自己编译。 从CTP官网上下载CTP API点击下载。这里用的版本是v6.6.1_P1_tradeapi,想使用不同的版本下载即可: 安装Swig软件,本文中所用的Swig是swigwin-4.0.2版本,点击下载。下载后解压,将swig路径添加到环境变量中。 安装python,注意要安装64位版本,将环境变量配置好。本文所用的是3.9版本。 通过Swig得到pyth.

ProgramVAE的博客 2545

【论文阅读】ChipNeMo中的数据集处理

1)对于数据集,除了领域数据,依然需要公共数据,避免由于微调带来模型原有能力的灾难性遗忘。2)需要有领域评估基准,同样的,评估基准需要包含公共的LLM学术基准。3)数据重采样,这个方面,比如文章提到“对代码数据进行了下采样,同时对自然语言数据,特别是设计文档进行了上采样”等,但是,具体的采样比例如何获得,文章并没有说。参考其他来源,数据重采样的合适比例,应该是通过尝试获得,训练后如果评估效果不好,相应调整数据采样比例,反复试验获得的良好的评估结果。

bylander的博客 2184

Zlib1.2.11源码编译(Win10+VS2019)

下载 下载网址: zlib Home Site 得到文件: 解压缩到“D:\SourceCodes\zlib-1.2.11” 使用CMake配置、生成并打开项目 将CMakeLists.txt拖入CMake,配置(Configure): 生成(Generate) 打开项目(Open Project),CMake调用VS2019打开项目 生成debug版本 构建项目ALL_BUILD。成功生成debug版本 在“D:\Sourc...

Alexabc3000的专栏 1895

汽车轮胎动平衡背后的秘密:如何用惯性主轴原理消除方向盘抖动

本文深入解析了汽车轮胎动平衡的核心原理,即利用惯性主轴原理消除高速行驶时的方向盘抖动。文章从方向盘抖动的现象出发,阐释了动不平衡产生的物理本质,并详细介绍了如何通过动平衡机测量、计算与校正,使轮胎-轮毂系统的实际旋转轴回归其惯性主轴,从而实现稳定运转。

grafana6viz的博客 347

大模型与EDA工具

EDA工具,目标是硬件设计,而硬件设计,您也可以看成是一个编程过程。 大模型可以辅助软件编程,相信很多人都体验过了。但大都是针对高级语言的软件编程,比如:C++,Java,Python,JavaSctipt。面向的行为是软件(CPU或GPU)。有多大用处,见仁见智,我在之前的博客里也提到过。这里不再多说,但是对于硬件编程,也就是我们所说的RTL编程,EDA工具的使用。大语言模型是否有效,有多大的帮助,实际上没有认真思考过。

石头记 3524

AI人工智能领域持续学习:提升技术能力的关键

在当今科技飞速发展的时代,AI人工智能已经渗透到我们生活的方方面面。本文章的目的就是帮助大家了解在AI人工智能领域持续学习的重要性,以及如何通过持续学习来提升自己的技术能力。文章会涵盖AI的核心概念、持续学习的原理和方法、实际应用场景等方面,让大家对AI领域的持续学习有一个全面的认识。本文首先会介绍AI人工智能的核心概念,让大家对这个领域有一个初步的了解。然后详细讲解持续学习的原理和方法,通过代码示例展示如何在实际项目中实现持续学习。接着会分析AI持续学习在不同场景的应用,推荐一些学习工具和资源。

AI 原生应用开发的博客 1289

【论文阅读】ChipNeMo中的领域适配分词技术

这种领域适配分词的方法,旨在通过适应领域特定的术语和模式来提高LLM在特定领域数据集上的性能,同时保持其在一般数据集上的泛化能力。

bylander的博客 1496

Pixhawk2.4.8接口及引脚定义

pixhawk2.4.8接口定义图解

加斯顿工程师的博客 8758

【C++】开源:ncurses终端TUI文本界面库

ncurses配置使用(TUI)

DevFrank的博客 3173

AI时代-GPT4 AIGChip框架开发

此外,使用现有的设计探索和自动化工具[11],[13],[14],[17],[36],[43],[45]所需的硬件专业水平对非专家来说是一个巨大的挑战,抑制了AI加速器的创新发展。然后,我们将讨论我们的模板的含义和优点。值得注意的是,我们的GPT4AIGChip通过在封闭源代码但功能强大的GPT-4[24]之上实现上下文学习,并结合两个基本组件,实例化三个观点:(1) llm友好的硬件模板,它将复杂的AI加速器代码简化为模块化结构,以及(2)演示增强提示生成器,它增强了llm生成优化AI加速器的能力。

m0_58966968的博客 1606

C#上位机+YOLO入门:工业视觉检测最小demo(复制就能跑,附完整代码)

新手入门C#上位机+YOLO,最忌讳的是上来就追求“大而全”,结果卡在某个外围功能上,连核心逻辑都没搞懂。这个最小demo的目的就是让大家先掌握“图像预处理→模型推理→结果解析”的核心链路,后续再逐步添加工业场景的功能,这样学习效率会高很多。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 729

英伟达发布大语言模型,专攻辅助芯片设计

金磊 发自 凹非寺量子位 | 公众号 QbitAI英伟达推出了自家最新430亿参数大语言模型——ChipNeMo。对于它的用途,英伟达在官方披露消息中也是非常的明确,剑指AI芯片设计。具体而言,ChipNeMo可以帮助工作人员完成与芯片设计相关的任务——包括回答有关芯片设计的一般问题、总结bug文档,以及为EDA工具编写脚本等等。英伟达首席科学家Bill Dally对此表示:我们的目标是让英伟达的...

量子位 235

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

英伟达发布大语言模型,专攻辅助芯片设计:让芯片来设计芯片

省时查报告-专业、及时、全面的行研报告库省时查方案-专业、及时、全面的营销策划方案库2024届高校毕业生抽样调研报告.pdf2023届高校毕业生薪酬研究报告.pdf【免费下载】2023年9月份全网热门报告合集千模大战:百家争鸣OR一地鸡毛?OpenAI:GPT最佳实践(大白话编译解读版)ChatGPT提词手册,学完工作效率提升百倍马斯克谈AI:中美差距12个月,出现AGI只要三五年万字干货:Cha...

m0_37586850的博客 211

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

每日一看大模型新闻(2023.10.31)阿里云发布开发平台阿里云百炼和大模型通义千问2.0版本;英伟达发布芯片设计辅助大模型ChipNeMo;联想集团、英特尔、爱奇艺宣布三方在AI PC领域合作

阿里云CTO周靖人在2023年杭州云栖大会上发布了一站式大模型应用开发平台——阿里云百炼。该平台集成了国内外主流优质大模型,提供等全链路服务和应用开发工具。同时,会上发布了版本,同时其APP正式上线,其,正加速追赶GPT-4。阿里云展示了一款基于阿里云通义代码大模型的智能编码助手“通义灵码”。这个编码助手已在阿里云内大规模应用,现已面向所有开发者开放公测。“通义灵码”,可根据当前代码文件及跨文件的上下文自动生成行级/函数级代码、单元测试、代码注释等,并具备等能力。

liuxiuxiu3的博客 1403

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

2024 极术通讯-安谋科技:聚焦AI、智驾智舱和云计算等,为新兴应用提供多元异构计算平台

导读:极术社区推出极术通讯,引入行业媒体和技术社区、咨询机构优质内容,定期分享产业技术趋势与市场应用热点。

weixin_47569031的博客 1732

Meta/东京电子/FPT软件等共同贡献,Aitomatic发布首个半导体行业开源大模型,「锁死」企业技术自主权

作为该联盟的首批成员,Alliance 发布的 SemiKong 也是深受其益,目前披露的是已经使用了东京电子的相关数据,未来,如果联盟中的其他半导体企业能够开放出更多可用、高价值的数据资源,势必会令 SemiKong 的准确性与覆盖面有所提升,成为半导体领域的全能 AI Agent。不难发现,无论是开源的 SemiKong 还是其为企业定制的 AI Agent,Aitomatic 的方案与英伟达的 ChipNeMo 有许多相似之处,为半导体行业内的传统制造厂商的 AI 革新提供了新的选择。

HyperAI超神经 1429

《工业大模型应用报告》重磅发布:大模型有望成为驱动工业智能化的引擎 | 附下载

近日,腾讯研究院发布了《工业大模型应用报告》(简称“报告”),报告指出,工业正处于从数字化向智能化迈进的阶段,而大模型凭借其卓越的理解能力、生成能力和泛化能力,成为推动工业智能化的关键力量,有望拓展人工智能和工业融合的新空间。

2401_82469710的博客 1371

《工业大模型应用报告》重磅发布:AI大模型有望成为驱动工业智能化的引擎 | 附下载

近日,腾讯研究院发布了《工业大模型应用报告》(简称“报告”),报告指出,工业正处于从数字化向智能化迈进的阶段,而大模型凭借其卓越的理解能力、生成能力和泛化能力,成为推动工业智能化的关键力量,有望拓展人工智能和工业融合的新空间。

DEVELOPERAA的博客 1044

重磅发布:《工业大模型应用报告》大模型有望成为驱动工业智能化的引擎 | 附下载

大模型时代的到来,为人工智能在工业领域的应用提供了坚实基础。

瓦罗兰特顶级C位的博客 1048

《工业大模型应用报告》大模型有望成为驱动工业智能化的引擎 | 附下载

该报告在中国通信工业协会的指导和支持下,由腾讯研究院与中国通信工业协会物联网应用分会、毕马威企业咨询(中国)有限公司以及腾讯云智慧行业五部共同撰写。报告深入剖析了工业大模型的三种构建模式和应用场景,并分析了工业大模型在促进工业智能化发展方面的机遇与挑战。

2401_82469710的博客 758

大模型有望成为驱动工业智能化的引擎

大模型时代的到来,为人工智能在工业领域的应用提供了坚实基础。近日,腾讯研究院发布了《工业大模型应用报告》(简称“报告”),报告指出,工业正处于从数字化向智能化迈进的阶段,而大模型凭借其卓越的理解能力、生成能力和泛化能力,成为推动工业智能化的关键力量,有望拓展人工智能和工业融合的新空间。该报告深入剖析了工业大模型的三种构建模式和应用场景,并分析了工业大模型在促进工业智能化发展方面的机遇与挑战。

lvaolan8888的博客 772

2023 极术通讯-安谋科技携手Arm助力中国半导体生态繁荣

导读:极术社区推出极术通讯,引入行业媒体和技术社区、咨询机构优质内容,定期分享产业技术趋势与市场应用热点。

weixin_47569031的博客 257
上一篇: AI 赋能绿色制冷,香港岭南大学开发 DEMMFL 模型进行建筑冷负荷预测
下一篇: 每周编辑推荐|CCMusic 音乐数据集上线、揭秘英伟达自研大模型 ChipNeMo
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值