AMD:"环绕计算"时代智能生活不是梦

拆解Tesla MCU3:AMD Ryzen芯片如何让车机秒变游戏主机?内含硬件配置清单 本文深入拆解了特斯拉MCU3智能座舱的核心硬件,重点解析了其搭载的AMD Ryzen处理器与Navi 23独立GPU如何实现性能飞跃。通过对比PS5等游戏主机,揭示了MCU3高达10 TFLOPs的图形算力如何将车机变为游戏平台,并探讨了其在散热、供电及未来智能座舱体验方面的工程设计。 阅读详情


  想象一下这样的生活:通过无所不在的高速网络,家长们可以随时知道自己孩子的准确位置;医生可以随时了解病患的身体状况;下班回家途中冰箱会拟出你喜欢的菜单,传到移动设备中去搜索附近超市采购;快到家时电饭煲已经根据你的菜单开始预先加热、热水器开始调节洗澡的水温,电视也准备好播放昨晚错过的剧集。

  听起来像科幻大片,但是这的确可以实现。我们和这样的未来之间已经不再存在太多的技术障碍,需要做的只是让地球上的一切都连接在一起,为我们所感知、所控制。8月底,在硅谷召开的半导体领域权威大会HotChips上,AMD资深高管、首席技术官马克?佩珀马斯特描绘了“环绕计算”(surroundcomputing)的时代——在这个时代中,环绕在我们周围的设备都将拥有内置的微处理器,通过无障碍的人机交互,营造一个智能、安全、便捷的生活环境。

  简而言之,“环绕计算”时代就是网络与物理现实世界相连,使人与人、人与物、物与物更具智慧,甚至是不受时间和空间限制的“随心所欲”。如果要实现各种设备与人的自然交互,就需要工程师开发更加复杂的技术来解读语音、手势和面部表情,从而产生海量的实时数据等待分析和处理,毫无疑问,这是对计算资源和计算能力的挑战。

  这样的趋势必将掀起一场史无前例的革命。目前看来,异构计算以低功耗、可扩展的并行处理能力,当仁不让的成为应对海量数据运算的最佳方法。它可以智能分配计算资源,充分释放GPU并行运算的最大潜能,以实现高效率、低耗能的计算体验。作为业界唯一一家同时拥有CPU、GPU整合平台的厂商,AMD成为异构计算芯片和应用的主要倡导者,其代表性产品APU将CPU与GPU真正融合在一颗芯片内,以“协同计算、彼此加速”的特性成为x86领域中实现异构计算的鼻祖之作。

  基于理念和技术上的优势,AMD正在以异构计算为核心,应用体验为关键点,构建一个全新的产业生态系统。AMD毫不掩饰抢占异构计算领域高地的战略意图,不久前,AMD倡导并联合ARM、德州仪器、联发科技等芯片巨头建立“异构系统架构基金会”,与合作伙伴为开发人员提供全面支持,普及推广异构计算,同时提升基于云的数据管理、流服务和安全性。此举将对未来IT产业的变革产生深远影响,也是实现“环绕计算”的重要基础。

  “环绕计算”时代听起来离我们很远,其实我们身边已经有很多丰富多彩且迎合用户需求的类似应用出现。全球众多领先的独立软件开发商都在积极地与AMD合作,在异构平台上进行应用开发工作——100多款应用软件正在利用AMD异构平台进行加速,带给用户迅捷的上网体验、逼真的游戏场景,以及高清、绚丽的影像效果。而人脸识别、手势识别等在内的各种生物识别技术、视频解码技术、星云计算等应用也已经逐渐成熟并得到推广。

  其实,AMD早在去年就提出了具有前瞻性的3C发展战略,即消费趋势、云计算和融合。“环绕计算”正是以3C战略为核心构建的、集合了洞察应用发展趋势和面向未来计算手段的美好愿景。在这方面,AMD不仅用前沿的眼光和领先的技术刻画了未来生活的美好画卷,而且正在用实际行动让我们重新感知这个世界。

  假如有这样的系统,能够实时掌握周围发生的一切状况,并且迅速应对;假如有一天,你我身边的一草一木都能讲述它们的感受,每一栋建筑都能主动报告它的使用状况,每一辆汽车都会主动寻找最好的线路并且避免车祸的发生,我们的世界会不会更美好?不用质疑,这样的生活并非遥不可及——“环绕计算”时代已经让梦想照进现实。

AMD Versal Premium Gen2 SoC FPGA架构与高性能计算解析 SoC FPGA作为异构计算的重要载体,通过集成处理器核心与可编程逻辑单元,实现了硬件加速与灵活性的完美结合。其核心原理在于利用Arm Cortex处理器处理通用计算任务,同时通过FPGA逻辑实现定制化硬件加速,大幅提升计算效率。这种架构在数据密集型应用中展现出显著的技术价值,特别是在需要高吞吐量和低延迟的场景,如雷达信号处理、电子战系统等。AMD Versal Premium Gen2系列进一步优化了这一架构,支持PCIe Gen6和CXL 3.1等高速接口,适用于军事、航空航天及6G基站等高要求领域。 阅读详情

相关推荐

智能座舱芯片大盘点:一文读懂高通、联发科、AMD 谁在领先?

QCS8550,基于骁龙8 Gen 2 移动平台,是目前高通汽车智能座舱芯片的“尖刀选手”,也被称为“车规版 8 Gen2”。目前已用于高合、极氪等高端新能源品牌。MT8676 是联发科瞄准高性能座舱场景开发的旗舰 SoC,目前主要在新兴新能源品牌的预研平台中亮相。三星自研座舱 SoC,率先搭载在现代/起亚未来旗舰车型中,标志三星从硬件到软件实现座舱闭环布局。搭载在特斯拉 Model S/X 等车型中,提供强大的图形与多屏处理能力,但 AI 与低功耗表现一般。

weixin_43199439的博客 1411

虚拟时代将至:环绕计算才是未来

不久之前,我们都曾经历过那个无趣的计算机世界。随着30年前,个人计算机图形处理的出现,黑白显示器退出舞台,这无疑在与计算机图形相关的应用程序、游戏及娱乐中引发了一场革命。 时至今日,得益于计算机处理能力、图像、视频以及显示技术所取得的巨大进步,这场革命仍在继续。这些进步从根本上改变了个人计算机,并使为用户带来超逼真视觉效果成为可能,而这一切在二三十年前可...

weixin_34204057的博客 165

环绕计算来袭 智能嵌入式系统市场大放光彩

计算的未来在哪里?“计算无处不在”所描述的将不仅是人作为交互主体的应用环境和计算体验,更智能的端、服务器、云、即插即用的IP协议组合、全新的处理器架构等将组成面向未来的计算环境。

整合CPU+GPU平台 AMD欲打造高智能生活

作为知名处理器厂商,AMD一直致力于为人类打造更高性能的服务,AMD是目前业内唯一一个可以提供高性能CPU、高性能独立显卡GPU、主板芯片组三大组件的半导体公司。 为了在当今竞争异常激烈的市场中获得成功,跨国电子公司需要值得信赖的供应商和合作伙伴来为他们按时按量地提供他们所需要的解决方案。因此,AMD 采用了一种高效的、基于合作伙伴的研发模式,确保它的产品和解决方案可以始终在性能和功率方面保

黄沙百战穿金甲,不破楼兰终不还。 1677

LPDDR5时序精调:深入解析Read Gate Training的两种模式

本文深入解析了LPDDR5内存中关键的Read Gate Training技术,详细对比了RDQS Toggle Mode(翻转模式)与Enhanced RDQS Mode(增强模式)的工作原理、时序参数及适用场景。文章阐述了在高速数据传输下精准校准时序的必要性,并提供了两种模式的实战选型指南与系统级调试思路,帮助工程师优化内存性能与稳定性。

weixin_29219189的博客 369

微信内置浏览器抓包全攻略:从ADB配置到Chrome调试(附常见问题解决)

本文提供了一套完整的微信内置浏览器抓包与调试解决方案。从ADB工具的深度配置与稳定性连接开始,详细讲解了如何开启X5内核调试开关,并利用Chrome DevTools建立远程连接。文章重点剖析了Network面板进行网络请求抓取、性能分析和问题定位的实战技巧,并附带了设备连接失败、无网络请求等常见问题的排查指南,帮助开发者高效解决微信H5页面调试难题。

gitlab7runner的博客 547

自然人机接口开启环绕运算时代

下载演讲讲义 什么是环绕运算时代呢?在年度Hot Chips研讨会开幕演说中,由AMD全球资深副总裁暨技术长Mark Papermaster擘划即将来临的「环绕运算时代(Surround Computing...

weixin_30551947的博客 90

滚动时域优化方法

滚动时域优化(Receding Horizon Optimization, RHO),也被广泛称为模型预测控制(Model Predictive Control, MPC),是一种用于动态系统优化和控制的。其核心思想是“在每个当前时刻k,控制器只考虑未来一个(称为“预测时域”或“优化时域”,长度N)内的系统行为。(通过测量或估计得到)。(描述状态如何随输入和干扰变化)。(如果有,可能基于历史数据或假设)。在这个有限的未来时域[k, k+N-1]上,求解一个。这个优化问题的目标是找到一个。

m0_69522810的博客 2303

环绕计算扫清人机交互障碍

一个眼神,一个手势,你就可以控制所有的智能终端设备,实现无障碍的人机交互。AMD的环绕计算将这种梦想变成了现实,也将重新定义计算的未来。  在一座360度的穹顶剧场内,一群动画中的怪兽正在弹奏着各类乐器,而你可以用手势来控制这些怪兽的行动。这不是天方夜谭,而是AMD利用先进的环绕技术打造出的Surround House(环绕屋),它融合了音频、视频、环绕立体声和手势控制等,可...

weixin_33968104的博客 130

Matlab双目相机标定

1 概述 现在有许多双目相机在出厂时就已经标定好了,用户拿到手后可以直接使用,例如Intel Realsense系列。但是有些相机出厂的时候并没有完成标定工作,因而这个时候就需要我们自己来标定。由于笔者曾改装过一个双目相机,最远可以测至50m,因此有一定的心得体会想给大家分享一下。本文主要介绍双目相机标定的整个过程,以及导出标定数据的方法。 相机标定主要分为手动标定和自动标定,手动标定比较繁琐,这里主要介绍基于matlab工具箱的自动标定方式来对双目相机进行标定。具体的相关标定细节也可以参照这篇博客:m

weixin_46133643的博客 2万+

后台扫描工具 - 御剑(珍藏版)附下载

版本说明:御剑后台扫描珍藏版 下载地址:安装包放下方网盘里了 链接:https://pan.baidu.com/s/1Bn7GtWb7AStcjzVahFOjSQ 提取码:zkaq 使用环境:windows 标题工具说明: 御剑后台扫描珍藏版是T00LS大牛的作品,方便查找用户后台登陆地址,同时也为程序开发人员增加了难度,尽量独特的后台目录结构。 附带很强大的字典,字典我们也是可以自己修改的,继续增加规则。 一、御剑后台扫描工具简介: 1、扫描线程自定义:用户可根据自身电脑的配置来设置调节扫描线程 2、

hackzkaq的博客 4万+

摩尔定律放缓后,AMD应如何引领自适应的风潮?

编者按:自适应计算如何为核心市场带来动力?近日,在AMD“自适应和嵌入式产品技术日”活动日上,AMD 全球副总裁唐晓蕾表示,创新是驱动发展的引擎,百行百业的数字化与智能化转型离不开创新输送的源源不断的强劲动能。唯有创新和合作才是实现长期发展的不竭动力。你永远可以相信AMD在芯片上的创新能力。2023年5月30日,AMD“自适应和嵌入式产品技术日”活动在苏州成功举办。面临着摩尔定律的放缓,现有电...

LiveVideoStack 635

matinal:S4 HANA 详解ACDOCA与BSEG的区别都在这了

当你在Coding Block中添加自定义字段的时候

matinal 當冬夜漸暖 。公众号:matinal 4600

一个中心,两个基本点——从CES 2013看 AMD战略的走向

一个中心,两个基本点——从CES 2013看 AMD战略的走向     一年一度的CES(国际消费电子展览会)总能引发业界的广泛关注,作为全世界最大、影响最为广泛的消费类电子产品展,CES自然也是厂商们“群雄逐鹿”的舞台,他们迫不及待的把最新产品、研究成果通过CES向世人展示,以求成为行业的领导者和风向标。     其中,芯片行业一直是CES受关注的焦点之一。去年的CES上,国际芯片

feitianhanxue的专栏 2117

手把手教你用8位单片机IO口直接驱动WS2812灯带(附完整代码和避坑指南)

本文详细介绍了如何使用8位单片机IO口直接驱动WS2812灯带,包括硬件准备、时序生成、色彩引擎与特效算法的实现,以及调试技巧与性能优化。通过汇编语言优化和精确时序控制,实现高效的LED驱动和炫酷的彩虹灯效,适合嵌入式开发者和硬件爱好者参考。

weixin_42696271的博客 304

基于STM32的农业蔬菜大棚温湿度采集控制系统(代码+仿真+全部资料)

摘要: 本研究设计了一种基于STM32微控制器的农业蔬菜大棚温湿度智能控制系统。系统通过DHT11传感器实时采集温湿度数据,LCD屏显示当前值及预设阈值,用户可通过按键模块调整阈值范围。当温湿度超出设定阈值时,系统自动控制风扇或加湿器进行调节,确保大棚环境稳定。实验验证表明,该系统具备高精度监测、稳定控制和模块化扩展等优势,有效优化蔬菜生长环境。未来可扩展远程监控等功能,进一步提升智能化水平。 关键词: STM32、温湿度控制、蔬菜大棚、DHT11、自动化调节

3254968421的博客 786

半导体:数字时代的隐形魔法石

从一粒沙到智能世界,半导体的魔法仍在继续。

yzx991013的博客 675

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

海盗船上的乔布斯

昨晚看了CCTV经济频道的《对话》节目,访谈当中,AMD的CEO罗瑞德(Rory Read)与主持人陈伟鸿畅谈AMD老船新帆的故事。Read自称“海盗船长”,登上AMD这艘大船之后刚刚升起一面巨大的“海盗旗”,意欲英勇无畏地挑战未来。《对话》栏目作为收视率高、口碑上乘的高端精英访谈,多年来都拥有着众多的忠实粉丝,在财经界、企业界和普通观众当中颇具影响力。此次选择Read作为访谈对象,自然是因为他走...

weixin_34099526的博客 126

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 超级本挑起消费者兴趣的新功能
下一篇: 粤嵌盘点最值得关注的嵌入式产品
c_arm_java
博客等级 码龄14年 44粉丝 47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