【AI简报20210716期】上海张江又一款AI芯发布、寒武纪切入自动驾驶芯片

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

AI 芯片

1. 上海张江又一款AI芯发布!性能超英伟达T4,AMD背景团队创办,快手投资

原文:

https://mp.weixin.qq.com/s/ufZ1M2B819_O_JHSIzQhfg

AI芯片公司瀚博半导体,发布了云端推理AI芯片SV100系列,以及搭载该系列芯片的AI推理加速卡VA1。

SV100系列是瀚博为云端推理而打造的服务器芯片,SV102是该系列的第一款芯片,INT8峰值算力达到200TOPS。瀚博半导体创始人兼CEO钱军表示,SV102具有超高推理性能、超低延时以及高密度视频解码等特点。SV102支持64路1080p视频解码,最大功耗为75W,接口为PCIe Gen4 x16,采用被动散热。这款芯片在今年6月刚刚测试成功。据钱军透露,SV100在开始测试之后8分钟就全部点亮,低于40小时之内所有模块基础测试提前完成。

而搭载SV102的VA1采用单宽半高半长75瓦PCIe卡设计,因此相比一般的GPU卡更节省能耗与空间。张磊表示,在ResNet-50的基准测试中,VA1是英伟达T4吞吐量的2倍以上。由于VA1节省服务器50%以上TCO,因此在一个2U服务器中,搭载VA1的设备可以解码384路视频,整机算力是T4设备的2.5倍以上,功耗比相同搭载GPU的服务器更低,可节省60%的服务器成本。在视频处理方面,VA1支持64路以上H264、H265或AVS2 1080p解码,分辨率支持高达8K。除了硬件产品外,瀚博也搭建了自己的VastStream AI软件平台,支持PyTorch、TensorFlow等主流AI框架,目前正在与CentOS、Ubuntu、Red Hat、银河麒麟等服务器操作系统进行适配。

2. 单颗算力200TOPS、7nm、车规级!寒武纪切入自动驾驶芯片

原文:

https://mp.weixin.qq.com/s/YJy1_I3D6J7kNYLKbrxvrg

在刚刚结束的2021世界人工智能大会上,寒武纪创始人兼CEO陈天石透露正在设计一款算力超200TOPS智能驾驶芯片,该芯片继承寒武纪一体化、统一、成熟的软件工具链,采用7nm制程,拥有独立安全岛,符合车规级标准,其定位为“高等级自动驾驶芯片”。

200TOPS什么概念?

说起自动驾驶,大家首先想到的就是特拉斯,因为它是自动驾驶的头号选手。自动驾驶最核心的硬件就是自动驾驶的芯片,它是自动驾驶的心脏,自动驾驶芯片的特点就是高算力,它的单位是tops,1tops就等于每秒运行1万亿次。随着自动驾驶级别越来越高,自动驾驶的芯片的算力也越来越强!目前在售车型里,特拉斯的自动驾驶芯片算力最强,特斯拉HW3.0,单芯片算力72tops,目前特拉斯旗下所有车型均采用双芯片方案,算力高达144tops。

期待该自动驾驶芯片量产的那一天的到来!

AI前沿

3. 圆形的CNN卷积核?清华黄高团队&康奈尔提出圆形卷积,进一步提升卷积结构性能!

原文:

https://mp.weixin.qq.com/s/yAj-TpYiCH1wC6jlSs_hRg

论文:

https://arxiv.org/abs/2107.02451

目前正常卷积的感受野大多都是一个矩形的,因为矩形更有利于储存和计算数据的方便。但是人的视野范围更像是一个圆形的。由此作者就思考能不能将卷积核的感受野变成圆形呢?作者通过一系列实验,发现了圆形的卷积核确实比方形的卷积效果会更好。

因此,受人眼视觉系统感受野的启发,作者就想能不能提出一个圆形的卷积操作,相比于矩形的卷积,圆形的卷积核主要有以下几个优点:

  • 圆形卷积核的感受野和生物视觉的感受野更加相似;

  • 卷积核的感受野通常应该是各个方向都是对称的,这样可以适应全局或者局部输入特征在不同方向上的信息变化,圆形卷积核具备这个性质,但是矩形卷积核只在固定的几个方向是对称的;

  • 之前也有工作表明,矩形卷积核的有效感受野更加接近圆形的高斯分布。

最终,作者并没有采用了单独的圆形卷积,而是采用一种圆形和方形集成的卷积,并在训练过程中采用自适应的卷积核大小(也就是说,每个集成的卷积核都有一对方核和圆核。这两个核共享权值矩阵,但有不同的变换矩阵 )。

最终作者在分类任务的三个数据集ImageNet,CIFAR-10,CIFAR-100上做了实验,在不同baseline结构上,方形和圆形集成的卷积核相比于baseline都有明显的性能提升。测试结果在MobileNetV3-Small上提高了5.20%的top-1准确率,在MobileNetV3-Large上提高了2.16%的top-1准确率。

4. AI医疗版App Store来了:GE发布“爱迪生魔盒”,集成各方医疗方案,李开复点赞

原文:

https://mp.weixin.qq.com/s/LwkzSx8WpcIoJFGpnRKe-g

在2021年世界人工智能大会上,国际顶级医疗设备厂商GE医疗给出了AI医疗行业的App Store,这家公发布了一站式、跨品牌的集成AI平台——爱迪生魔盒。

爱迪生魔盒已经与多家本土AI医疗软件开发企业合作,包括医准智能、数坤科技、强联智创、安德医智、深睿医疗、推想医疗、科亚医疗,此外GE医疗还与创投机构创新工场合作,共同拓展爱迪生魔盒的应用生态。GE医疗从医院用户的需求出发,集成了国内多家AI医疗应用,一次性将多病种AI应用给到医院。在与某三甲医院进行合作中,GE医疗于2020年引入医准智能胸部CT多病种智能分析系统。从2020年3月至今,该AI辅诊系统已完成120万例肺癌筛查。

目前,“爱迪生魔盒”平台可实现:1、一次部署,实现影像科多领域AI应用;2、一个工作流,整合不同厂商AI软件;3、一个接口,打开一个生态世界。医生再也需要不断切换工位、硬件以及操作界面才可完成工作了。只需要采购一次硬件,就能使用不同厂商、针对不同疾病的AI医疗技术,提升效率降低成本,解决了当前医院应用医疗AI实际存在的痛点。

5.【重磅发布】中国信通院联合京东探索研究院发布《可信人工智能白皮书》

原文:

https://mp.weixin.qq.com/s/Yasxkr85ODAfQ_CXaJ2tNg

面对人工智能引发的全球信任焦虑,发展可信人工智能已经成为全球共识。2019年6月,二十国集团(G20)提出“G20人工智能原则”,强调要以人为本、发展可信人工智能,这一原则也得到了国际社会的普遍认同。欧盟和美国也都把增强用户信任、发展可信人工智能放在其人工智能伦理和治理的核心位置。将抽象的人工智能原则转化为具体实践,落实到技术、产品和应用中去,是回应社会关切、解决突出矛盾、防范安全风险的必然选择,是关系到人工智能长远发展的重要议题,也是产业界急需加快推进的紧迫工作。

2021年7月8-10日,世界人工智能大会于上海举办。作为世界人工智能大会的主题论坛之一,可信AI论坛于7月9日在上海世博中心金厅成功召开。论坛由世界人工智能大会组委会办公室主办;中国信息通信研究院(简称“中国信通院”)、京东探索研究院承办。论坛上发布了由中国信通院与京东探索研究院联合撰写的国内首本《可信人工智能白皮书》,白皮书从如何落实全球人工智能治理共识的角度出发,聚焦于可信人工智能技术、产业和行业实践等层面,分析了实现可控可靠、透明可释、隐私保护、明确责任及多元包容的可信人工智能路径,并对可信人工智能的未来发展提出了建议。

下图给出了可信人工智能的总体框架。

微信图片_20210714141215

6. NLP界新SOTA!吸纳5000万级知识图谱,一举刷爆54个中文任务!

原文:

https://mp.weixin.qq.com/s/VbkPCJOZS0fpmLToH4OLjQ

论文:

https://arxiv.org/pdf/2107.02137.pdf

近期, 百度新发布了ERNIE 3.0模型。ERNIE 3.0没有选择一味的比拼模型规模,而是巧妙地将包含5000万+实体知识的大规模知识图谱融合到百亿级参数规模的超大规模模型中,并通过数据规模、多样性、质量的提升,以及模型结构与训练方式的框架级改进,使得模型全面屠榜了各大中文NLP任务!还顺便登顶了GLUE、SuperGLUE两大NLP权威榜单…

提到预训练模型的效果测评,就不得不提到 SuperGLUE Benchmark 。SuperGLUE是由谷歌DeepMind、Facebook 研究院、纽约大学、华盛顿大学等多个权威机构联合发布的复杂语言理解任务评测,旨在解决常识推理、因果判断、上下文消歧、指代消解等对于人工智能系统更为复杂任务,相对于GLUE等权威经典评测挑战更大。在这份业界公认的“地狱级GLUE榜单”上,百度ERNIE3.0以 90.6 的分数击败Google T5、微软DeBERTa、OpenAI的GPT-3等强队,以超越人类水平0.8个百分点的成绩成功实现登顶!除了SuperGLUE榜单外,在NLP经典权威榜单GLUE上,百度ERNIE同样稳居第一。

为了证明模型的通用性,ERNIE 3.0竟然一口气刷新了50多个中文NLP任务。其中涵盖了情感分析、观点抽取、阅读理解、文本摘要、对话生成等NLP经典任务。例如,基于ERNIE 3.0进行下游任务finetune后,有20几个NLP任务取得了3%以上的显著提升。

为了更好的融合知识,让模型同时具备语言理解和语言生成的能力,ERNIE 3.0还融合了自编码和自回归两种范式进行统一预训练,使得模型兼具语言理解、生成与知识记忆能力。ERNIE 3.0也延续了ERNIE 2.0使用的持续学习范式,整个框架可通过引入新的预训练任务和新的任务模型网络,实现模型持续学习,进而解决新的任务。

由此可见,ERNIE 3.0框架的提出证明了预训练问题在模型规模之外依然存在很大的探索空间,包括但不限于大规模知识图谱的融合学习、数据多样性与质量优化、结构与训练方式改进等,提升参数规模绝对不是当下预训练问题的唯一解!但从另一个角度来说,未来的ERNIE模型进化到千亿、万亿乃至十万亿参数规模后,又会带给业界怎样的惊喜呢?让我们拭目以待吧!


AI开源项目

7. 仅用99行代码实现冰雪奇缘特效的「太极」再进化,胡渊鸣团队、快手等联合打造

原文:

https://mp.weixin.qq.com/s/vJFOziFu2Dre6QQbXeAtRA

论文:

https://yuanming.taichi.graphics/publication/2021-quantaichi/quantaichi.pdf

GitHub:

https://github.com/taichi-dev/quantaichi

得益于计算机仿真技术的不断发展,我们能够在电脑中重建越来越逼真的现实世界,制作出《冰雪奇缘》等优秀的特效电影。但逼真的场景、丰富的细节离不开超高精度的物理模拟,因此特效的每一帧几乎都是用经费烧出来的。现代动画电影(包括《冰雪奇缘》等),经常使用基于物理的动画生产特效,丰富感官的体验。基于粒子的表示是其中常用的方法。场景越大,粒子就越多。比如,要模拟一个 300 米长的溃坝场景中的水,可能会需要数千万粒子,而这些粒子的存储需要大量显存。比如说,如果需要96GB的显存,则需要购置大量高端显卡,如 4 块 NVIDIA Quadro P6000 GPU。而一块 P6000 在 Amazon 上的售价约为 4000 美元,而这样的 GPU,你要买 4 块。显然,这个成本不是普通家庭能玩得起的。

针对这一现状,快手、麻省理工、浙大、清华的研究者进行了物理编译器自动量化方面的研究,提出了一套用于量化模拟的新的语言抽象和编译系统——QuanTaichi。它可以使用低精度量化的数字数据类型并将其打包(packing)以表示模拟状态,从而减少了内存空间和带宽消耗。有了这项技术的加持,高精度的物理模拟只需要一块 GPU 就能实现。QuanTaichi 的实现基于 MIT CSAIL 胡渊鸣等人之前提出的「太极(Taichi)」编程语言和编译器,使开发人员可以轻松地在不同的全精度和量化模拟器之间进行切换,以探索最佳的量化方案,并最终在空间和精度之间取得良好的平衡。相关工作已经入选图形学顶会 SIGGRAPH 2021,也已经被合入到了太极的开源 Github 库中。

8. 计算机行业越来越卷,AI都会刷LeetCode了,网友:比我强

原文:

https://mp.weixin.qq.com/s/3pxBcX6pvRkUJAiS6Z0jmw

论文:

https://arxiv.org/pdf/2105.09938.pdf

GitHub:

https://github.com/hendrycks/apps

随着深度学习的兴起,AI 让许多行业实现了自动化,包括将 AI 用于编程。人们在编程时通常会使用大量的有意识和潜意识思维机制发现新问题并探索不同的解决方案,然而大多数机器学习算法都需要定义明确的问题和大量带有注释的数据才能够开发出解决相同编程问题的模型,因此用 AI 编程并非易事。此外,准确地评估模型的代码生成性能可能是很困难的,并且很少有既灵活又严格的方式来评估代码生成的研究。

基于此,来自 UC 伯克利等机构的研究者提出了 APPS(Automated Programming Progress Standard),一个代码生成基准,该基准测试能够衡量模型的代码生成能力,并检查代码是否符合问题要求。与公司评估候选软件开发人员的方式类似,该研究通过检查生成的代码在测试用例上的结果来评估模型。基准测试包括 10000 个问题,包含单行代码解决的简单问题和具有大量代码的复杂算法挑战等多多种问题。

论文发布后,有网友表示他们使用相似的数据集训练模型解答 LeetCode 中的题目,其中最优的模型是 GPT-2,准确率高达 80%。

在上一期 AI 简报中,与此类似的一个项目 AI 代码合成器 Github Copilot,是由微软、Github、OpenAI 三方联手推出的。最近,Github Copilot 出现了巨大的争议。Github 官方承认会使用 Github所有公开代码来训练它,并且不区分 License类别,使得网友炮轰 Github,Github Copilot 被质疑为 “抄袭工具”。

9. 火爆 Github!这个图像分割神器开源了

原文:

https://mp.weixin.qq.com/s/fAqCfxUnkO8H_qkxjP95nA

Github:

https://github.com/PaddlePaddle/PaddleSeg

百度的产业级人像分割方案PPSeg近期开源了!人像分割是图像分割领域非常常见的应用,在实际应用过程中人像的数据集来源多种多样,数据可能来源于手机、相机、监控等,图片尺寸可能是横屏、竖屏或者方屏。部署场景多种多样,有的应用在服务器端,有的应用在移动端,还有的应用在网页端。为此 PaddleSeg 团队推出了在大规模人像数据上训练的人像分割 PPSeg 模型,满足在服务端、移动端、Web 端(Paddle.js)多种使用场景的需求。

PPSeg 模型在产业中得到了广泛的应用。近期“百度视频会议”也上线了虚拟背景功能,支持用户在视频会议时进行背景切换。其中人像换背景模型采用 PaddleSeg 团队开发的 PPSeg 系列模型中的超轻量级模型。通过 Padddle.js 实现了在 web 端部署,直接利用浏览器的算力进行图像分割,分割效果受到一致好评。

小伙伴们也可前去百度首页体验百度视频会议,直观体验一下 PaddleSeg 和 Paddle.js 为大家提供的人像分割功能。

文末福利

OOM?教你如何在PyTorch更高效地利用显存

原文:

https://mp.weixin.qq.com/s/_k-jpx2zILgvlWzxku2kWw

Out Of Memory, 一个炼丹师们熟悉得不能再熟悉的异常,其解决方法也很简单,减少输入图像的尺寸或者Batch Size就好了。但是,且不说输入尺寸对模型精度的影响,当BatchSize过小的时候网络甚至无法收敛的。

当然,氪金解决一切。但为了不加钱,我们就只能尽可能地去榨取显存,原文就介绍了如何在不减少输入数据尺寸以及BatchSize的情况下,进一步榨干GPU的显存。

装X神器!NuShell

原文:

https://mp.weixin.qq.com/s/1hARPIQ6jXeW4pvgg8skQg

Github: 

https://github.com/nushell/nushell

原文介绍了一个生产力工具Shell,它叫Nushell,它是用Rust写的,安全性提高的同时,Bug率也降低了。NuShell 专注于实现以下目标:

  • 创建具有现代感的灵活的跨平台Shell

  • 允许你将命令行应用程序与可理解数据结构的Shell进行混合和匹配

  • 具有现代命令行应用程序提供的用户体验优化

    在做开发等枯燥的工作的同时,有一个良好的界面视觉感和很多方便的功能,将会事半功倍!


你可以添加微信17775982065为好友,注明:公司+姓名,拉进 RT-Thread 官方微信交流群!

???? 点击阅读原文进入官网

小苹果影视盒子固_2.0.2.apk 立即下载

相关推荐

计算机应用:国产AI芯片持续突破,自动驾驶与工业智造成为人工智能重点落地场景.pdf

计算机应用:国产AI芯片持续突破,自动驾驶与工业智造成为人工智能重点落地场景.pdf

一步一步安装jumpserver

系统: CentOS7IP:192.168.170.12设置防火墙和selinux[root@localhost ~]# systemctl enable firewalld Created symlink from /etc/systemd/system/dbus-org.fedoraproject.FirewallD1.service to /usr/lib/syste...

weixin_34318956的博客 433

避开这5个坑!Tushare数据获取与清洗的常见问题解决方案

本文详细解析了使用Tushare进行金融数据分析时常见的5大问题,包括Token失效、数据缺失、频率限制等,并提供了Python实战解决方案。通过智能填充策略、队列化管理和分层存储设计,帮助开发者高效获取和清洗金融数据,提升量化分析效率。特别适合金融数据分析师和Python开发者参考。

f9g0h的博客 426

从0到1编写个人博客项目使用springboot+vue(前后端分离) 到 购买服务器上传项目 到 GitHub开源项目、此过程下所遇问题及解决方法,至少你帮你少走70%弯路

记录个人博客项目从0到1过程中遇到的所有困难及其解决方案、因为是遇到一个困难就记录一个困难,所以当你也写类似项目时,很有可能从中找到答案、文章集百家所长、参考他人博客的解决方案、有的会有原文链接、有的可能会漏掉。望海涵

小邹的博客 125万+

YOLOv8中Anchor-Based、Anchor-Free及样本分配策略

本文主要介绍yolov8中的anchor机制与样本分配策略的静态策略和动态策略

qq_52889317的博客 2211

glm-4v-9b环境配置全攻略:从CUDA版本冲突到bitsandbytes异常排查(RTX A4000实测)

本文详细介绍了在RTX A4000显卡上配置GLM-4V-9B多模态大模型的完整流程,重点解决CUDA版本冲突和bitsandbytes异常问题。通过4-bit量化技术显著降低显存占用,提供从环境预检到量化部署的实战指南,帮助开发者在有限显存环境下高效运行大模型。

weixin_30369041的博客 407

自动驾驶芯片的算力和性能分析

自动驾驶汽车的智能化取决于算法,因此有软件定义汽车的概念出现并且大为盛行,但是要想实现软件定义汽车,必须要有一个可以承载高度智能化且运算量庞大的AI算法的硬件计算平台或者叫域控制器,而无论是硬件计算平台还是域控制器,都离不开芯片。 自动驾驶从L0到L5,随着功能的完善和性能的提升,带来更好的智能和科技体验的同时,也对AI芯片的算力和性能提出更高的需求。 之前的文档曾提到,L2或者说ADAS需要的AI计算力100TOPS,L5需要

weixin_45905610的博客 5238

【机械臂算法】机械臂动力学参数辨识仿真

本文以puma560m机械臂为例子进行动力学参数辨识的讲解,puma560m可以在robotic toolbox中找到,这里以它真实机械臂对他的动力学参数进行辨识。此外这里还有要说的是,机械臂参数辨识其实是一个系统工程,其中和系统的机械、电子、嵌入式都有着很深的联系,并不是仿真这么简单的。

vrijheid的博客 7838

自动驾驶主流芯片及平台架构(一)

我们来看看主流的自动驾驶芯片的算力。理论上来说 training 和 inference 有类似的特征,但是以目前的情况来说,在运算量差别大,精度差别大,能耗条件不同和算法也有差别的情况下,training 和 inference 还是分开的状态。:在原始层把数据都融合在一起,融合好的数据就好比是一个超级传感器,而且这个传感器不仅有能力可以看到红外线,还有能力可以看到摄像头或者RGB,也有能力看到liDAR的三维信息,就好比是一双超级眼睛,在这双超级眼睛上面,开发自己的感知算法,最后输出一个结果层的物体。

生活需要深度 1498

TC387 MCMCAN Message RAM配置详解:Tx Buffer与Rx FIFO地址布局

在嵌入式CAN/CAN FD通信系统中,缓冲区和FIFO是数据收发的核心机制,而AURIX TC3xx系列单片机将这一机制集成在了MCMCAN模块专用的Message RAM中。这是一块由CAN控制器独占的内存区域,开发人员需要按照寄存器规范手动划分Tx Buffer、Rx FIFO、过滤元素等子区间。合理的RAM布局能确保不同功能区域互不重叠、有序排列,避免数据覆盖与错帧。通过掌握TXBC、RXF0C等配置寄存器的字段含义,结合实用的地址布局表,可以显著降低多节点CAN通信的调试成本。本内容面向使用TC3

weixin_34226182的博客 225

你分得清ChatGPT、Gemini、Grok、豆包、千问、DeepSeek、OpenClaw、CloudCode、vibeCodeing、sKill、MCP,飞书、微信这些到底是什么吗?

AI技术生态呈现层级化发展,从基础模型到应用平台形成完整技术栈。核心分为五层:模型层(GPT、Gemini等基础模型)→AI助手层(ChatGPT等应用产品)→工具层(ClaudeCode等开发工具)→协议层(MCP等接口标准)→应用层(微信、飞书等平台)。未来趋势将形成"模型公司-开发框架-应用生态"三层结构,AI正逐步演变为新型操作系统,通过标准化协议连接各类外部系统,实现能力调用与生态整合。技术发展呈现出从底层基础设施到上层应用场景的垂直整合特征。

hy行者勇哥的博客 402

智能驾驶的基石核心---芯片

随着汽车智能化程度的逐渐提高,对高性能 SoC 芯片的需求不断提升,主控芯片是所有环节中壁垒最高、商业模式最佳的环节;此外,当前汽车芯片出货量过小, 无法充分摊销前期高昂的研发成本。种种因素注定了, SoC 主控芯片一定是长期极其稀缺的赛道,也是只属于少数玩家的游戏,英伟达、高通、英特尔等国际巨头持续发力芯片赛道,国内方面,华为、地平线等正在不断追赶。

2401_82804726的博客 3351

开源数字人、虚拟直播部署教程

对,你无看错,是欧美的。在直播带货案例里,我们把模型导入到ue4,我们给模型在ue4里预设了四个动作(站着、站着说话、坐着、坐着说话),三个表情(平静、开发、愤怒),三个镜头(全局、近矩说话、看显示器播放商品展示)。我们只需要把目标主播的直播给录制下来,提取样本数据,然后训练一个从粉丝的不同刺激的组合,到主播的不同响应方式的多元逻辑回归的数学模型参数即可。

南七小僧的学海无涯 4564

L4级自动驾驶方案芯片选型---AI芯片选型

1.L4级自动驾驶芯片 1.1 NVIDIA 参考: AI开发平台:NVIDIA Jetson Xavier详情公布   1.2华为 参考:华为L4级自动驾驶方案---MDC600自动驾驶平台,昇腾910、Ascend 310自动驾驶AI计算芯片   1.3 XILINX 最高端芯片Virtex系列 1.4 安霸 参考:自动驾驶芯片---安霸CV2 SOC芯片 ...

打怪升级ing 5898

Ubuntu系统等保3级配置核查与加固

虽然这种方法在某些老旧的系统中仍然有效,但现代Linux发行版通常不推荐使用hosts.deny和hosts.allow文件来管理防火墙规则,因为它们的功能已经被更现代的防火墙管理工具(如iptables或firewalld)所取代。如果你想禁止特定的环境变量,可以从这个列表中移除它们,或者如果你想完全阻止所有环境变量的传递,可以将其设置为空。你可以通过ssh-keygen生成密钥对,并将公钥添加到用户的~/.ssh/authorized_keys文件中。修改配置后,需要重启SSH服务以使更改生效。

悦分享 185

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

深度解析:特斯拉「最强」自动驾驶芯片?

作者| 唐杉来源 | StarryHeavenAbove在近日结束的Tesla Autonomy活动中,Tesla非常“大方”的介绍了自己的Full Self-Driv...

AI科技大本营 7800

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

多角度解析自动驾驶芯片

本文系统解析了自动驾驶芯片的关键技术指标与典型产品。首先介绍四大算力单位(OPS、MACS、FLOPS、DMIPIS)的定义与区别,重点分析特斯拉FSD芯片144TOPS和NVIDIA Xavier 30TOPS的计算原理,揭示专用处理器(NNU/DLA等)的设计理念。文章指出高算力需求源于智能汽车E/E架构向集中式发展,并详细对比了包括百度、华为、寒武纪等12家企业的AI芯片参数,涵盖算力、功耗及应用场景。最后强调软件定义汽车时代,芯片架构创新需要与算法深度协同,才能满足自动驾驶对算力和能效的双重要求。

人无远虑,必有近忧 8084

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

自动驾驶领域AI芯片新势力盘点

在自动驾驶领域, AI 芯片的应用发展已有些时日。AI芯片就像无人车的大脑,在异常情况出现时,为了避免发生事故,需要给汽车提供足够的信息,且需要车辆自主判断,而这需要芯片来实现。 从技术路线来看,自动驾驶芯片延续了与其高度相关的深度学习所采用的几类硬件技术路线: GPU、FPGA、ASIC。按照 SAE International 的自动驾驶等级标准,目...

weixin_34024034的博客 322

自动驾驶(七十五)---------几种硬件平台对比

上一篇主要介绍了硬件平台的基本情况,并没有详细的分析和对比每种硬件平台的优劣,这里我选取几种常见的硬件平台,从输入、硬件架构、输出等几个方面进行详细对比,以便深入了解各种平台。 这里我主要对比:恩智浦S32V、英伟达DRIVE PX2、TI的TDA4、寒武纪1M、高通SA8155。 1 .恩智浦S32V S32V是恩智浦推出的一款汽车视觉微处理器,主要参数如下: 硬件方面:4 x A53@1GHz,1 x M4@133MHz内核,2个APEX核,3D GPU,...

zhouyy858 1万+

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 341

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 280

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 616

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 209

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 345

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 363
上一篇: 【每周话题第二期】如果连志安老师来直播,你想听他聊些什么?
下一篇: RT-Thread的课程教学内容梳理及资源介绍分享交流会
RT-Thread物联网操作系统
博客等级 码龄6年 2万+粉丝 392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