文 | 新浪科技 杨雪梅

去年，我们还在讨论无人驾驶到底什么时候到来，今年就已经触手可及。在2019世界人工智能大会（以下简称WAIC）期间，很多人就有机会切身体验了无人驾驶汽车。

UU彩这是除了“双马”对话，2019 WAIC的又一大亮点。

上周末，为期三天的世界人工智能大会落下帷幕，新浪科技直击了现场。相比较去年，今年的WAIC有哪些亮点？备受关注的“双马”到底透露出了哪些信息？而透过这次UU彩APP平台大聚会，人工智能又呈现出了哪些新的进展？我们一起来看看。

UU彩用滴滴叫一辆无人驾驶车

8月29日，WAIC开幕第一天，在上海世博展览馆附近的无人驾驶体验场地早早就排起了很长的队伍，热情的参会者们希望抢占每天500个体验名额其中之一。

UU彩这里是占地约3.6万多平方米的无人驾驶体验场地，据了解，该场地由无人驾驶静态展示区、动态体验区以及功能区三大部分构成，是国内首次融合多种无人驾驶技术的大规模无人驾驶体验场。在这里，参会者可以体验到自动驾驶、5G+车路协同、自动泊车等功能和技术。

UU彩现场，排列了包括特斯拉、滴滴、威马汽车等十几家自动驾驶公司的无人驾驶汽车，包括一些无人驾驶清洁车。其中，除了特斯拉，滴滴无人驾驶车队受到了非常多的关注。

▲图/新浪科技

UU彩此次，滴滴CEO程维也亮相2019 WAIC，他在演讲中提及，滴滴剥离了无人驾驶公司，希望推动无人驾驶载人测试在上海落地。

UU彩据滴滴CTO、滴滴自动驾驶CEO张博在接受新浪科技采访时的透露，未来，滴滴将在上海再部署30辆测试车，待测试成熟后将全面推广，目前很快还有3辆车开始测试，等测试成熟了以后会不断加车。

张博表示，未来用户在指定区域打开滴滴App，即可看到“自动驾驶”入口。

而这个过程“预计很快，不会太远”。

据其透露，针对自动驾驶，目前滴滴在中美两地实际路测的里程已达30万公里，已拥有40辆测试车，其中中国30辆，美国10辆，未来将在中国上海额外再部署30辆测试车。

一、人工智能发展面临的问题挑战

当前,全球人工智能正加快进入商业化应用,尽管产业发展势头迅猛,但是也要警惕技术发展和应用的过程中面临的问题,积极应对各种挑战。

一、 人工智能芯片发展现状及趋势

UU彩1、深度学习算法对芯片要求更为苛刻,通用 CPU 性价比相对较差

经历了 60 多年的起起伏伏之后,人工智能终于迎来了第三次爆发。第三次爆发的核心引爆点是深度学习算法的出现,但其背后的支撑是数据和算力。对整个 AI UU彩APP平台来讲,算法、数据和算力三大基本要素中,数据尤其是海量数据的获取和处理难度在下降,算法也在深度学习模型的基础上不断优化,而负责将数据和深度算法统一协调起来的芯片能否获得大的飞跃,成为市场关注的焦点。

UU彩深度学习算法对芯片性能需求主要表现在三个方面:一、海量数据在计算和存储单元之间的高速通信需求。这不但需要芯片具备强大的缓存和片上存储能力,而且还需要计算和存储单元之间有较大的通信带宽。二、专用计算能力需求高。深度学习算法中有大量卷积、残差网络、全连接等特殊计算需要处理,还需要提升运算速度,降低功耗。三、海量数据自身处理同样也对芯片提出了新的要求,尤其是非结构化数据的增多,对传统芯片结构造成了较大的压力。

通用 CPU 在深度学习中可用但效率较低。比如在图像处理领域,主要用到的是 CNN(卷积神经网络),在自然语言识别、语音处理等领域,主要用到的是 RNN(循环神经网络),虽然这两种算法模型有着较大的区别,但本质上都是向量和矩阵运算,主要是加法和乘法,辅助一些除法和指数运算。传统 CPU 可用于做上述运算,但是 CPU 还有大量的计算逻辑控制单元,这些单元在 AI 计算中是用不上的,造成了 CPU 在 AI 计算中的性价比较低。

2、GPU、FPGA 以及 ASIC 各有优劣,成为当前 AI 芯片UU彩APP平台的主流

正因为 CPU 在 AI 计算上的弱点,给了可以实现海量并行计算且能够对进行计算加速的 AI 芯片留下了市场空间。从广义上讲,面向 AI 计算的芯片都可以称为 AI 芯片,包括基于传统架构的 GPU、FPGA以及 ASIC(专用芯片),也包括正在研究但离商用还有较大差距的类脑芯片、可重构 AI 芯片等。

UU彩云端训练芯片市场较为集中,而推理市场云、边两端均有大量企业参与

UU彩按照部署位置划分,AI 芯片可以分为云端芯片和边缘端芯片。云端芯片部署位置包括公有云、私有云或者混合云等基础设施,主要用于处理海量数据和大规模计算,而且还要能够支持语音、图片、视频等非结构化应用的计算和传输,一般情况下都是用多个处理器并行完成相关任务;边缘端 AI 芯片主要应用于嵌入式、移动终端等领域,如摄像头、智能手机、边缘服务器、工控设备等,此类芯片一般体积小、耗电低,性能要求略低,一般只需具备一两种 AI 能力。

UU彩按照承担的任务分,AI 芯片可以划分为训练芯片和推理芯片。训练是指通过大量标记过的数据在平台上进行“学习”,并形成具备特定功能的神经网络模型;推理则是利用已经训练好的模型输入新数据通过计算得到各种结论。训练芯片对算力、精度要求非常之高,而且还需要具备一定的通用性,以适应多种算法的训练;推理芯片更加注重综合能力,包括算力能耗、时延、成本等因素。

综合来看,训练芯片由于对算力的特殊要求,只适合在云端部署,而且多采用的是“CPU+加速芯片”类似的异构模式,加速芯片可以是 GPU,也可以是 FPGA 或者是 ASIC 专用芯片。AI 训练芯片市场集中度高,英伟达和谷歌领先,英特尔和 AMD 正在积极切入。推理在云端和终端都可进行,市场门槛相对较低,市场参与者较多。云端推理芯片除了传统的英伟达、谷歌、赛灵思等芯片大厂外,Groq等国际新兴力量也在加入竞争,国内寒武纪、比特大陆也有不错表现;终端推理芯片市场较为分散,场景各异,参与者除了英伟达、英特尔、ARM 和高通之外,国内企业如寒武纪、地平线、云知声、云天励飞等在各自细分领域均有所建树。

请点击输入图片描述

请点击输入图片描述

UU彩GPU 擅长云端训练,但需与 CPU 异构、功耗高且推理效率一般

GPU(Graphics Processing Unit)是一种由大量核心组成的大规模并行计算架构,专为同时处理多重任务而设计的芯片。正是由于其具备良好的矩阵计算能力和并行计算优势,最早被用于 AI 计算,并在云端获得大量应用。GPU 中超过 80%部分为运算单元(ALU),而 CPU 仅有 20%,因此 GPU更擅长于大规模并行运算。以英伟达的 GPU TITAN X 为例,该产品在深度学习中所需训练时间只有CPU 的 1/10 不到。但 GPU 用于云端训练也有短板,GPU 需要同 CPU 进行异构,通过 CPU 调用才能工作,而且本身功耗非常高。同时,GPU 在推理方面需要对单项输入进行处理时,并行计算的优势未必能够得到很好的发挥,会出现较多的资源浪费。

▲CPU与GPU架构对比

请点击输入图片描述

UU彩FPGA 芯片算力强、灵活度高,但技术难度大国内差距较为明显

UU彩FPGA(Field-Programmable Gate Array)即现场可编程门阵列,该芯片集成了大量的基本门电路以及存储器,其灵活性介于 CPU、GPU 等通用处理器和专用集成电路 ASIC 之间,在硬件固定之前,允许使用者灵活使用软件进行编程。FPGA 在出厂时是“万能芯片”,用户可根据自身需求,用硬件描述语言对 FPGA 的硬件电路进行设计;每完成一次烧录,FPGA 内部的硬件电路就有了确定的连接方式,具有了一定的功能;输入的数据只需要依次经过各个门电路,就可以得到输出结果。

FPGA 应用于 AI 有以下优势:

UU彩(1)算力强劲。由于 FPGA 可以同时进行数据并行和任务并行计算,在处理特定应用时效果更加明显,对于某一个特定的运算,FPGA 可以通过编辑重组电路,生成专用电路,大幅压缩计算周期。从赛灵思推出的 FPGA 产品看,其吞吐量和时延指标都好于 CPU 和 GPU 产品。

(2)功耗优势明显。FPGA 能耗比是CPU的10倍以上、GPU的3倍。由于在 FPGA 中没有取指令与指令译码操作,没有这部分功耗;而在复杂指令集(X86)的 CPU 中仅仅译码就占整个芯片能耗的约 50%,在 GPU 里取指与译码也会消耗 10%至 20%的能耗。

(3)灵活性好。使用通用处理器或 ASIC 难以实现的下层硬件控制操作技术,利用 FPGA 可以很方便的实现,从而为算法的功能实现和优化留出了更大空间。

　　作为国内VR技术应用的先驱企业，网龙华渔教育打造的这款名为“101创想世界”的VR编辑器一推出便引来各方瞩目，成为国内中高职国赛的指定编辑器，并加入了中国教育技术协会、国家开放大学与网龙共同成立的“虚拟现实教育联盟”中，运用于“国育华渔VR世界实验室”中，强大的编辑能力得到多方认可。那么，这款VR编辑器到底有多好用呢，一起往下看↓↓

UU彩　　英文不好，用不来国外VR编辑器

　　这款VR软件界的美图秀秀要不要试试?