科學新知 intel 機械神經網路 Loihi Intel 展示 Pohoiki Beach 神經感知系統，以類人腦處理方式較 CPU 處理量高出千倍、效率達萬倍 Intel 在 2017 年曾宣布推出一款自我學習型神經處理器 Loihi ，藉由模擬人腦結構，同時實現推理與學習機能，而近期 Intel 進一步宣布推出基於 Loihi 的 Pohoiki Beach 神經感知系統，透過 64 顆 Loihi 晶片構成達 800 萬個神經元，這套系統號稱在 sparse coding 、圖像搜尋與約束補償問題等領域，可較傳統 CPU 提升 1,000 倍處理量，整體效率可達 10,000 倍。 Intel 預期在今年內推出達 1 億個神經元的 Pohoiki Springs 平台，基本架構依循 Pohoiki Beach 。 ▲ Pohoiki Beach Chevelle.fu 5 年前
科技應用 3D AI 機器學習 機械神經網路 由真實世界為師建構虛幻 3D 影像， NVIDIA 研究人員透過 AI 將影片自動產生 3D 影像 過往為了建構 3D 場景，需要針對空間中的每個物件進行獨立的 3D 建模，不過 NVIDIA 稍早公布其研究人員成果，透過類神經網路的方式進行訓練，使系統可將真實世界的影片自動轉換為 3D 影像。 這項研究透過不斷的訓練 AI 模型，系統可將影片中的物件進行分類並同時進行 3D 立體建模，省卻傳統需要人力進行建模的時間，同時內容的 3D 物件全部都可獨立進行編輯與修改與移除，對於內容開發、遊戲與 3D 動畫產業可節省大量的 3D 模型建構前置時間。 Chevelle.fu 6 年前
科技應用 日本最先端電子資訊高科技綜合展 深度學習 機器視覺 機械神經網路 Tesla V100 CEATEC 2018 ：家裡客廳被亂丟的玩具弄得一團亂？ Preferred Networks 結合 Toyota 機器人幫你把散落一地的物品歸位 日本對於機器人的開發與應用的積極程度已是有目共睹，不少新創公司也是鎖定機器人的應用作為項目，而 Preffered Networks 這家以深度學習 AI 為主的新創公司在 CEATEC 攜手 Toyota 的 HSR ( Human Support Robot )機器人，以機器視覺的物體辨識技術，幫助人類將客廳中散落一地的小物體歸位。 雖然基於機器視覺的物體辨識在工業自動化早已廣泛被採用，不過若把情境換到客廳就複雜多了，家中的物體不像工廠那麼單純，更不用說散落一地的東西不會像流水產線排列得如此整齊， Preferred Networks 利用基於 NVIDIA Tesla V100 的 NT Chevelle.fu 6 年前
App 翻譯 機械神經網路 ai人工智慧 Google Translate 的機器神經翻譯功能可在 Android 與 iOS 離線使用 經常使用 Google Translate 的使用者應該感受到大約 2016 年之後，內容翻譯的品質已經有著大量的提升，語句也較過去更為通順，這是因為 Google 在兩年前在 Google Translate 系統導入機器神經架構，使其可透過 AI 學習方式提高翻譯的精確度與自然的語句，不再是直接翻譯內容，當前的翻譯仍須仰賴連接網路使用，不過自這個月起， Google 將提供 Android 與 iOS 的 Google Translate app 具備離線的神經網路翻譯。 雖然不及線上已經能提供 103 種語言，不過現在 Google Translate 離線神經網路的翻譯可提供 59 種 Chevelle.fu 6 年前
產業消息 ibm ibm power 機械神經網路 深度學習 deep learning nvidia nvlink IBM ：雖 Power 架構已具超凡 AI 性能，但 AI 成功關鍵在讓企業容易導入並具可靠、可擴展性 在稍早 IBM 宣布與群環科技針對 IBM PowerAI 深度學習框架擴大合作時，筆者與 IBM 的 Power 處理器專家小小的聊了一下關於他們目前的硬體架構與 AI 產品戰略， IBM 認為，他們目前在硬體的架構已經相當領先，但光是硬體架構還不夠， IBM 的 PowerAI 計畫也提供了軟體與 AI 相關的最佳化，更重要的是 IBM 的架構還具備可擴展性。 IBM 之所以對他們在 AI 的硬體性能有這麼大的信心，也仰賴 IBM 的 Power 架構， IBM 的 Power 架構不僅是採用針對超級電腦最佳化的設計，同時還透過 OpenPower 聯盟進行跨業界的結合，其中一項相當重要的 Chevelle.fu 7 年前
科學新知 AI 機械神經網路 類神經網路 深度學習 deep learning NEC 發表深度學習自動優化技術，藉預測學習進度降低辨識錯誤率 基於機械神經網路的深度學習是近年人工智慧的大熱門，而 NEC 也針對神度學習發表深度學習自動優化技術，強調能夠降低辨識錯誤率並使辨識精度提升；這項技術的起因是在現行的機械神經網路的學習模式中，若電腦過度學習資料會產生"過度訓練"現象，導致僅有學習過的資料才具備高精度、未曾訓練過的資料精度會下降，通常會使用所謂"正規化"方式調整過程，當前的方式是僅能針對整個類神經網路進行統一的正規化，但仍無法改變部分學習層過學習的情況，但透過手動方式逐層調整也相當困難。 而 NEC 的新技術則是依照類神經網路結構進行每一層學習進度的預測，同時針對各層進度進行自動設定的正規 Chevelle.fu 7 年前
產業消息 Google google maps Google Pixel 機械神經網路 google home Google Assistant 深度學習 deep learning ai人工智慧 Google Made with AI 主題演講，以 AI 為世界提供更便利且無遠弗屆的生活 Google 稍早在東京舉辦了 Made with AI 的活動，台灣 Google 也以零時差直播由 Jeff Dean 所進行的主題演說， Jeff Dean 在一開場就表示， AI 與機器學習已經遍及 Google 的各個應用，而藉由 AI 與機器學習， Google 有三大目標： 1 、 產品更好用， 2 、協助企業與開發商解決問題與創新， 3 、研究人員獲得更好的工具面對人類挑戰。 基於深度學習的人工智慧黃金世代 Jeff Dean 接下來也簡單解釋了 AI 是甚麼、為什麼現在 AI 變得重要； AI 的概念出現至今已經有 50 年，不過早期的 AI 是以人工建立規則進行，然而相當仰 Chevelle.fu 7 年前
新品資訊 Google 網路開發年會 Google AI 機械神經網路 tpu Google I/O 2016 ：為驅動神經網路而生， Google 早已導入測試自行設計的 TPU 晶片 圖片來源： Wired雖然近期在談人工智慧與機械神經網路的硬體，多半是基於 GPU 異質運算或藉由 FPGA 的運算架構，不過處於技術領先地位的 Google 並不滿足於既有的方案，早就著手規劃基於 ASIC 的 Tensor Processing Unit ，簡稱 TPU ，並且大概在一年前就已經導入進行測試。Google 的 TPU 主板採用模組化設計，藉由金手指安裝到大數據機架上； Google 強調他們的 TPU 只為機械學習而生，故在架構上捨棄在這些應用不需要的結構，電晶體可大幅減少，能夠具備更好的每瓦效能。Google 自行開發人工智慧晶片，對於晶片開發商會是個相當大的惡夢，畢竟現 Chevelle.fu 8 年前
產業消息 AI Facebook Mark Zuckerberg 機械神經網路 Mark Zuckerberg 認為人工智慧在特定領域會在未來十年超越人類，但仍不代表它會思考 在昨日 Facebook 的投資者電話會議上， CEO Mark Zuckerberg 在被問到近期所發表的 Messenger Bot 時暢談了他對於人工智慧的展望，他認為人工智慧系統對一些像是視覺、聽覺、語言等人類基礎感官方面，有機會在未來五到十年內超越人類。他認為人工智慧對於一些需要特殊的勞動工作，透過人工智慧系統有機會能夠降低對人力的仰賴，但他並不是人工智慧萬能論者，他認為當前的人工智慧發展仍不可能取代人類，因為即便人工智慧能夠在圍棋打敗人類，但卻不可能像人類一樣在下圍棋的過程中即興的寫一首詩，因為當前的人工智慧仍無法思考。現階段人工智慧能夠處理的是人的理性感官，而非感性邏輯，它能夠從 Chevelle.fu 9 年前
產業消息 AI 特斯拉 Elon Musk 機器學習 deep learning 機械神經網路 Tesla 老闆 Elon Musk 與 OpenAI 將人工智慧代碼開源，打算讓人工智慧比賽...玩 ATARI 遊戲？ 圖片來源： emuparadise.me對於發展自動駕駛，基於機器學習的先進人工智慧是絕對需要的，故不少研究機構前仆後繼投入人工智慧開發，當然 Google 、蘋果也為了除自動駕駛以外的目的積極發展人工智慧；而 Tesla 老闆 Elon Musk 以及 OpenAI 最近公布了一批人工智慧的開放原始碼與測試環境，稱為 OpenAI Gym ，希望加速機器學習的發展。而在這套人工智慧測試環境中，它們提供的項目也相當有趣，包括 59 種 ATARI 的經典遊戲，包括耳熟能詳的太空侵略者、 Ms. Pac-Man 、陷阱等等，希望開發者利用這套開源人工智慧平台挑戰這些遊戲並藉此得到高分。而在去年 Chevelle.fu 9 年前
