最新 | 熱門
是同樣的招式對聖鬥士是沒有用的！閒聊關於 Google AlphaGo 深度學習平台這篇文章的首圖
同樣的招式對聖鬥士是沒有用的！閒聊關於 Google AlphaGo 深度學習平台
今天科技業界發生一件有趣的大事，就是由 Google 的 AlphaGo 人工智慧與韓國棋士李世石的世紀對決，無論今天最終是人類獲勝或是電腦獲勝，都是相當值得玩味的。不同於當年 IBM 深藍超級電腦與俄羅斯國際象棋棋王卡斯帕羅夫的對決， AlphaGo 是以更新穎的機械神經網路架構的深度學習系統所打造的人工智慧，變數也會更多。過去的人工智慧是在系統所預設的邏輯內找尋對應方式，故需要給予超級電腦足以應對各種情況的邏輯庫，它才能夠持續變強，但問題在於過去的人工智慧只是按表操課，宛如早期的遊戲的 AI 一樣會有規律與破綻，也就是會有一定的套路。當然畢竟深藍是那個時代的超級電腦，能夠容納夠多的邏輯庫，
Chevelle.fu
9 年前
是強調開源策略， AMD Radeon 繪圖事業群針對 GPUOpen 與 Linux 宣布三項開源計畫這篇文章的首圖
強調開源策略， AMD Radeon 繪圖事業群針對 GPUOpen 與 Linux 宣布三項開源計畫
AMD 自成立 Radeon 繪圖技術事業群之後也積極的發展開源運算，近期更針對 GPUOpen 以及 Linux 開源政策宣布三項 GPUOpen 計畫更新，包括針對遊戲、異質運算編輯器以及針對 HPC 叢集系統需求的 Linux 驅動與運作環境。在遊戲方面， Radeon 繪圖技術事業群仍延續先前 Mentle API 的策略，使 PC 開發者能享受到如遊戲機由底層權限帶來的更精確效能控制，並藉由 GPUOpen 協助開發者由主機開發的資源投入 PC 遊戲開發，包含能使開發者直接使用 GPU 硬體的 CTM ( Close-to-the-metal )程式設計，能獲得開源效果、工具、函式庫
Chevelle.fu
9 年前
是Facebook 開源深度學習機器 Big Sur 採用 NVIDIA Tesla M40 ，比現行平台提升兩倍這篇文章的首圖
Facebook 開源深度學習機器 Big Sur 採用 NVIDIA Tesla M40 ，比現行平台提升兩倍
圖片來源： FacebookFacebook 宣布在全新的 Big Sur 運算平台導入 NVIDIA Telsa M40 加速卡，藉此作為機器神經網路的硬體基礎架構，且相較 Facebook 現行的深度學習平台， Big Sur 的速度快了兩倍，不僅加倍神經網路訓練數量，還助於發展更精確的模組與進階應用。同時 Big Sur 也是首個開放原始碼的 AI 運算架構，藉由與 Open Computer Project 以及其它合作夥伴，希望透過開放原始碼的方式使全球的 AI 研究人員能更方便的分享與改造技術，使基於 GPU 的機器學習能更為多元發展。而 Facebook 也成為首個訓練深度神經網
Chevelle.fu
9 年前
是以追求極致效能與沉浸體驗，高通於北京進行 Snapdragon 820 處理器首秀這篇文章的首圖
以追求極致效能與沉浸體驗，高通於北京進行 Snapdragon 820 處理器首秀
高通在北京舉辦了一場以勁芯、勁享為口號的高通 Snapdragon 820 亞洲展示活動，針對 Snapdragon 820 的各項特性再做進一步的介紹與解說。關於 Snapdragon 820 概述：請點此Qualcomm 高級副總裁兼大中華區營運長 Jeff Lorbeck 也看中中國與新興國家由於仍有許多 Feature Phone 用戶，對於智慧手機仍有相當大需求， 2015-2019 年預計智慧手機將出貨超過 85 億、並預期裝機成長會超過 53% ，中國與新興國家從 Feature Phone 轉換到 3G 、 4G 智慧手機仍有相當大的成長動力。同時 Mr. Lorbeck 也高
Chevelle.fu
9 年前
是針對網路資料中心機器學習處理， NVIDIA 推出 Hyperscale 級加速器 Tesla M40 、 Tesla M4這篇文章的首圖
針對網路資料中心機器學習處理， NVIDIA 推出 Hyperscale 級加速器 Tesla M40 、 Tesla M4
NVIDIA 針對近年網路數據中心在人工智慧、機器學習開發的需求，發表了 Hyperscale 等級的 Tesla 加速器 Tesla M40 ，主打最高效能、並可用於各類的深度神經網路；同時也針判讀影像串流、視訊處理等應用提供低功號加速器 Tesla M4 。Tesla M40 是一款基於 Maxwell 架構的加速器，具備 3,072 個 CUDA 核心，核心數量與 GeForce GTX Titan X 相同，應該是相同的核心，並也同樣搭配 12GB GDDR 5 記憶體，記憶體頻寬達 288GB/sec ，提供最高 7 TFLOPS 的單精度浮點運算效能。相較於 Titan X 特別強
Chevelle.fu
9 年前
是追求更高效能的自主處理器要來了，傳蘋果下一代 A10 系列處理器將有六核 CPU這篇文章的首圖
追求更高效能的自主處理器要來了，傳蘋果下一代 A10 系列處理器將有六核 CPU
圖為蘋果 iPad Pro 採用之 A9X 應用處理器蘋果今年終於發表了針對商務人士的 Apple iPad Pro ，並同時公布用在這款設備的高效能版處理器 A9X ，並展現其商業級繪圖應用；現在有人爆料，蘋果著手開發的下一代處理器 A10 系列中，將會有採用 6 核 CPU 的旗艦處理器。爆料來源指出 A10 處理器將一口氣突破目前最高 3 核的自主處理器設計，同時考慮使用 14nm 或是 10nm 製程生產，目前包括 Intel 、三星以及台積電都會是可能的合作夥伴。雖然說這類的爆料不見得是真的，然而依照蘋果此次大幅提升平板使用的 A9X 的效能，很難不讓人聯想蘋果正在設法提供自主處理器
Chevelle.fu
9 年前
是NVIDIA GTC Taiwan 2015 ： Deep Learning 蓄勢待發，盼能帶動產業變革這篇文章的首圖
NVIDIA GTC Taiwan 2015 ： Deep Learning 蓄勢待發，盼能帶動產業變革
NVIDIA 連續兩年在台灣舉辦 GTC 台灣場次，而今年的場次相較去年更為豐富，且也如今年在 San Jose 舉辦的 GTC 2015 一樣加入大量機器學習與深度學習的課程。在稍早的媒體見面會也把重點放在與機器視覺、機器學習相關的講者交流，並希望藉此更推廣 GPU 於深度學習相關領域的應用。當然以整體趨勢來說，機器學習與深度學習並不是新的概念，但就像今年 GTC 2015 主題演講所述，機器學習與深度學習在導入基於 GPU 的平行運算之後，效能與運算能力大幅提升，加上各類感測器蒐集大量的數據做為基礎資料庫，使機器學習與深度學習獲得驚人的突破，也更深深地影響日常生活。NVIDIA 今年在 G
Chevelle.fu
9 年前
是針對專業級運算伺服器， AMD 發表具 32GB RAM 之 FirePro S9170 GPU這篇文章的首圖
針對專業級運算伺服器， AMD 發表具 32GB RAM 之 FirePro S9170 GPU
AMD 稍早發表了一款針對大型資料集運算的單 GPU 產品 FirePro S9170 ，這款 GPU 基於 GCN 2.0 架構，單精度浮點運算效能達 5.24 TFLOPS 、雙精度浮點運算效能可達 2.62 TFLOPS ，最大的特色是搭載高達 32GB 的 512bit GDDR5 RAM ，每秒頻寬達 320GB ，並可執行 DGEMM 矩陣乘法等高度雙精度工作附載，同時支援 OpenCL 2.0 。這款產品的目標市場是針對密集運算工作負載設計，尤其是如科學運算、資料分析、地震數據等超級電腦應用所設計，標榜比起競爭對手高出 40% 雙精度浮點運算效能、但功耗少了 10% 。除了支援
Chevelle.fu
9 年前
是Deep Learning 其實與我們沒有那麼遙遠，因為我們都在為其學習教材貢獻一份心力這篇文章的首圖
Deep Learning 其實與我們沒有那麼遙遠，因為我們都在為其學習教材貢獻一份心力
今年在 GTC 活動上，將去年所談論的 Machine Learning 更進一步的提升到進階的 Deep Learning 深度學習，這也是由於今年初 Google 、微軟與百度透過深度學習在圖像辨識領域有了重大的突破，儼然掀起了深度學習的技術戰爭；乍看下深度學習與我們的生活好像有那麼些遙遠，但其實每個網路使用者幾乎無時無刻都在為深度學習貢獻素材。所謂的深度學習，是透過神經網路學 Neural Network 的運算模型的技術，關於深度的技術筆者也不是那麼了解，但該技術相較傳統熟知的人工智慧技術，重視的不是為了因應各種情形撰寫對應的邏輯，而是讓系統模仿人類的感知，透過不斷投入素材進而從中解析
Chevelle.fu
10 年前
是GTC 2015 ：百度首席科學家談深度學習如何協助今日的圖像、語音與行為認知這篇文章的首圖
GTC 2015 ：百度首席科學家談深度學習如何協助今日的圖像、語音與行為認知
在 GTC 第三日的主題演講，由曾參與建設 Google Brain 的百度首席科學家吳恩達再介紹百度的 Deep Learning 深度學習；目前的深度學習應用多半在解決三大類的問題，包括影像、語音與行為的三大類認知。為何深度學習適合解決這三大類問題？因為藉由自主學習能力，系統的辨識能力能夠越來越進化且精確，然而基於早期的系統架構建構的神經網路深度學習系統效果並不好，一直到 2008 年首度將 NVIDIA 的 CUDA 平行運算語言用於神經網路系統才開始獲得改善；而 2011 年則是將基於雲系統的分散式運算再度提升效能， 2015 年則將深度學習系統導入基於大量 GPU 的超級電腦，再度獲
Chevelle.fu
10 年前

相關文章