机器之心报道 编辑:泽南、蛋酱 AI 的 iPhone 时刻,要有一块好的芯片。 曾何几时,人工智能因为算力不足进入了长达数十年的瓶颈,GPU 点燃了深度学习。在 ChatGPT 时代,AI 因为大模型再次面临算力不足的问题,这一次英伟达还有办法吗? 3 月 22 日,GTC 大会正式召开,在刚刚进行的 Keynote 上,英伟达 CEO 黄仁勋搬出了为 ChatGPT 准备的芯片。 「加速计算并非易事,2012 年,计算机视觉模型 AlexNet 动用了 GeForce GTX 580,每秒可处理 26
2022年初,“东数西算”工程正式启动。“东数西算”工程的建设将推动“算力”向水、电、气一样的公共基础设施转化。那么在这个转变中,有哪些行业和领域将从中受益呢?
LangChain是一个开源AI工具包,于去年10月推出,用于组合模型。他们使使用工具、调用API以及利用强大的预先训练的生成模型变得更加容易。他们正在筹集资金,以更好地实现其安全、检索和整合到更广泛的 ML 生态系统的目标。
对于各种热门的机器学习、深度学习课程,你一定了解过不少了。 但上课之后,如何把学出来的这些新方法用在你的工作项目?如何让你的移动应用也能具备机器学习、深度学习的能力? 具体做这事的话: 你是该自己训练模型,还是用现成的模型? 你是该用自己的电脑训练,还是在云端上训练? 你是需要深度学习部署在云端,还是移动端? 本文将对这些问题作出具体的解答。 作者 | Matthijs Hollemans 编译 | AI100 面对时下大热的机器学习和深度学习,是时候来加强你的移动应用了! 可你有什么好主意吗?
AI科技评论按:如果您觉得,是时候给自己的手机应用添加一些热门的机器学习或深度学习算法.....这是个好想法!但您会怎么选择?致力于提供算法服务及小白科普的咨询师 Matthijs Hollemans 近期在博客上分享了他的一些心得体会,AI科技评论独家编译,未经许可不得转载。 绝大多数机器学习实现方法的步骤不外乎如下三点: 采集数据 利用采集的数据来训练一个模型 使用该模型进行预测 假设想做一个“名人匹配 (celebrity match) ”的应用程序,告诉用户他们和哪位名人最相似。首先收集众多名人
衡宇 发自 凹非寺 量子位 | 公众号 QbitAI 不做大模型,就没有算力用。 这是ChatGPT点燃AI风口后,国内某top3高校AI实验室的残酷现状。 同一个实验室里,非大模型团队6人用4块3090卡,比起同实验室的大模型团队10个人用10块A800卡,本就已经不算富裕。 现在,校企合作也更偏爱大模型。去年11月ChatGPT发布后,与非大模型团队合作的企业骤减,近期找上门的,也是张口就问: “你们做大模型不?” 做,有高校和企业的通力支持;不做?那就只能眼睁睁看着算力花落别家。 哪怕某量化私募基金的
OpenAI联合创始人兼职科学家Andrej Karpathy近日发文,阐述了自己对英伟达GPU短缺的看法。
【新智元导读】本文作者是一名拥有神经科学和行为生物学学位的资深科技记者/专栏作家,作者认为现在的AI好比正从水母向智慧生物进化的阶段,距离实现拥有真正智能的AI仍很遥远。而正如吴恩达所说,担心AI统治人类无异于担心火星人口过剩。 AI 非常热门。AI 初创公司正吸引着创纪录的投资。大型科技公司正使尽全力排空大学的 AI 专家。自 2011 年以来,已经有近 140 家 AI 创业公司被收购,其中仅今年就有 40 家。 AI 开始越来越多地出现在我们的日常生活中,例如智能手机的语音识别技术、Facebook
最近,大洋彼岸出现了一个名叫“Vectordash”的机器学习共享算力平台,用开发者自己的话讲,相当于一个GPU的Airbnb。
然而,随着AI大模型深入到千行百业中,市场开始意识到通用大模型虽然功能强大,但似乎并不能完全满足不同企业的个性化需求。
网络和终端在目前在通讯不断演进和应用不断涌现的发展趋势下,已经逐渐脱离了传统的二元体系,有的网络功能在下沉,而终端的部分功能逐步也在上移。我们可以看到,在某些特定场景,终端侧具有丰富而强大的计算存储能力,对网络功能的需求相应减弱。在另外的一些场景下,网络侧也具备了高效的算力和极佳的弹性,特定功能对终端要求反倒降低。随着5G网络推出和边缘计算的发展,我们预期网络和终端的功能和边界将不断交互融合。本文主要从胖瘦终端业务形式演变开展讨论,从而理解边缘网络未来可能的发展趋势。
多年来,有谣言说苹果公司正在泰坦项目中,研发属于它们的自动驾驶汽车。而这些谣言又止步于那些报告——苹果公司会将焦点仅仅放在自动驾驶的内部科技上。最终,苹果公司的首席执行官Tim Cook对公司在这一领域的战略做出了解释,尽管仍有很多地方并不明朗。 “我们把焦点放在了自控系统上,”Cook在这个月初向Bloomberg电视台说道,“这是一项非常重要的核心技术。” 几个月来,苹果公司很明显在忙着干些什么。这家科技巨头拥有了一项权限——在加利福尼亚州的四月,测试自动驾驶汽车。与此同期,媒体获得的文献展现出了苹果公
内容提要:昨天,微软 Build 2020 首次在线上召开。大会第一天,发布了多个重磅新品,包括 AI 超级计算机、工业系统 AI 开发平台 Bonsai 项目等,我们从中可一窥微软的 AI 布局。
AI和云服务都是非常热门的行业。根据哈佛商业评论最近进行的一项调查显示,2016年AI总投资额达到260亿美元至390亿美元,是2013年的3倍。在接下来的15个月中,大约80%的IT预算都将用于云解决方案。尽管如此,尽管两个行业都在稳步增长,但只有20%的公司表示他们以核心方式使用一种或多种AI技术,49%的公司表示他们推迟了云部署。
NVIDIA DGX云(提供的工具几乎可以将任何公司转变为AI公司)现已广泛推出,在Oracle云基础设施以及位于美国和英国的NVIDIA基础设施上在线提供数千个NVIDIA GPU。
知名外媒The Information独家爆料称,微软计划在下个月举行的年度开发者大会上,推出首款人工智能芯片。
在数以万计的智能工厂中,一个零部件的质量往往关系到整个产品是否合格、整条生产线的合格率、整个工厂的生产效率和经济成本,甚至是整个企业的市场竞争力。因此,产品的质量检测是生产企业管理者必须重视的关键环节。
本文将探讨GPU开发实践,重点关注使用GPU的AI技术场景应用与开发实践。首先介绍了GPU云服务器在AIGC和工业元宇宙中的重要作用,然后深入讨论了GPU在AI绘画、语音合成等场景的应用以及如何有效地利用GPU进行加速。最后,总结了GPU并行执行能力的优势,如提高算力利用率和算法效率,卷积方式处理效率更高,现场分层分级匹配算法计算和交互,超配线程掩盖实验差距,以及tensor core增加算力峰值等。
(昨天Lady的群里,还有人惊呼,他发现NVIDIA从来不说自己是一家做芯片制造的公司,确实如此哟,早年,NVIDIA说自己是一家软件公司,现在说自己是一家AI计算平台公司)
机器之心报道 作者:吴昕 基于单模态 GPT-3 的 ChatGPT 「地震」余波未平,多模态 GPT-4「海啸」又顷刻席卷朋友圈。 「这提醒我们,对人工智能的预测是非常困难的。」OpenAI CEO Sam Altman 曾在 DALL-E 2 发布后讲过这样一句话。事实证明他是对的。基于符号主义的专家系统的衰落,让人们一度认为人工智能已走到尽头,2012 年的深度学习又点燃了希望,如今它已统领 AI 领域。随着系统规模越来越大,训练时间和资金成本也在不断膨胀。就在大家担心向模型添加参数正达到边际效益递减
当地时间3月21日,一年一度的英伟达(NVIDIA)春季GTC大会正式开幕,英伟达首席执行官黄仁勋公布了一系列重大产品更新:面向ChatGPT的全新GPU推理平台、AI超级计算服务DGX Cloud、突破性的光刻计算库cuLitho、加速企业创建大模型和生成式AI的云服务NVIDIA AI Foundations等,并宣布与日本三菱联合打造了日本第一台用于加速药研的生成式AI超级计算机、与Quantum Machines合作推出了全球首个GPU加速量子计算系统。
最近大模型创业十分火热, 身边很多朋友不是转做大模型,就是投身到大模型的创业浪潮中去了,下面给大家分享华为天才少年、现在是一名创业者的李博杰对于大模型创业的十个灵魂拷问,让我们一起来看看。
伴随人工智能的极速发展,AI工业也随之大放异彩,工业质检是整个制造中一个非常重要的环节,传统人工工业质检缺乏统一性标准,人工质检效率低,人工质检失误多,制造企业招工难,AI智能质检也随之被各大AI公司看好,AI质检具有天然优势,成本低,效率高等,但如何工业AI质检有效落地是我们面临的一个巨大挑战,工业有本身行业的特殊性,质量标准,生产工艺,产品多样性都给AI质检系统带来阻力。
以下内容来自「2021 全区分布式云大会:《Serverless 化云原生释放云计算效率红利》主题分享」,深度好文,预计阅读需 22 分钟。 分享嘉宾 李啸川,腾讯云 Serverless 技术产品专家,目前负责腾讯云 Serverless 产品及企业解决方案的设计工作,致力于推动云原生技术架构演进及落地,为技术工作者提供高效的云服务产品。十余年技术研发经验,曾就职于 Oracle、IBM,从事于企业级商业套件及云服务引擎研发工作,后切换到消费互联网,孵化小米 MIOT、创立小米有品电商等业务,加入腾讯
除了“技术炫”,人工智能的另一大特征是“开会多”,然而,专门针对“深度学习”的开发者大会却少之又少。
AI 研习社按:谷歌去年年中推出的 TPUv1 一度让英伟达感受到威胁将近,而现在的谷歌 TPU 二代 TPUv2 则着着实实得将这份威胁变成了现实,去年的评测中英伟达 Tesla V100 尚能不惧谷歌 TPUv1 的挑战,但是现在谷歌 TPU 二代来了,英伟达 Tesla V100 尚能战否?
沃夫冈 · 瓦尔斯特尔 德国人工智能研究中心首席执行官,诺贝尔奖评审委员会成员 新智元 AI 技术峰会 演讲:沃夫冈 · 瓦尔斯特尔 【新智元导读】德国是公认的工业强国。在新智元 AI 技术峰会上,德国人工智能研究中心首席执行官,诺贝尔奖评审委员会成员沃夫冈 · 瓦尔斯特尔进行题为“德国 AI 研究的大趋势: 团队型机器人、长期自控和大规模多模态”的主题演讲,分享了德国的“工业4.0”经验,机器人工业应用和人机协作等前沿研究问题。 沃夫冈·瓦尔斯特:大家好!欢迎大家来到这次非常重要的会议,今
作者 | 李梅 编辑 | 陈彩娴 今年年初,知名 AI 学者吴恩达在接受 IEEE Spectrum 的采访中,呼吁大家将目光从以模型为中心转向以数据为中心。深度学习问世以来,随着神经网络架构趋于固定和成熟,转而寻找改进数据的方法,已经成了 AI 研发的新出口。 近日,2021 年吴文俊人工智能科学进步一等奖获得者、云天励飞首席科学家王孝宇博士,在人工智能产业年会上作了题为“ Towards Automated Artificial Intelligence”的主题报告。报告中,王孝宇博士详述了AutoML
编译丨张泷玲、杨柳 编辑丨维克多 今年1月份,苏黎世联邦理工学院的Stefan Feuerriegelc教授在 《Communications of the ACM》期刊上刊文“Artificial Intelligence Across Company Borders”,在文中教授指出了人工智能(AI)产业落地过程中常见挑战:如何开展跨公司合作? 教授表示:通过数据共享构造大规模的跨公司数据集是一种方式,但有数据保密和隐私泄漏风险,且受隐私相关法律的限制。 而保护隐私的分布式机器学习框架—联邦学习,能让
伴随人工智能的极速发展,AI工业也随之大放异彩,工业质检是整个制造中一个非常重要的环节,传统人工工业质检缺乏统一性标准,人工质检效率低,人工质检失误多,制造企业招工难,AI智能质检也随之被各大AI公司看好,AI质检具有天然优势,成本低,效率高等,但如何工业AI质检有效落地是我们面临的一个巨大挑战,工业有本身行业的特殊性,质量标准,生产工艺,产品多样性都给AI质检系统带来阻力。 今天一篇“AI工业质检之以图搜图引擎”带大家如何解决工业漏检问题,如何回溯漏检历史现场。 01 产品功能/使用 工业质检主要指标问题
12月1日,2022腾讯全球数字生态大会上,以“云智能加速推动产业数智化进程”为主题的腾讯云智能专场顺利召开。会上,腾讯云副总裁、腾讯云智能负责人、优图实验室负责人吴运声发表了主题演讲。 腾讯云副总裁、腾讯云智能负责人、 优图实验室负责人吴运声 吴运声表示,人工智能与云计算、大数据等技术的深度融合, 正在成为推动产业智能化深入发展的强劲动力。腾讯云智能聚合领先的 AI 技术优势、深耕产业互联网的行业经验,已经将腾讯云TI平台等多种 AI 产品及解决方案输送到各行各业,助力实体产业转型升级。 腾讯云TI平台
一、物联网 1、什么是物联网? 物联网在之前被定义为通过射频识别(RFID)、红外线感应器、全球定位系统、激光扫描器、气体感应器等信息传感设备按约定的协议把任何物品与互联网连接起来进行信息交换
在一些制造业工厂产线上,以AI视觉检测缺陷已经开始代替人力,改变了传统只能通过人的眼睛及经验来检测缺陷的方式。
---- 新智元报道 编辑:编辑部 【新智元导读】GTC大会上,老黄石破天惊地祭出了专为ChatGPT打造的H100 NVLINK,并放出豪言,称英伟达就是行业内的台积电。 英伟达,赢麻了! 刚刚结束的GTC大会上,靠着满屏的「生成式AI」,手握一块支撑ChatGPT算力、提速10倍的H100 NVLINK芯片,老黄就差把这几个字写在脸上——「我是赢家」。 ChatGPT,Microsoft 365, Azure,Stable Diffusion,DALL-E,Midjourney……所有这些时
杨净 发自 凹非寺 量子位 | 公众号 QbitAI 不在一线城市,一群“泥腿子”创办的AI公司,已经赚到了钱,这可能吗? 放眼行业,地处一线的明星公司尚且难获盈利,且圈内也无成熟经验可循。这样的AI公司,不免让人好奇。 近期,一个盈利的AI公司走入大众视野—— 第六镜,一家起源于西安的AI公司。 2014年,西北工业大学三名学生决定创业,第六镜由此诞生,发展至今团队已达百余人,估值7亿。 作为AI创业公司,虽然对外亮相有限,但在业内,它以早早实现盈利引发关注。 他们究竟走了一条怎样的商业化路径?这样一个
谷歌宣布将以“有限数量”向谷歌云客户开放张量处理器(Tensor Processing Unit,简称TPU)服务,按时收费,每小时成本6.50美元。 谷歌宣布张量处理单元(TPU)现在已经可以在谷歌云平台上供研究人员和开发人员试用,该模块是为谷歌服务(如Search、Street View、Google Photos和Google Translate)提供神经网络计算支持的定制芯片。 TPU是一个定制的特定于应用程序的集成电路(ASIC),专门为TensorFlow上的机器学习工作负载定制。谷歌两年前推出
人工智能(AI)不只能实现无人驾驶车辆、数字语音助理或者是帮你推荐电影,它是即将席卷众多产业的浪潮;根据麦肯锡全球研究所(McKinsey Global Institute)最近针对全球3,000家“具AI意识”企业进行的一项调查结果显示,其中只有20%的企业正将AI相关技术应用于部分核心业务,但大多数的企业仍预期在未来三年增加AI相关投资。 其他单位的调查亦反映类似结果。例如印度技术服务供应商Inforsys赞助、一项针对7个国家共1,600位商业与IT领域领导厂商所做的调查显示,受访者中只有25%表示
自 2015 年底谷歌开源深度框架 TensorFlow 以来,越来越多的科技巨头、创业公司注重框架的投入与研发。而商汤科技作为国内 AI 创业公司的代表,自创办开始就走在自研深度学习框架的道路上。
现在,一些行业内的企业家已经找到了它能够解决的问题,那就是训练 AI 模型所面临的计算能力短缺。
机器之心报道 机器之心编辑部 假设我们普通人想用云计算来训练一个 PaLM,我们需要准备多少钱?一位网友算出的结果是:900~1700 万美元。 从去年开始,谷歌人工智能主管 JeffDean 就开始了「谷歌下一代人工智能架构」——Pathways 的预告。与之前为数千个任务训练数千个模型的方法不同,新架构的愿景是训练一个模型做成千上万件事情。 一年之后,Pathways 系统论文终于亮相,Jeff Dean 所在的团队还公布了用它训练的一个大型语言模型——PaLM。实验表明,PaLM 在多语言任务和代码
作者 | 鸽子 2017年9月26日,英伟达GPU技术峰会GTC CHINA在北京开幕。英伟达创始人兼CEO黄仁勋发表主旨演讲《AI 的趋势、挑战与机遇》。 在他的演讲中,黄仁勋提到BAT已在各自的云服务中采用NVIDIA Volta GPU,研究人员和初创公司现在也开始租用云端最先进的AI基础设施,免去了建造超级计算机的复杂性和高昂费用。 此外,他还提到华为、浪潮、联想已采用NVIDIA基于HGX的GPU服务器,而对于需要专用AI超级计算机的企业,英伟达正在与中国主要的系统集成商展开合作,提供全面优化
以ChatGPT、Llama等为代表的大模型技术拉开了迈向通用人工智能的序幕,人工智能成为全球经济增长的重要驱动力,对各类产业的智能化带来全新的空间。根据普华永道的预测,到2030 年,人工智能可为全球经济贡献高达 15.7 万亿美元,超过中国和印度目前的产出总和。其中,6.6 万亿美元可能来自生产率的提高,9.1 万亿美元可能来自消费端的影响。对于制造业,人工智能一直是智能制造、工业4.0、工业互联网等领域的重要部分,在ChatGPT、Stable Diffusion等崛起前,质量检测、设备预测性维护等代表性的人工智能应用已经深度融入制造业,并且形成成熟的应用范式。
WAIC 世界人工智能大会已于近日在上海开幕。在昨天由机器之心承办的开发者日主单元上,阿里技术副总裁贾扬清、亚马逊机器学习副总裁 Alex Smola、百度 AI 技术平台体系执行总监吴甜、Julia 创始人 Viral、Skymind 联合创始人 Adam Gibson 做了精彩演讲。
在传统产业“遭遇”智能时代,科技革新亟待深化的当下,“革新者”的队伍该如何壮大?
腾讯云比阿里云的GPU服务器更多一些,在阿里云上有时会出现没有GPU服务器或者售罄。
从工厂和农场到炼油厂和建筑工地,这些炎热、肮脏、嘈杂、潜在危险的地方却是保持工业繁荣至关重要的地方。而这些地方在日常运营的同时都需要检查和维护,但是,考虑到安全问题和工作条件,派人进驻并不总是最好的。
模型可解释性是当今机器学习中最重要的问题之一。通常某些“黑匣子”模型(例如深度神经网络)已部署到生产中,并且正在运行从工作场所安全摄像头到智能手机的所有关键系统。令人恐惧的是,甚至这些算法的开发人员都无法理解为什么正是这些算法真正做出了自己的决定,甚至更糟的是,如何防止对手利用它们。
随着边缘设备的广泛使用和性能提升,将机器学习相关的部分任务迁移到边缘,也即边缘AI技术,已成为必然趋势,甚至能够同时结合云侧算力和边侧数据来完成机器学习任务。机器学习服务将边缘产生的数据转换为知识的过程中,需要在边缘快速响应并处理本地产生的数据。在落地过程中,我们发现,在连接海量边缘节点的边缘云时代,随着AI服务与边缘用户的距离缩短,通用AI原本部分挑战在边缘场景下变得更加尖锐。
机器人和自动化越来越多地用于制造、农业、建筑、能源、政府和其他行业,但许多公司一直在努力将人工智能和深度学习的优势融入到最苛刻的应用中。 借助新的 NVIDIA Jetson AGX Xavier 工业模块,NVIDIA 使在安全性和可靠性至关重要的恶劣环境中的边缘部署 AI 成为可能。这种新型工业模块扩展了 Jetson AGX Xavier 系统级模块的功能,使开发人员能够构建先进的、支持 AI 的加固系统。Jetson AGX Xavier Industrial 专为最恶劣环境中的智能视频分析、光学检
领取专属 10元无门槛券
手把手带您无忧上云