<b id="xh1j7"><td id="xh1j7"></td></b><delect id="xh1j7"><th id="xh1j7"></th></delect>

    1. <b id="xh1j7"><td id="xh1j7"><output id="xh1j7"></output></td></b><u id="xh1j7"><th id="xh1j7"><output id="xh1j7"></output></th></u>

      1. <video id="xh1j7"><code id="xh1j7"></code></video>
          <samp id="xh1j7"><th id="xh1j7"></th></samp>
        1. <source id="xh1j7"><thead id="xh1j7"></thead></source>

          咨詢熱線: 400-735-2288

          您的位置: 首頁 > 新聞資訊 > 行業資訊 > AI和ML應用如何重新定義傳統系統

          行業資訊

          AI和ML應用如何重新定義傳統系統

          從市場營銷,零售到醫療保健和金融,在這些領域采用人工智能(AI)和機器學習(ML)正在極大地改變傳統方法的應用范圍。人工智能使系統能夠感知,理解,行動和學習以執行復雜的任務,例如決策,這需要早期的人類智慧。與常規編程不同,常規編程需要針對每種情況定義動作,而AI與ML算法結合可以處理大型數據集,接受訓練以選擇如何響應以及從遇到的每個問題中學習以產生更準確的結果。

          AI和ML應用如何重新定義傳統系統

          這不僅影響了我們使用數據的方式,還影響了我們設計和制造用于支持下一代設備的硬件芯片或集成電路(IC)的方式,從而帶來了新的機遇。人工智能的發展將創新的核心從軟件轉移回了硬件。例如,為了獲得更好的性能,與傳統要求相比,人工智能需要更多的內存來處理和傳輸大型數據集??紤]一下越來越多的家庭使用虛擬助手的情況。如果沒有可靠的硬件來實現與內存和邏輯相關的功能,則這些硬件將無法正常工作。

          根據埃森哲半導體技術展望2019,來自埃森哲實驗室和埃森哲研究的年度報告顯示,與擴展現實,分布式賬本等技術相比,半導體行業對人工智能在未來幾年的工作潛力高度樂觀,以及量子計算。四分之三(77%)的半導體高管表示,他們要么已經在業務中采用了AI,要么正在試用該技術。

          AI和ML的概念

          盡管AI和ML這兩個術語可以互換使用,但前者的目的是成功完成任務,而后者則確保準確性。因此,通過AI培訓可以解決復雜的問題,但是通過學習數據和已執行的任務來最大程度地提高效率是ML的概念。ML依靠大型數據集來找到常見的模式,并根據概率進行預測。

          在為金融市場預測和自動車輛控制設計的系統中,應用AI更為常見。用來處理不同一般情況的通用AI是通常被認為是AI子集的ML發揮作用的地方。在所謂的監督學習ML算法中,建立輸入數據與目標輸出之間的關系模型以進行預測,而無監督學習不涉及對訓練數據進行分類。在需要從環境中連續獲取信息的復雜計算機游戲中與人類競爭的情況下,將實施強化學習。

          像深度神經網絡這樣的ML子分支已經被應用于各個領域,包括語音識別,社交網絡過濾,計算機視覺,自然語言處理等。這些技術可獲取并檢查成千上萬的用戶數據,以進行諸如面部識別之類的精度和準確性應用。這促進了目前被認為是不可思議的創新的快速發展,但是隨著硬件的進步,在未來幾十年中,更先進的創新可能會取代它的位置。

          AI和ML應用如何重新定義傳統系統

          AI和ML不僅可以通過算法的進步,還可以通過存儲能力,計算能力,網絡等方面的進步而發展到目前的水平,這使得以經濟的成本使大眾可以使用先進的設備成為可能。傳統上,邏輯通常是在電子系統的設計中進行硬連線的。但是,鑒于當前的高制造成本和芯片開發的日益復雜性,AI驅動的處理器體系結構正在重新定義傳統的處理器體系結構,以適應新的需求。

          計算主要在中央處理單元(CPU)(計算機的大腦)上進行。隨著應用AI和ML算法的對計算要求很高的應用的出現,通過圖形處理單元(GPU),微處理器(MPU),微控制器(MCU),現場可編程門陣列(FPGA)和數字信號處理器的組合,提供了更多處理選擇(DSP)即將達到最佳功能要求。這些選項被認為是不同的類別,它們正逐漸成為異構處理解決方案,例如片上系統(SoC)和定制設計的專用集成電路(ASIC)。

          與在訓練和推理期間調整神經網絡模型時存儲參數以存儲參數的傳統存儲方法不同,不僅在數據中心而且在邊緣計算中都需要高帶寬RAM。用于正常運行的易失性存儲器數量的增加導致功耗水平的過度上升。這推動了對不斷發展的內存接口的需求,以確保任務能夠高速執行。盡管新的處理器體系結構正在幫助減輕負載,但還正在研究和實現其他機制,例如新的內存接口和對內存本身的處理。

          總部位于英國的初創公司Graphcore的IPU是一種具有高片上存儲器容量的新型處理器,專門用于處理機器智能模型中的復雜數據結構。外部存儲源返回結果要比片上存儲源花費更多的時間。根據IHS Markit的一份報告,到2025年,全球人工智能應用存儲設備的收入將從2019年的206億美元增加到604億美元,而處理器市場將從2019年的222億美元增長到2025年的685億美元。

          因此,半導體提供了所有AI應用所需的必要處理和存儲功能。對于同時使用多個服務器并開發準確的AI模型,提高網絡速度也很重要。正在研究諸如高速互連和路由交換機之類的措施以實現負載平衡。

          改善AI應用芯片的答案在于技術本身。利用AI和ML來提高性能,并且隨著設計團隊在該領域的經驗越來越豐富,他們將增強芯片的開發,制造和調整以進行更新的方式。使用AI和ML可以解決與傳統方法無法解決和優化的芯片的實現,簽核和驗證相關的復雜問題。

          總部位于美國的Synopsys公司在現有EDA工具中使用基于ML的預測模型,聲稱在HSPICE中獲得了類似的結果,例如PrimeTime功率恢復速度提高了5倍,High sigma仿真速度提高了100倍。所有這些都需要專注于研發和準確的端到端解決方案,從而為可能在半導體公司不同部門創造價值的全新市場創造機會。

          克服挑戰

          主要重點是數據及其使用。這不僅需要處理器的新架構。不同的芯片架構可用于不同的目的,并且訓練數據的大小和價值等因素可能會使AI在某些應用中無用。

          AI使得可以將數據處理為模式而不是單個位,并且當以矩陣形式完成存儲操作時,AI效果最佳,從而增加了要處理和存儲的數據量,從而提高了軟件的效率。例如,尖峰神經網絡可以減少數據流,因為數據是以尖峰的形式饋入的。另外,即使有很多數據,也可以減少訓練預測模型的有用數據量。但是問題仍然存在。像在芯片設計中一樣,機器學習模型的訓練發生在不同的環境中,處于不同的級別。

          人工智能的應用需要一種標準化的方法。為了有效利用AI,需要考慮為AI設計的芯片以及經過修改以適合AI要求的芯片。如果系統中存在問題,則需要工具和方法來快速解決它。盡管越來越多地采用設計自動化工具,但是設計過程仍然是高度手動的。調整輸入是一個耗時但效率極低的過程。在設計實現中,即使只是一小步,本身也可能是一個全新的問題。

          聲稱使用AI和ML以獲得趨勢的優勢并增加銷售和收入的公司已被廣泛濫用。盡管壓縮和解壓縮的成本不是很高,但片上存儲器的成本卻并不便宜。AI芯片也往往非常大。

          為了構建存儲和處理數據的系統,需要不同團隊的專家合作。大型芯片制造商,IP供應商和其他電子公司將采用某種形式的AI來提高其整個運營效率。以降低的計算成本提供云計算服務可以幫助促進發展。技術的進步將迫使半導體公司增強能力并提高其技能,從而使下一代設備進入市場。

          上一篇:芯片短缺對消費電子產生的連鎖反應
          下一篇:AI程序可能面臨風險的三個關鍵原因
          客服
          分享
          電話
          服務電話:
          400-735-2288
          TOP
          在線客服 在線客服
          服務電話
          聯系我們
          • 400-735-2288
          亚洲图片影音先锋,亚洲欧美在线人成最新-五福影院点击进入最-青误乐一区二区|日本国产网曝视频在线观看|6O8O新觉伦