标签目录:摩登3咨询

摩登3娱乐怎么样?_压力触控技术的背后 看中兴、华为、苹果如何创新

  众所周知,压感触控技术是指在现有手机平面操作的基础上增加第三种维度—重力感应,根据力度的不同,调用的菜单也有所区别。而苹果命名3DTouch技术是在压感触控技术基础上的改良,对手指力度的感应更敏感,分轻点、轻按及重按这三层维度。这一维度的增加,丰富了软件应用设计者的想象和发挥空间。   以全球首款搭载压力触控屏幕的AXON天机MINI为例,这款手机把压力传感功能集成到了密码解锁中。业内知道,密码解锁分简单密码和复杂密码,简单密码通常为4位,容易被破解,但很多用户为了好记和方便输入,都使用了简单密码。在和压力传感结合之后,简单密码变得不再简单。在输入4位数字时,用户可以在力度上做出区别,比如前三位数字轻点,最后一位重压。这样密码的输入依然简单便捷,但是破解难度不可同日而语,就算有心人偷窥到密码输入的过程,也因为不知道压力程度,无法破解。   当然在压力触控给手机市场和用户带来更新更佳体验的同时,背后彰显的是厂商的创新实力。实际上,在推出支持压力传感的iPhone 6s/6s Plus前,苹果自己也是经历了3~4年左右的研发,并为此投入了庞大的工程师团队来改进硬件和软件。可以预计,在Android阵营,只有少数真正具备软硬件底层研发实力的手机厂商,才能在2015年推出具备压力传感技术的智能手机,而且基本上都是售价2000元以上的旗舰级产品。   具体来说,想要在智能手机上集成压力触控技术,设计上的难度首先来自硬件。例如加入了新的传感器后,屏幕的厚度必定会增加,设计师必须在屏幕厚度和传感器精度上作出平衡。手机太厚会影响用户握持,传感器精度不够更会让技术失去使用意义,与此同时,因为屏幕厚度的增加,再加上要塞入重新设计的力度回馈部件,手机的机身设计和整体重量势必会受到影响,是增加手机的整体厚度还是削减电池的容量实现此消彼长?其次是即使硬件设计过关,要想发挥触控传感的功效,手机厂商必须在系统交互层进行重新设计。同时,操作系统不能只考虑用户的按压力度,要想深入地使用这个技术,还必须考虑用户是用哪一根手指、什么样的情绪、以什么样的方位来对屏幕施加压力。这几乎影响到了整个操作系统的交互,而且还涉及到用户体验的改进和用户习惯的变更等因素。由此看,压力触控技术确实在某种程度上代表了厂商的创新实力。   压力触控改变游戏操作方式   纵观目前智能手机市场,无论是苹果还是Android手机阵营,压力触控技术还处在起步阶段,但已经有大批厂商加入到竞争中,同时,软件厂商也快速跌进以使其在操控上适应压力触控技术。而作为一个创新技术,其发展必定是一个复杂而漫长的过程,在这个过程中,整个生态链势必会在不断的跌跌撞撞中走向成熟,进而形成一个完整的从硬件、内容到整机厂商的产业形态。所以除了技术本身外,围绕该技术产业生态的建立才是难中之难,重中之重。例如前面所述的中兴,不仅率先发布了采用触控技术的AXON天机MINI,其已经流露出构建生态链的意愿,未来其或将压力触控核心技术厂商纳入到中兴序列,并将与第三方软件厂商建立战略级合作。而中兴此举,一方面说明中兴在创新科技方面具有前瞻性,借助其强大的产业链资源整合能力、全球化布局、以及精于技术研发的雄厚实力,可以最快将“黑科技”转化为实实在在的成果并迅速应用到其产品序列中;另一方面,中兴、华为、苹果等先后进入压力触控,证明该技术市场前景被看好,或许将因此改写智能产品触控产业的格局。   实际上触控技术远不止应用在智能手机产业中,就像在2015年中兴分析师大会上其终端CEO曾学忠提出的智能手机将连接一切,与互联网汽车、智能家居等建立紧密的功能连接,而压力触控技术或将借助中兴的力量拓展到智能家居等产业中的策略一样,触控技术的未来将不可限量,也是诸多企业竞争新的热点。

摩登3平台登录_工业机器人在PCB行业的三大应用案例

  众所周知,工业机器人最早是应用于汽车制造行业之中,机器人技术发展到现在,应用范围如此广泛,汽车行业依然是工业机器人使用密度较高的一个行业。相对于汽车生产过程中焊接、喷涂、搬运等工作,PCB行业要求的机器人精度要更高,而且工作复杂性相对较高。下面就为大家介绍3个工业机器人应用于PCB行业的案例。   1、SCARA机器人应用于线路板线圈检测工序   目前市面上几乎没有多层板线圈短路的整套检测设备,这项工作大部分还是依赖于人工完成,孔径大的PCB板子是人工将板子放到检测设备上面然后开启设备检测,孔径小的PCB板子需要人工拿着设备(探头)去对每一个线圈进行检测。使用SCARA机器人可以完成配合检测设备的上下料和对位放置,一次性完成对孔径板子所有线圈进行检测;对于小孔径板子,使用SCARA设备执行端固定探头,使用是决定为,用探头对每一个线圈进行检测,我们的设备也有效地避免了人工操作时因为线圈孔径小或孔径多而出现漏检。与人工操作相比可以显著提高检测测效率,并避免因漏检导致的质量问题。   2、DELTA机器人应用于小线路板成品装盒工序   目前FPC装盘工作一般是使用人工一个一个捡起来并放到吸塑盘里面,由于FPC软而且薄在捡的时候很不方便,就算经验丰富的工人完成这项工作效率都很低,Delta800加上一套视觉系统可以从凌乱的FPC堆里面挑出合格的然后按照要求摆放到吸塑盘里面,效果不逊于人工。它的速度可以达到60片/min,完全可以取代人工去进行分拣装盘,这样就节省了宝贵的劳动力资源,降低了企业的成本。   3、6轴工业机器人应用于AOI检测工序   传统的AOI扫描机器都是依靠人工进行仿版、翻版和收板,一个工人看管两台扫描机器,每天重复进行这种单调的劳动,而且刚制作好的线路板还会散发出刺鼻的气味对人体带来一定的伤害,AOI扫描机器散发的红外光也是一个隐形的杀手,这些都对工人的身体健康造成了危害,使用多关节机器人代替人工负责两台AOI的放板、翻板和收板,每班可以完成七百多块PCB硬板的收放,综合效率可以达到1块/min(其中包括AOI机器扫描时间)。未来,如果可以进一步将与收放板机配合的上下料运输线,连接上AGV做固定线路转运,就可以实现上下工序的完全自动化生产了。   工业机器人凭借其高度自动化的优势,正越来越多的被应用在工业生产线之上,随着工业机器人技术的不断革新,机器人在高速生产过程中,同样可以保证高精度,这就使得机器人可以在PCB行业中有所作为。

摩登3登录网站_深圳厂商占据CES半壁江山 中国硬件制造发展迅猛

  “感觉在展馆走不了两步,就能碰上个中国人了,再多聊几句,说不定还是坐同一架飞机从深圳来的。”一家在深圳做充电电源的厂商负责人胡勇告诉记者,市场上对于智能科技产品的需求正在加大,他代表公司参加了一些展会公司的“组团”来到CES,希望可以加大客户资源。   不知道从什么时候开始,一年一次的美国拉斯维加斯电子消费展(下称“CES”)成为了深圳商人们或者说创业者们的“最爱”。   根据CES给出的在线参展商名单,在今年的CES的4119家参展商中,共有1300家中国厂商参展,其中652家来自深圳。事实上,中国参展商的数量比去年翻了一番还多。据国外经济网站报道,2015年的CES共吸引了至少550家中国公司,其中470家来自深圳。   为什么是深圳?这个问题也许并不难回答。进入低成本组件时代之后的创新能力,某种程度上就意味着制造能力,凭着品质出众而成本低廉的硬件制造能力,这几年深圳和硅谷正前所未有地紧密咬合。   深圳参展商占据半壁江山   第一次来CES的胡勇并没有感受到这项展会的高门槛,三万到五万元人民币的摊位价格就能提早报名参展。据胡勇介绍,在深圳有着组团资格的会展公司有上百家,不过不同于大型企业,像他这样的中小企业参展商主要聚集在拉斯的主展馆周边的酒店和馆区内。展馆人士称,在金沙馆基本每年都能看到大量的来自中国的厂商。   本届CES将成为历年中国企业占比最高的一届。这个数据还不包括注册地显示为中国以外的企业,比如联想在CES系统中的地址就显示为美国,不归在来源为China的企业名目中。   而据长城会的统计,在本届参展企业中,深圳企业占据了整个中国参展团的半壁江山。而从全部城市的数据来看,广东省依靠深圳市的地位,总量达到了853家,占到了全球总数的20%之多,而剔除掉深圳的652家,其他几个城市参展企业数也到了201家,依然占据榜首。   办展方甚至为了照顾来自中国的这份“热情”,专门在拉斯维加斯举办各种“分会场”以便让更多的中国厂商有展示的机会。   不过,有些展位人气看上去不是很旺,有些人甚至只能在那里无所事事地坐着。一家有着不小展位的深圳手机配件公司销售人员告诉记者,这两三年深圳手机配件企业来得少了,他觉得来CES对他们来说只是为了展示,意义在降低。

摩登3测速登录地址_说说芯片设计这点事儿

  芯片设计这个行当,从大的方面讲,主要分模拟和数字两大块,而每大块又分前端和后端,我想大部分同学对这个肯定是非常清楚的,下面就数字电路聊聊芯片设计的一些事情,就是芯片设计有哪些活要做,这并不是全面完整的系统介绍,只是个人的了解和总结, 希望抛砖引玉,也许不全面,不正确,欢迎大家指正和补充。   说到数字芯片,不能不说FPGA,这种是可编程的数字电路,用法原理也不说了,数字电路设计的目标就是把这些功能做成我们自己专用的ASIC/SoC,这样无论面积、成本或者安全性等都能有保证。   从流程上讲,数字芯片设计的大致步骤就是系统与功能定义、RTL实现验证、 综合及可测试性设计、ATPG仿真、时序分析到自动布局布线(APR),直至交付fab的GDS网表。   这个流程是可以反复迭代的,对于不同类型芯片,如纯数ASIC或混合电路(mix-signal)及系统级芯片(SoC),每一步的方法和具体实施流程上可能又有所差异。下面就这些基本流程分步谈一些主要问题。   系统设计主要涉及到功能定义及架构设计、总线架构的配置、模块设计、数据流的分配、时钟的设计等问题。总线包括模块之间,模块与MCU核之间,外部主机和芯片之间通信,或者测试需要等等一系列因素。 时钟涉及到数据流的规划、通信接口或内部MCU的时钟约定、工艺条件、功耗等因素。模块需要明确接口和定义。

摩登3测速代理_华为麒麟处理器跑分再创世界纪录 超麒麟950一千分!

  1月13日,华为一款未知型号的设备跑分出现在GeekBench跑分库,令人惊讶的是,该设备所搭载的SoC的跑分成绩再创纪录,单核跑分高达2018、多核跑分竟有7313,简直不可思议,这样的成绩犹如梦一般。悉知,目前手机芯片芯片当中单核跑分最强为苹果A9的2400多分,此前多核跑分的世界第一成绩出自华为麒麟950的6300多分,而此次的新款设备跑分居然高达7313分,与麒麟950直接拉开了1000分的差距。         这款设备搭载的SoC很可能是一颗高频版的麒麟950,依旧为4*A72+4*A53的架构,而GeekBench给出的数据来看,其小核的频率依旧为1.8GHz,与麒麟950无异,也就说之所以有如此强劲的性能是因为它的大核心(A72)调高了主频。   根据目前的手机处理器性能来看,想要长期保持大核心高频负载并不简单,大核在高频下很容易发生降频的情况,正如骁龙810那样。

摩登3官网注册_分析小米为湖北广电研制700 MHz终端的可能结局

  2015年11月下旬的时候,湖北广电(湖北省广播电视信息网络股份有限公司)与小米科技签订战略合作框架协议。   该协议一共涉及5大方面的合作,其中一个合作方向是“700 M 无线网络应用研究”,具体内容是:湖北广电负责 700M 无线网络的试点建设,小米科技负责终端设备的研制,共同开展 700M 无线网络应用的研究工作。   上述的“700 M”即700 MHz频段。最近很火的“国内4家广电省网招标4G无线双向网设备与终端”事件就于这个700 MHz频段有关。   “湖北广电负责 700M 无线网络的试点建设”是怎样的 700M 无线网络的试点?估计有可能是基于700 MHz频段的4G LTE无线网络。   那么,这个背景下,“小米科技负责终端设备的研制”就可能面临怎样的结局?   分析看来,这只是签署协议而已,从协议签署到700 M终端(比如手机)出货还有很长的路要走,到时候说技术有问题、或者配件有问题、没办法提供成品。找借口还不简单吗?小米敢得罪工信部?它还想不想活了?以后还想卖通信入网终端(比如手机)么?以前的例子如,Moto在卖给联想之前,就是因为它老爸是谷歌,所有手机都拿不到中国的入网许可。   没有手机厂商敢和工信部对着干,就连苹果5S刚进入中国的时候都是按照要求锁了4G LTE的。A1528现在都没发运营商文件来解除4G。6和6S的硬件都是支持VoLTE的,同样也被锁了VOLTE,那些想用国行6、6S来玩VOLTE的就不要做梦了。   或许有人说6和6s不是锁VoLTE,只是没有更新运营商配置文件而已,没有VoLTE配置(VoLTE APN名称,IMS服务器地址等)如何使用VoLTE?工信部控制4G牌照,但VoLTE不是新的移动网,不需要牌照,也不存在工信部限制的问题。   但是A1528只是运营商一纸文件的事情,就可以解锁LTE,为何苹果不敢更新这个文件,到现在为止A1528也只能用3G网?认证的时候没有这个特征,以后就不能提供(工信部认证更新除外)。同理,国行6、6S认证的时候就没有VoLTE,就算他们硬件本身是支持的,其结局也是和A1528一样:一个阉割的手机,VoLTE没戏。

摩登3主管554258:_Java故事:未来就是这个小方块?

  Java 语言自1995年正式问世以来,从崛起、问鼎、睥睨天下到进化、平稳、丢掉兵器谱头把交椅,经历了 Sun 的辉煌与坠落,微软的崛起与纷争,互联网的起兴、泡沫与复兴,移动互联网的大发展和 Android 平台的突飞猛进。Java 语言,就像互联网大航海时代的一艘大船,虽然它的语法没那么灵活,也没那么强大,有时候看起来甚至是滞重的、笨拙的,但是,Java 在二十年来每个浪潮的转折点都恰到好处的站在了浪潮之巅。时至今日,Java 作为一门优秀的编程语言和强大的生态平台,依然屹立于程序世界之巅。   20年了,Java 进入了壮年,早就想为 Java 写一点东西,就从今天开始吧。   1998年的夏天,我进入了北京顺义郊区的一家直流电源工厂,成为一名硬件工程师,或者说叫测试硬件工程师,嗯,其实就是测电路板的。真正的软硬件工程师都在三楼的实验室,我作为非名牌大学毕业生,被分配到了一楼的车间里,擦擦散热器,焊焊板子,玩玩示波器,偶尔鄙视一下三楼那些不知道写什么程序的软件工程师,就是我最大的乐趣。   有一天在车间待的烦了,我爬上三楼去实验室玩耍,看见一名工程师在看一本厚厚的编程书籍,书的封面上印着一杯冒着烟的咖啡,书页上写了一些奇奇怪怪的代码。   我说这是什么?   他恋恋不舍从书桌上抬起脑袋,眼神透过厚厚的镜片落在窗外鸟不拉屎的荒地上,缓缓的告诉我,这是一门全新的编程语言,叫做 Java,据说能够改变互联网的未来,怕了吧?   你这个姿势我给85分,C 学会了吗?   他挠挠头说,被指针搞晕了。   哦,看来 Java 更简单一些,这语言能干嘛?   能改变互联网的未来……   我靠,到底能干嘛?   他开始不好意思了,用快捷键打开了一个浏览器(IE 还是 Netscape 记不清了),他指着网页上的两个晃来晃去的小方块说,看,这叫 Applet,Java 写的。   我用 VBScript 能比你实现的好看十倍!   这是未来!   我哈哈狞笑,未来就是这个小方块?   他终于恼羞成怒,使出了必杀技:楼下的散热器擦完了吗?   每次他一出此言我立刻败下阵来,迅速滚去一楼去擦散热器了。十年后,我知道了他使用的这一技能有了新名词,叫做降维攻击!   我和 Java 的第一次接触大致如此。回忆是如此的不可靠,有时候你会怀疑这些人和事是否真的发生过。为了写这篇文章,我艰难的打开了1998年尘封的记忆之门,溜进去悉悉索索摸了半天,差不多就找到了这么个故事。故事并不重要,重要的是,Java 在1998年的时候已经开始积蓄力量,跃跃欲试,准备登上世界互联网的大舞台。那个时代,Java 的创造者高斯林也没有想到,他和同事们发明的这门编程语言将在互联网时代、企业软件时代、移动互联网时代爆发出生生不息的生命力并绽放璀璨的光辉。光芒之耀眼,穿透了科技领域的重重迷雾,直抵今天。   高斯林何许人?Java 之父,计算机科学家,Sun 早期的核心员工。作为很早使用 Java 的那一代老程序员,我们都把他老人家亲切的称为高司令,当然,高斯林是感受不到我们的善意的,他甚至不知道神秘的东方有一群苦逼的程序员也在使用他创造的语言,并写出或即将写出一大批改变中国互联网、甚至改变中国命运的软件和服务。

摩登3注册平台官网_机器学习的前世今生:一波三折 荡气回肠

  AlphaGo的胜利,无人驾驶的成功,模式识别的突破性进展,人工智能的的飞速发展一次又一次地挑动着我们的神经。作为人工智能的核心,机器学习也在人工智能的大步发展中备受瞩目,光辉无限。   如今,机器学习的应用已遍及人工智能的各个分支,如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。   但也许我们不曾想到的事机器学习乃至人工智能的起源,是对人本身的意识、自我、心灵等哲学问题的探索。而在发展的过程中,更是融合了统计学、神经科学、信息论、控制论、计算复杂性理论等学科的知识。      总的来说,机器学习的发展是整个人工智能发展史上颇为重要的一个分支。其中故事一波三折,令人惊讶叹服,颇为荡气回肠。   其中穿插了无数牛人的故事,在下面的介绍中,你将会看到以下神级人物的均有出场,我们顺着ML的进展时间轴娓娓道来:      |基础奠定的热烈时期   20世纪50年代初到60年代中叶   Hebb于1949年基于神经心理学的学习机制开启机器学习的第一步。此后被称为 Hebb学习规则。Hebb学习规则是一个无监督学习规则,这种学习的结果是使网络能够提取训练集的统计特性,从而把输入信息按照它们的相似性程度划分为若干类。这一点与人类观察和认识世界的过程非常吻合,人类观察和认识世界在相当程度上就是在根据事物的统计特征进行分类。   从上面的公式可以看出,权值调整量与输入输出的乘积成正比,显然经常出现的模式将对权向量有较大的影响。在这种情况下,Hebb学习规则需预先定置权饱和值,以防止输入和输出正负始终一致时出现权值无约束增长。   Hebb学习规则与“条件反射”机理一致,并且已经得到了神经细胞学说的证实。比如巴甫洛夫的条件反射实验:每次给狗喂食前都先响铃,时间一长,狗就会将铃声和食物联系起来。以后如果响铃但是不给食物,狗也会流口水。   1950年, 阿兰·图灵创造了 图灵测试来判定计算机是否智能。图灵测试认为,如果一台机器能够与人类展开对话(通过电传设备)而不能被辨别出其机器身份,那么称这台机器具有智能。这一简化使得图灵能够令人信服地说明“思考的机器”是可能的。      2014年6月8日,一台计算机(计算机尤金·古斯特曼是一个聊天机器人,一个电脑程序)成功让人类相信它是一个13岁的男孩,成为有史以来首台通过图灵测试的计算机。这被认为是人工智能发展的一个里程碑事件。   1952,IBM科学家 亚瑟·塞缪尔开发了一个 跳棋程序。该程序能够通过观察当前位置,并学习一个隐含的模型,从而为后续动作提供更好的指导。塞缪尔发现,伴随着该游戏程序运行时间的增加,其可以实现越来越好的后续指导。   通过这个程序,塞缪尔驳倒了普罗维登斯提出的机器无法超越人类,像人类一样写代码和学习的模式。他创造了“机器学习”,并将它定义为“可以提供计算机能力而无需显式编程的研究领域”。   1957年, 罗森·布拉特基于神经感知科学背景提出了第二模型,非常的类似于今天的机器学习模型。这在当时是一个非常令人兴奋的发现,它比Hebb的想法更适用。基于这个模型罗森·布拉特设计出了第一个计算机神经网络—— 感知机(the perceptron),它模拟了人脑的运作方式。   3年后, 维德罗首次使用Delta学习规则用于感知器的训练步骤。这种方法后来被称为 最小二乘方法。这两者的结合创造了一个良好的线性分类器。      1967年, 最近邻算法(The nearest neighbor algorithm)出现,由此计算机可以进行简单的模式识别。kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。      kNN的优点在于易于理解和实现,无需估计参数,无需训练,适合对稀有事件进行分类,特别适合于多分类问题(multi-modal,对象具有多个类别标签), 甚至比SVM的表现要好。   Han等人于2002年尝试利用贪心法,针对文件分类实做可调整权重的k最近邻居法WAkNN (weighted adjusted k nearest neighbor),以促进分类效果;而Li等人于2004年提出由于不同分类的文件本身有数量上有差异,因此也应该依照训练集合中各种分类的文件数量,选取不同数目的最近邻居,来参与分类。   1969年 马文·明斯基将感知器兴奋推到最高顶峰。他提出了著名的XOR问题和感知器数据线性不可分的情形。   明斯基还把人工智能技术和机器人技术结合起来,开发出了世界上最早的能够模拟人活动的机器人Robot C,使机器人技术跃上了一个新台阶。明斯基的另一个大举措是创建了著名的“思维机公司”(Thinking Machines,Inc.),开发具有智能的计算机。   此后,神经网络的研究将处于休眠状态,直到上世纪80年代。尽管BP神经的想法由林纳因马在1970年提出,并将其称为“自动分化反向模式”,但是并未引起足够的关注。

摩登3登录_神经网络处理器 或将人工智能推到一个新高度

  如果AlphaGo采用寒武纪处理器的架构,只需要一台个人电脑大小的主机,就可以运行起来,而且运行速度应该会更快。      如何能让一张普通的图片具有艺术性呢?现在,借助一款应用了人工智能算法的手机修图软件 Prisma,你可以将任何照片变成名画风格(比如梵高、莫奈、毕加索或宫崎骏风格),且极具艺术品质。连俄罗斯总理梅德韦杰夫都忍不住在社交网站上晒出了一张用Prisma处理过的、有着浓郁铅笔画风格的风景照——滤镜里的莫斯科夜晚。   与普通滤镜不同,Prisma采用深度学习算法,能够利用复杂的人工神经网络,抽象出给定绘画作品里一些高级的隐藏特征,学习画家的绘画风格,再把这个风格“智能”地应用到一张新图片上,是第一款人工智能的平民化应用。不过,美中不足的是,因为人工智能算法计算量极大,用户需要把照片发送到远程的服务器,几十秒后才能看到预览效果。   人工智能算法运算量到底有多大?想像一下,同样采用了人工智能算法的AlphaGo,需要用到上千块传统处理器(CPU)和上百块图形处理器(GPU)。   很显然,在人工智能迎来新一波复兴的今天,传统处理器正成为阻碍人工智能普及的瓶颈。如果没有一款专门为神经网络设计的芯片,既高效、低耗、体积小,还能够嵌入智能终端设备,我们就无法与人工智能真正“亲密接触”。好消息是,今年3月,一家刚刚成立的芯片设计公司——寒武纪公司(中国科学院计算技术研究所下属的产业化公司),已经发布了世界上第一款神经网络处理器指令集(Cambricon),而且正走在商业化的路上。   值得一提的是,寒武纪公司的首席执行官陈天石和首席科学家陈云霁,是一对亲兄弟。哥哥陈云霁是计算机体系结构专家,弟弟陈天石是人工智能专家。兄弟两人的合作始于用人工智能技术支持通用处理器的研发,而后又转向用处理器技术来支持人工智能的发展。   2014年,陈天石、陈云霁与法国信息与自动化研究所(INRIA)的奥利维耶·泰蒙(Olivier Temam)博士共同发表的学术论文《DianNao:一种小尺度的高吞吐率机器学习加速器》(DianNao: A Small-Footprint High-ThroughputAccelerator for Ubiquitous Machine-Learning ),获得了ASPLOS(Architectural Support for Programming Languages and Operating Systems ,编程语言和操作系统的体系结构支持)国际会议最佳论文,吸引了国际同行的目光。随后发表的几篇论文,更是奠定了他们在神经网络处理器这个领域的国际领跑地位。   传统处理器指令集是为进行通用计算发展起来的,基本操作为算术运算和逻辑运算。而深度学习算法,基本操作是对人工神经网络中的虚拟神经元和突触进行处理。作为一款神经网络处理器,寒武纪处理器指令集的一条指令即可完成多个神经元的并行处理,而传统处理器需要数百甚至上千条指令才能完成一个神经元的处理。这也就解释了,为什么传统处理器运行深度学习算法时效率会如此低下。   “如果把深度学习看作切肉,传统的处理器就是瑞士军刀,我们的专用神经网络处理器则相当于菜刀。瑞士军刀通用性很好,什么都可以干,但干得不快,菜刀是专门用来切菜的,在切肉这件事情上,效率当然更高,”接受《环球科学》采访时,寒武纪公司首席执行官陈天石形象地比喻,“在运行人工智能算法方面,寒武纪处理器比通用处理器好百倍到千倍,如果AlphaGo采用寒武纪处理器的架构,只需要一台个人电脑大小的主机,就可以运行起来,而且运行速度应该会更快”。   今年7月,寒武纪公司与中国科学院计算技术研究所又共同发布了国际上首个稀疏深度学习处理器(Cambricon-X),性能更好,功耗更低。在65nm工艺下,Cambricon-X芯片面积仅为6.38平方毫米,最高每秒能进行5000亿次神经网络基本运算,性能是高端GPU的10倍,能耗却仅为其3.4%。   目前,寒武纪公司正紧锣密鼓地将自己的芯片推向产业化。陈天石介绍说,“芯片从研发、量产到商用,是一个以年为单位的周期,所以最快明年,大家应该可以在市面上看到使用寒武纪技术的芯片产品,比如在智能终端、智能机器人、手机、安防监控或云端服务器上”。   神经网络处理器的诞生,或许会将人工智能推到一个全新的高度。“我们要让人工智能的门槛更低,让研究人员可以自由地尝试规模更大、更复杂的算法。这也是我们给公司取名‘寒武纪’的寓意所在”,陈天石说,“像地质年代中的寒武纪迎来生命大爆发一样,我们希望,寒武纪芯片也能开启人工智能的新纪元”。

摩登3平台首页_Bridgtek推出最新EVE图形控制器 具ASTC功能可提升数据存储能力

2月27日,Bridgetek为了进一步扩展屡次获奖的嵌入式视频引擎(EVE)产品,推出下一代人机界面(HMI)应用的BT815 / 6系列高度先进图形控制器芯片。支持自适应可伸缩纹理压缩(ASTC)算法,可以显着提高图像质量,而不需要分配更大的带宽,因为压缩算法允许使用较小的压缩文件。由于这个特点,新的EVE设备能够可使用较大字体和数据量较大的图像时,可节省大量的内存空间。进一步对存储器管理和系统资源改进,可通过专用QSPI主机端口的形式提供,用于连接外部闪存,以补充EVE控制器的片上存储器。专用端口专用因为可以扩展片上容量以存储许多功能丰富的显示器所需的其他图像和音频对象,如位图和字体。作为附加端口,可以释放用于从内部复制任务控制BT815 / 816设备的主系统QSPI端口,因此可以减少系统MCU的工作负载。 BT816支持带有4线电阻式触摸屏的显示器,而BT815可支持电容式触摸屏,并提供多点触摸操作(最多可容纳5个触摸点)。这两款芯片支持高分辨率(800×600)图形的渲染,并具有视频播放功能。内置的硬件引擎可识别触摸标签(提供多达255个标签的通知),并准确跟踪触摸移动。还支持定制的内置小部件(Widget)和更多功能 - 例如ASTC解码,JPEG解码和校准。 可编程中断控制器允许EVE设备产生与事件相对应中断,例如检测触摸或完整的音频文件播放,确保与主机MCU的最佳交互动作,无需轮询设备响应。 音频功能可以提供内置声音合成器,以及用于单声道8位线性PCM,4位ADPCM和μ-Law声音编码(采样频率在8kHz至48kHz之间)的音频播放。当需要使用外部滤波时,数字滤波功能有助于降低系统设计的复杂性。 与以前的EVE系列产品一样,无论以往工程师的经验如何,BT815 / 6系列都可以简易构建引人注目,功能丰富且吸引人的人机界面,而且整合图形控制,音频控制和触控控制界面。创新的基于对象(基于对象)的体系结构可显着降低HMI开发所需的硬件 - 消除通常所需的帧缓冲器和大容量闪存,而仅依靠内部1MByte图形内存。这也意味着在HMI设计可以使用一个不太复杂,成本较低的MCU,从而进一步减少总体材料清单。 新型BT815和BT816 EVE设备采用64引脚VQFN封装。工作温度范围可支持 - 40°C至85°C。