當前位置：給覽網 » 公司 » 北京精科智創科技發展有限公司
在線溝通：
- 材料電學性能測試儀
- 壓電材料測試儀
- 介電測試儀
- 壓電材料電阻率綜合測試儀
- 材料分析儀
- 石英玻璃密封管
- 壓電極化裝置
- 梯溫析晶測定儀
- 熱電材料測試
- 高溫鐵電材料測試儀
- 鐵電材料綜合測試儀
- 熱敏電阻材料
- 高溫介電測試儀
- 高低溫介電測量儀
- d33測量儀
- 準靜態d33測量儀
- 材料電磁性能測試
- 材料阻抗分析儀
- 高低溫壓電d33測量系統
- 熱釋電系數高溫測試系統
- 高溫氣敏材料測量系統
- 高溫熱敏電阻材料參數測量分析系統
- 電介質充放電測試系統
- 高溫超導材料交流磁化率測量儀
- 居里點溫度測試儀
- 變溫光譜測試系統
- 電卡效應測試儀
- 壓電放大器
- 鐵電測試儀
- D33測試儀
- 材料制樣設備
- 電陶瓷壓片機
- 可計量型蠕動泵蒸汽發生器
- 壓電高壓極化裝置
- 真空封管機
- 熱壓機
- 真空手套箱
- 實驗型噴霧干燥機
- 球磨機
- 智能型管式梯溫爐
- 多模具型熱壓機
- 壓電陶瓷高低溫試驗箱
- 快速退火爐
- 原位高溫成像燒結試驗儀
- 開煉機
- 淬火爐
- 質量控制檢測儀
- 垂直度檢測儀
- 水平示值檢定儀
- 水平零位檢定器
- 數顯指示表檢定儀
- 全自動指示表檢定儀
- 沖床生產遠程自動統計系統
- 位移傳感器自動校準裝置
- 沖床生產遠程自動統計系統
- 非接觸式靜電電壓表校準裝置
- 小角度儀
- 數控指示表檢定儀
- 電陶瓷壓片機
- 材料電磁學性能測試儀
- 微波介質材料電磁特性
- 電梯加速度測試儀
- 扶梯安全測試儀
- 咪表檢定裝置
- 太陽能電池測試儀
- 四探針測試儀
- 雙極板質子交換膜燃料電池測系統
- 材料磁致伸縮測量儀
- 微擾法復介電常數測試系統
- 材料樣品高低溫冷熱臺
- 毛細管樣品冷熱臺
- 地質流體包裹體冷熱臺
- 輪廓儀
- 粗糙度儀
- 凸輪軸測量儀
- 高阻檢定裝置
- 數字式高阻檢定裝置
- 壓力容器聲發射儀
- 位移激光測微儀
- 氧化鋅避雷器測試儀校準裝置
- 非金屬熔接焊機檢測校準裝置
- 多功能二維材料轉移平臺
- 高低溫冷熱臺
- 材料熱學性能測試儀
- 材料熱導率系數測試儀
- 界面材料熱阻及熱傳導系數量測裝置
- 全溫區定位高溫梯度爐
- 材料高低溫熱膨脹測試系統
- 材料高溫比熱容測試儀
- 全自動材料高溫比熱容測試儀
- 熱分析儀
- 激光導熱測試儀
- 材料電化學實驗設備
- 電化學腐蝕摩擦磨損試驗儀
- 材料表面性能綜合試驗儀
- 新能源鋰空氣電池測試箱
- 皮安電流表
- 金屬絲材導電率綜合測試儀
- 變溫焦耳熱閃蒸系統
- 美國吉時利精密源表
- 材料高溫電學測試儀
- 導電材料高溫電阻率測試儀
- 形狀記憶合金特性測試系統
- 高低溫方阻測試系統
- 高溫介電溫譜儀
- 高溫熔融電導率測試裝置
- 玻璃熔體電阻率試驗儀
- 高溫絕緣電阻儀
- 高溫絕緣材料電阻測試儀
- 高溫鐵電測試儀
- 高溫壓電D33測試系統
- 自動化實驗設備
- 氧化誘導實驗制樣機
- 臺式顆粒制樣機
- 電熔拉伸剝離試樣制樣機
- 薄膜50點自動耐電壓強度測試儀
- 薄膜電弱點測試儀
- 復合材料超低溫拉伸性能測試儀
- 管道防腐層陰極剝離試驗機
- 柔性材料測試設備
- 絲網印刷機
- 柔性材料及器件測試系統
- 薄膜材料
- 電池材料
- 薄膜電阻綜合測試測試儀
- 絕緣及抗靜電材料電阻率儀
- 薄膜雙向拉伸儀
- 光學測試測試系統
- 進口設備
- 高頻電刀校準裝置
- 鐵電測試儀
- 航空航天測試儀
- 飽和磁性分析儀
- 摩擦納米發電機測試系統
- 電輸運性質測量系統
- 半導體材料設備
- 微流控芯片真空熱壓機
- 探針臺
- 半導體C-V特性分析儀
- 新能源和儲能
- 固態電池壓力絕緣模具套裝
- 焦耳熱測試儀
- 脈沖電閃蒸反應器
- 超快高溫爐
- 新能源線束高壓測試系統
- 新能源電池測試
- 教學儀器
- 淬冷法相平衡實驗儀
- 固相反應實驗儀
- 傳感器
- 碳材料測試儀
- 材料高溫力學測試系統
- 材料高低溫洛氏硬度計
- 先進材料測試儀器
- 擊穿及耐壓測試儀
- 無損檢測儀
- 靜電計
- 磁性測試
- 絕緣材料測試
公司名稱：北京精科智創科技發展有限公司
聯系人：謝經理
電話：010-60414386
手機：18210063398
傳真：010-60414386
郵件：2822343332@qq.com
地址：北京順義北小營
德勤報告 | 2018 AI趨勢：AI芯片更豐富，用機器學習的企業翻倍
發布時間：2017-12-15瀏覽次數：1461返回列表
2018 AI趨勢：AI芯片更豐富，用機器學習的企業翻倍
這是一個急速變化但又有很強發展銜接性的時代。
德勤在新報告Technology, Media and Telecommunications Predictions（科技、傳媒和通訊的預測）開頭這樣說。
這份報告中，德勤預測了增強現實（AR）、智能、AI芯片、機器學習、互聯網、數字傳媒等領域在2018年的大趨勢。總體來講，科技、傳媒和通訊領域內將呈現指數級進步，生活中的方方面面也將發生不易察覺的變化。
這份報告長達80頁，我們將其中與人工智能相關的兩部分編譯整理如下。在2017年的尾巴，我們提前去2018年預覽一下。
AI芯片
強大的運算力對訓練和推理神經網絡來說必不可少。
2009年，塊GPU問世，這種專門為密集型計算、高度并行計算設計的芯片，比CPU更能滿足機器學習任務的要求。自此，越來越多的類型開始豐富“AI芯片”這個新名詞。
德勤預測，2018年，GPU和CPU仍是機器學習領域的主流芯片。
GPU的市場需求量大概在50萬塊左右，在機器學習任務中對FPGA的需求超過20萬塊，而ASIC芯片的需求量在10萬塊左右。
△ GPU、FPGA和ASIC芯片需求與2016年對比圖
在年底，超過25%的數據中心中用來加速機器學習的芯片將為FPGA和ASIC芯片。
△ FPGA和ASIC芯片的市場份額超過25%
那么，每種類型的芯片到底向什么方向發展，德勤給出了詳細的預測：
機器學習優化的GPU：在2018年，GPU制造者將推出專門優化機器學習任務的特別版GPU。其實現在已經能看到這樣的案例，英偉達稱自己的Volta架構將使深度學習訓練加速12倍，在深度學習推理任務上比Pascal架構還要快6倍。
機器學習優化的CPU：在GPU市場蒸蒸日上的同時，我們也可以看到CPU公司推出機器學習專用的CPU芯片。比如英特爾Knights Mill芯片，比非機器學習優化芯片的性能提升了4倍。
機器學習優化的FPGA：在2016年，FPGA芯片的銷售額已經超過40億美元。在2017年年初報告《Can FPGAs Beat GPUs in Accelerating Next-Generation Deep Neural Networks?》中，研究人員表示在某些情況下，FPGA的速度和運算力可能比GPU還要強。
目前，微軟、亞馬遜AWS和百度也稱將FPGA用于機器學習的相關任務中。總體來說，2018年機器學習任務對FPGA的需求超過了20萬。
機器學習優化的ASIC芯片：ASIC是只執行單一任務的芯片，目前ASIC芯片的制造廠商很多。在2017年，整個產業的總收益大約在150億美元左右。
綜合各芯片廠商放出的消息，英特爾的收購的Nervana，能在2018年生產出自己的芯片。此外，日本富士通也計劃在2018年推出一款名為深度學習單元（DLU）的芯片。
TPU：TPU是谷歌為適應機器學習任務推出的ASIC芯片，適用于處理在開源的TensorFlow中的任務。在谷歌數據中心的推理任務中，TPU已經顯示出良好的性能，和CPU相比，性能可以提升10到50倍。據谷歌預測的數據顯示，2018年對TPU的需求大約在10萬塊左右。
低能耗機器學習加速芯片：德勤預測，在2018年，、平板和其他移動設備對機器學習芯片的需求量在5億左右。移動端芯片的大特點就是低能耗，GPU芯片的功率大致在250瓦左右，相比之下TPU芯片需要的功率僅為75瓦。對傳感器網絡來說，所需功率需要低于10毫瓦。
德勤預測，可能再過兩三年，低功率的機器學習芯片才能有突破性進展。
光流芯片：除了上面幾種，還有一種特殊的芯片類型，IBM的True North芯片就是一種光流芯片，它能加速機器學習任務，并且非常。不過德勤表示，現在還很難預測這種光流芯片在2018年的體量，但整體來說可能低于10萬塊，甚至低于1萬塊。
機器學習
德勤預測，在2018年，大中型企業將更加看重機器學習在行業中的應用。和2017年相比，用機器學習部署和實現的項目將翻倍，并且2020年將再次翻倍。
△ 翻倍再翻倍
在報告中，德勤重點提出了讓機器學習更廣泛應用企業中的5個重要推動力，分別為數據科學的自動化、訓練數據需求的減少、訓練速度的加快、解釋結果和本地部署等。
1. 數據科學自動化：像數據開發和特征工程這種耗時的機器學習任務，可能會占用數據科學家80%的時間。好消息是，這種繁瑣的工作正在逐步被自動化取代。從耗時的工作解放出來后，數據科學家執行機器學習試驗的時間從幾個月縮短到了幾天。自動化在一定程度上緩解了數據科學家的短缺，為企業賦予和更多活力。
2. 減少訓練數據的需求：訓練一個機器學習模型可能需要數以百萬計的數據元素，為訓練數據獲取標記數據也是一件耗時且成本高的事情。目前，已經涌現出致力于減少機器學習需要的訓練數據的技術，包括數據合成、算法生成的模擬真實數據特征等。
3. 加速訓練：正如上面所說，像GPU、FPGA等機器學習專有硬件的出現可以縮短機器學習模型的訓練時間，加速研究進展。
4. 解釋結果：雖然機器學習的進展日新月異，但機器學習模型通常存在關鍵缺陷，比如黑箱，意味著我們無法解釋其中的原理。這些不清楚讓模型無法適應更多的應用。如果黑箱消失、結果都可解釋，是機器學習應用的一大進步。
5. 本地部署：機器學習將隨著部署能力一同成長。德勤去年曾經預測，機器學習正在走進移動設備和智能傳感器，帶來智能家庭、智慧城市、無人駕駛、可穿戴技術和物聯網技術。
像谷歌、微軟、Facebook等科技巨頭正在嘗試將機器學習模型壓縮到便攜設備上，比如谷歌的TensorFlow Lite、Facebook的Caffe2Go和蘋果的Core ML。
