企业和组织通过机器学习算法来竞争,但其实还要看硬件突破.doc
《企业和组织通过机器学习算法来竞争,但其实还要看硬件突破.doc》由会员分享,可在线阅读,更多相关《企业和组织通过机器学习算法来竞争,但其实还要看硬件突破.doc(3页珍藏版)》请在三一文库上搜索。
1、企业和组织通过机器学习算法来竞争,但其实还要看硬件突破硬件又回来了!关于人工智能的炒作都是关于算法的。在机器学习领域处于领先地位的谷歌公司Deep Mind最近发表了一篇文章,其中描述了AlphaGo Zero如何从零开始成为一个围棋大师,其利用强化学习算法的先进技术,击败了之前的所有版本。然而,尽管企业和组织为引进算法设计和数据科学领域的顶尖人才而相互竞争,但真正的新闻并不是来自于比特世界,而是来自于电线、硅和电子行业:硬件又回来了!摩尔定律的扁平化首先,一个快速的历史旅程:1958年,第一个集成电路包含了2个晶体管,体积相当大,覆盖一平方厘米。到1971年,“摩尔定律”在集成芯片性能的指数
2、级增长中变得明显;2300个晶体管在同一表面上,与以前一样。到2014年,IBM P8处理器拥有多达42亿个晶体管和16个核心,所有这些覆盖在650平方毫米。在给定的硅片上,你能装多少个晶体管是有一个自然的限制的,而且我们很快就会达到这个极限。此外,机器学习应用,尤其是在模式识别(如理解语音、图像等方面)需要大量的并行处理。当谷歌宣布其算法能够识别猫的图像时,他们没有提到的是,它的软件需要16000个处理器才能运行。如果你可以在云计算的服务器上运行你的算法,这不是什么大问题,但如果你必须在一个移动设备上运行这些算法呢?这正日益成为一个重要的行业需求。在终端上运行先进的机器学习算法给用户带来了巨
3、大的优势,同时也解决了许多数据隐私问题。想象一下,如果Siri不需要做云计算,就能够处理智能手机硬件上的所有数据和算法。但是,如果你发现智能手机在几分钟通话或玩 Minecraft后变得太热,你就等着用手机来让Siri变得真正个性化。解决瓶颈问题设备变热的原因,以及我们当前计算机硬件设计的主要问题,是所谓的“冯诺依曼瓶颈”:经典的计算机架构将数据处理与数据存储分离开来,这意味着数据需要在计算过程中从一个地方转移到另一个地方。并行度通过分解计算和分布处理来解决部分问题,但你仍然需要在最后移动数据,将所有的数据都转换成期望的输出。那么,如果有一种方法可以完全消除硬件瓶颈呢?如果处理和数据在同一个地
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 企业 组织 通过 机器 学习 算法 竞争 其实 还要 硬件 突破
链接地址:https://www.31doc.com/p-3375498.html