人工智能

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

机器人文明服务内容

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

↙合作需求，请点击“阅读原文”联系

全球人工智能政策及规划详尽汇总！

2020-09-02 18:31:59

人工智能是新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎，重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。

我国政府高度重视人工智能的技术进步与产业发展，人工智能已上升国家战略。《新一代人工智能发展规划》提出“到2030年，使中国成为世界主要人工智能创新中心”。为此，我国也出台了系列政策，大力推动人工智能产业发展，以下为国内相关政策汇总：

一、国内人工智能政策及规划

1、国家层面

2、地方层面（2017年至今）

二、世界各国主要人工智能政策法规梳理

另一方面，世界各国也都将人工智能作为未来经济转型发展的重要驱动力，纷纷推出相关产业政策支持人工智能技术和产业的发展。

以上内容来自集成电路产业研究，仅供交流学习之用，感谢分享！

更多干货内容，长按扫描关注公众号！

精选阅读：

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

机器人文明服务内容

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

↙合作需求，请点击“阅读原文”联系

突发！机器人创业明星倒闭，裁员近200人！

2020-09-02 18:32:25

近日，一度“炙手可热”的机器人初创公司Anki突然宣布公司即将关闭，近200员工也被告知将在这周三被解雇，并支付一笔遣散费，相当于这些员工的一周的收入。

据机器人文明了解，此前几年中，Anki公司已经筹集了2亿多美元（相当于12亿元人民币）资金，并一度获得了苹果公司的大力推广，甚至刚被Fast Company评为“2019年度全球最具创新力企业”。如此耀眼的一家创业公司突然倒闭，也是让人匪夷所思。

Anki是一家什么公司？

据机器人文明了解，Anki由毕业于卡内基梅隆大学机器人研究所的三位博士生创立，曾是机器人学和人工智能领域炙手可热的创业公司。

公司成立于2010年，2013年推出的首款产品Anki DRIVE（智能汽车玩具）便登上了苹果WWDC，库克评价称，它“打造了一种全方位的玩具新体验”。次年，这款产品成为亚马逊上第二畅销的玩具。

由此可见，Anki自诞生以来，便受到了业界巨头的关注。而在当时，机器人也正是非常当红的产业方向。

2016年，Anki推出的小机器人Cozmo更是引领一阵热潮。它不仅成为卡内基梅隆大学官方认证的教学机器人，这个会撒娇会卖萌还有点小脾气的“戏精”机器人还在社交媒体上受到极高的关注，测评视频被刷爆。

在这一年，Anki DRIVE的二代产品Anki OVERDRIVE发布，以及Cozmo热销，Anki的名字推上了2016年假日季四大畅销高档玩具的榜单。

2017年，亚马逊玩具销售排行榜上，Cozmo成为卖得最好的那一个，这家公司透露，公司这一年的收入已经接近1亿美元。

Anki并没有在此停下脚步，2018年，他们推出了家用机器人Vector。

虽然跟Cozmo长得很像，但实际上Vector更接近市面上语音精灵类的产品，也就是说它既能实体卖萌，又能帮你拍照、计时、定闹钟。

但值得注意的是这一次Anki选择在Kickstarter上发起了众筹，官方的解释是，他们希望能将Vector放到更大的设计平台和技术社区当中。

截止到现在， Anki已经卖出了650万台机器人，仅2018年8月，就卖出了150万台。

资金断裂成最大祸首

据Recode报道， Anki首席执行官Boris Sofman周一在会议上告知其员工公司即将被迫关门停业。

至于关门的原因，Anki发言人表示：“尽管我们过去取得了成功，但我们追求各种融资途径，为我们未来的产品开发提供资金，并在我们的平台上进行扩展。一个重要的金融交易在最后阶段与战略投资者失败，我们无法达成协议。我们正在尽最大努力照顾每一位员工及其家人，我们的管理团队继续探索所有可供选择。”

Anki表示，该公司在2017年的收入接近1亿美元，预计将在2018年达到顶峰。该公司获得了超过2亿美元的风险投资资金，其中包括Andreessen Horowitz，其联合创始人Marc Andreessen曾短暂成为Anki董事会成员。据报道，Anki的高层管理人员声称亚马逊、康卡斯特和微软等巨头对其有收购兴趣，但此次收购未能实现。

据机器人文明了解，消费级机器人从2014年开始兴起，2015年引爆创业圈，2016年到达顶峰，但在2017年遇冷，其发展可谓是跌宕起伏。

对于Anki公司而言，其进入时间较早，获得资本的青睐也很正常。但从本质上讲，消费机器人并没有解决实际的应用痛点，甚至长期和“玩具”概念混在一起，主要的市场还是儿童等，缺乏快速成长的爆点。

实际上也是如此，在一股创业潮之后，TickTock 、Kuri、Jibo等消费机器人先后倒闭。而 Anki也只是这一股浪潮之后的又一家！

本文由机器人文明公众号整理，素材来自量子位、TechWeb、cnBeta等，仅供交流学习之用，感谢分享！

更多干货内容，长按扫描关注公众号！

精选阅读：

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

机器人文明服务内容

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

↙合作需求，请点击“阅读原文”联系

漫谈AI发展史及未来！

2020-09-02 18:32:30

如果从阿兰·图灵1943年首次提出“图灵机”的概念算起，AI已经经历了86年的发展史。本文以信息图的形式回顾了这70多年的标志性事件，并归纳出AI发展的几个方向和技术应用，以及10大AI企业和国家排行榜。

这篇AI“图文简史”涵盖了AI从概念起源到诞生、发展过程中的重要里程碑和技术节点，对AI技术的主要分类方式和重要技术应用方向。70年AI发展史，一文纵览。

AI大事年表（1943-2014）

1943年，阿兰·图灵发明了“图灵机“，为智能机器的判定设置了基准：”能够成功骗过人类，让后者以为自己是人类的机器，称为智能机器。”

1950年，科幻作家阿西莫夫发表短篇科幻小说集《我，机器人》，书中提出了影响深远的“机器人三原则”。

1956年，约翰·麦卡锡首次提出“人工智能”的概念，当时盛行“由上至下“的思路。即由预编程的计算机来管治人类的行为。

1968年，首个通用式移动机器人诞生，能够通过周围环境来决定自己的行动。

1969年，MIT人工实验室创始人马文·明斯基为导演斯坦利·库布里克的电影《2001漫游太空》担任顾问，塑造了片中超级智能计算机HAL9000的银幕形象。

1973年 AI“寒冬“论开始出现。在AI上的巨额投入几乎未收到任何回报和成果，对AI行业的资助开始大幅滑坡。

1981年，“窄AI”的概念诞生。更多的研究不在寻求通用智能，而转向了面向更小范围专业任务的“窄AI“领域。

1990年，Rodney Brooks提出了“由下自上”的研究思路，开发能够模拟人脑细胞运作方式的神经网络，并学习新的行为。

1997年，超级计算机“深蓝”问世，并在国际象棋人机大战中击败人类顶尖棋手、特级大师加里·卡斯帕罗夫

2002年，iRobot公司打造出全球首款家用自动化扫地机器人。

2005年，美国军方开始投资自动机器人，波士顿动力的"机器狗"是首批产品之一。

2008年，谷歌在iPhone上发布了一款语音识别应用，开启了后来数字化语音助手（Siri、Alexa、Cortana）的浪潮。

2010年，上海世博会上，来自NAO公司的20个跳舞机器人献上了一段长达8分钟的完美舞蹈。

2011年，IBM Watson在Jeopardy答题竞赛中战胜了表现最优秀的人类选手。

2014年，在图灵测试诞生64年后，一台名为Eugene Goostman的聊天机器人通过了图灵测试。谷歌向自动驾驶技术投入重金，Skype推出实时语音翻译功能。

第一种AI分类方式：强AI和弱AI

强AI，又称“通用AI”，具备通用化的人类认知能力，具备足够的智能解决不熟悉的问题。

弱AI，又称“窄AI”，指专门针对特定任务而设计和训练的AI，比如苹果的虚拟语音助手Siri。

第二种AI分类方式：从反应式机器到自我意识

反应式机器。代表性范例：深蓝。能够识别棋盘上的形势，并做出预测，但没有记忆。

有限记忆。能利用过去的记忆为未来决策提供帮助。代表性范例：自动驾驶

意志理论：能够理解影响自身决策的观点、欲求和目的。目前这类AI尚不存在。

自我意识：具有自我意识的机器，能够理解自身目前的状态，并能利用现有信息推测他人的感觉。目前这类AI也不存在。

AI技术应用举例：

自动化机器人：对机器进行编程，使其高质量地完成一般由人完成的重复性任务，同时具备对不同任务条件的适应性。

机器视觉：让计算机能够“看见”的技术，利用摄像头捕获并分析视觉信息，完成模-数转换与数字信号处理。

机器学习：让计算机在未经编程的情况下运行。机器学习的子领域之一是深度学习，其目标是实现自动化的预测性分析。

自然语言处理：利用计算机程序处理人类语言。垃圾邮件检测、文本翻译、语义分析和语音识别等都属于该领域。

机器人技术：机器人能够比人类更精确、更持久地完成困难的重复性任务。

最具优势的10大企业

1、DeepMind：目前居于AI研究企业第一位

2、谷歌：旗下设谷歌大脑团队，在每个可能的领域聚焦长期AI研发。

3、Facebook：主要关注语言领域的问题，如动态记忆，问答系统开发等。

4、OpenAI：团队规模虽然不大，配置属于全明星级别。

5、百度：在语音交互、自动驾驶等领域表现出色。

6、微软：在AI领域耕耘多年，目前聚焦实时翻译。

7、苹果：正在研发面部识别技术，分析用户面对设备上出现广告的面部反应。

8、IBM：利用AI技术从照片、视频、语音和文本中提取语义。

9、亚马逊：目前多个部门业务向AI倾斜，比如无人商店、无人机货物配送，以及Alexa语音助理等业务。

10、英伟达：机器学习计算资源和硬件领域的领军者。

全球10大AI国家

1、美国：每年有100亿风投资金进入AI领域

2、中国：在过去5年中，中国与AI相关的专利数量上涨了190%。

3、日本：制造业部门的自动化程度可能高达71%。

4、英国：英国政府每年资助1000位AI专业的博士。

5、德国：首都柏林的AI初创公司数量位居世界第四。

6、法国：到2022年，法国政府对AI行业的投资将达18亿美元。

7、加拿大：正在兴建价值1.27亿美元的AI研究设施。

8、俄罗斯：到2025年，俄罗斯30%的军事装备将实现机器人化。

9、以色列：自2014年以来，AI初创公司的数量增长了3倍。

10、爱沙尼亚：在处理与解决与AI相关的法律问题上走在世界前列。

AI 的未来

全面自动化的交通：AI技术将让未来的交通走向全面智能化和自动化。

赛博技术：AI和机器人技术将成功助我们超越认知和身体上的极限。

代替人类从事危险职业：机器人和无人机将代替我们完成炸弹拆除等危险任务，我们不必为了完成这些任务冒上生命危险。

解决气候变化问题：有朝一日，AI可以利用大数据获得判断趋势的能力，并利用这些信息解决气候变化这样的重大问题。

探索新的边界：机器人可以帮我们进一步探索太空和海洋。

预测未来：机器学习利用过去的信息预测未来，谁将开启一段浪漫之旅？谁将面临离婚等等。

本文来自新智元，仅供交流学习之用，不代表本公众号观点及主张，感谢分享！

更多干货内容，长按扫描关注公众号！

精选阅读：

7、被收购五年，与谷歌拉锯已久的Deepmind站在了十字路口

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

机器人文明服务内容

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

↙合作需求，请点击“阅读原文”联系

英特尔退出，苹果交钱！高通再一次笑到最后！

2020-09-02 18:32:32

一切都来得太突然，但又合情合理。昨天我们还在谈苹果是否使用华为5G芯片，今天苹果就与高通和解，并放弃了之前的所有诉讼。像极了一对小夫妻在争吵之后，最终选择和解，但这也苦了想插入一脚的英特尔！

美东时间4月16日下午2点55分左右，苹果和高通决定和解专利使用费的纠纷。两家公司联合发布的声明称，高通和苹果已经达成协议，放弃在全球层面的所有法律诉讼。除此之外，两家公司已经达成了为期六年的全球专利许可协议，已在2019年4月1日生效，并有两年的延期选项。苹果将向高通支付一笔一次性的款项，两家公司还达成了一份多年的芯片组供应协议，但上述具体金额均未知。

终究苹果还是离不开高通？

这一消息是在收盘前1小时左右公布。从两家的股市行情来看，高通股价大涨23%，创下1999年以来高通最大单日涨幅，市值单日增加约145亿美元，达到852.66亿美元。而苹果股价在短暂震荡之后，最终收涨0.01%。

高通股价大涨

通过资本市场的表现，我们也能非常明显地看到，此次和解对于高通而言获益更大。至于苹果，在与高通一些列诉讼之后，该买的芯片还是得买，该交的专利许可费还是得交。

根据相关资料消失，2010年到2016年之间，苹果为高通芯片支付了161亿美元，以及72.3亿美元的专利许可费。而在这期间，苹果研发投入一直在快速增长，每年数以十亿计的资金投入，大部分都花在研发各种诸如芯片、传感器的基础技术上。

由此可见，苹果对于自研芯片觊觎已久。而在取得进展之后，那些强烈依附苹果生态的供应商也就好日子到头了，其中Imagination和Dialog就是非常典型的两个案例。

而这一次，在基带芯片上，苹果显然是暂时还“离不开”高通。

虽然说早在2017年就有传闻，苹果将自主研发4G基带芯片，2018年iPhone就会采用这种4G基带技术，从而彻底放弃高通的基带芯片。但是从最后结果来看，显然苹果在4G基带芯片方面还没有做好准备。以致于在与高通撕破脸皮之后，仓促地导入英特尔基带芯片，并由此引发了消费者的抱怨。

毕竟，英特尔在基带芯片方面，还无法很好地替代高通。而在5G时代，这一现象显得愈发明显。根据之前消息，英特尔5G基带芯片出现延期，最快也得到2020年，这就导致了苹果一段时间内无法推出5G手机的尴尬。相反，2019年下半年预计将会有多款5G智能手机推出，这对于苹果而言，显然是难于接受的。

虽说苹果有很强的硬件研发能力，并且有出色的A系列处理器，但苹果并不具备基带研发能力，在挖了高通和英特尔的大量研发人才后，苹果也很难造出5G基带芯片。毕竟，基带是一个技术壁垒很高的产品。

多年前，TI、Marvell、NVidia、Freescale、Broadcom和ADI等多家企业都尝试做基带芯片，最后都没有成功。目前，能够提供5G基带的只有高通、三星、华为、联发科和英特尔等几家。这也是之前传出华为有望向苹果供货5G基带芯片的原因，放眼全球苹果的选择并不多。

在苹果与三星、华为、联发科和英特尔都传过绯闻之后，显然现在的苹果还离不开高通基带芯片。

英特尔再次折戟移动市场

就在苹果和高通发布联合声明之后，英特尔也发布了最新的消息，正式宣布退出5G智能手机市场，称将聚焦在网络基础设施和其他数据为中心业务的机会。

英特尔公告

在公告中，英特表示：“将继续向当前客户履行其现有4G智能手机基带产品线的承诺，但预计不会在智能手机领域推出5G基带芯片产品，包括最初计划于2020年推出的产品。”

英特尔CEO鲍勃·斯旺（Robert Swan）也表示：“我们对5G的机会以及网络的云化感到非常兴奋，但在智能手机调制解调器业务中，很明显没有明确的盈利机会和良好的回报。5G仍然是英特尔的战略重点，我们的团队开发了一系列有价值的无线产品和知识产权。我们正在评估实现我们创造的价值的选择，包括5G世界中各种以数据为中心的平台和设备的机会。”

至此，英特尔在移动端的尝试，再一次以“失败”告终。其实在智能手机之前，提起处理器基本上都会想到英特尔。直至今天，英特尔在PC和服务器领域，仍然是难于撼动的霸主。但是在移动市场，英特尔却始终难有大突破。

在移动芯片领域，2011年英特尔才宣布推出Atom系列处理器。与高通相比，显然是错失了先机。最要命的是，英特尔Atom系列处理器在前期出现了兼容性问题，并且工艺制程上一直落后于竞争对手，市场反馈可想而知。

到了2014年，英特尔在智能手机领域没有太大动作之后，又转向了平板电脑领域，并且祭出“补贴”大旗。这种补贴之高，在每部Atom平板上超过300元人民币，接近整部售价的1/4。虽然在强势补贴下，也取得了千万级的出货，但是合作企业很多是小品牌，并没有达到预期的效果，同时也造成了移动业务部门相当大的亏损。

回到此次事件，毫无疑问英特尔在移动市场又一次遭遇了失败。从新任CEO的表述中也可以明显看出，5G基带芯片英特尔是不准备在做了。毕竟失去苹果之后，也很难有大的手机厂商愿意给英特尔机会，高通在移动端的霸主地位依旧难于撼动！

写在最后：

可以这样说，苹果和高通重回旧好，最伤心的恐怕是英特尔了。对于苹果而言，按照近些年的一贯做法，其在基带芯片领域的研发很有可能仍在继续，毕竟完全依赖一家供应商不符合苹果供应链管理的大战略。

相爱相杀的苹果和高通，这才是“真爱”啊！

更多干货内容，长按扫描关注公众号！

精选阅读：

8、沉浮30年，这三个“顽固分子”齐获图灵奖！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

机器人文明服务内容

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

↙合作需求，请点击“阅读原文”联系

全球20家AI芯片企业对比，谁才是顶级玩家！

2020-09-02 18:32:34

2010 年以来，由于大数据产业的发展，数据量呈现爆炸性增长态势，而传统的计算架构又无法支撑深度学习的大规模并行计算需求，于是研究界对 AI芯片进行了新一轮的技术研发与应用研究。AI 芯片是人工智能时代的技术核心之一，决定了平台的基础架构和发展生态。

目前，人工智能芯片技术领域的国内代表性企业包括中科寒武纪、中星微、地平线机器人、深鉴科技、灵汐科技、启英泰伦、百度、华为等，国外包括英伟达、AMD、Google、高通、 Nervana Systems、Movidius、IBM、ARM、CEVA、MIT/Eyeriss、苹果、三星等。（以下排名不分先后）

中科寒武纪

寒武纪科技成立于 2016 年，总部在北京，创始人是中科院计算所的陈天石、陈云霁兄

弟，公司致力于打造各类智能云服务器、智能终端以及智能机器人的核心处理器芯片。阿里巴巴创投、联想创投、国科投资、中科图灵、元禾原点、涌铧投资联合投资，为全球 AI 芯片领域第一个独角兽初创公司。

寒武纪是全球第一个成功流片并拥有成熟产品的 AI 芯片公司，拥有终端 AI 处理器 IP 和云端高性能 AI芯片两条产品线。2016 年发布的寒武纪 1A 处理器（Cambricon-1A）是世界首款商用深度学习专用处理器，面向智能手机、安防监控、无人机、可穿戴设备以及智能驾驶等各类终端设备，在运行主流智能算法时性能功耗比全面超越传统处理器。

中星微

1999 年，由多位来自硅谷的博士企业家在北京中关村科技园区创建了中星微电子有限公司，启动并承担了国家战略项目——“星光中国芯工程”,致力于数字多媒体芯片的开发、设计和产业化。

2016 年初，中星微推出了全球首款集成了神经网络处理器（NPU）的 SVAC 视频编解码 SoC，使得智能分析结果可以与视频数据同时编码，形成结构化的视频码流。该技术被广泛应用于视频监控摄像头，开启了安防监控智能化的新时代。自主设计的嵌入式神经网络处理器（NPU）采用了“数据驱动并行计算”架构，专门针对深度学习算法进行了优化，具备高性能、低功耗、高集成度、小尺寸等特点，特别适合物联网前端智能的需求。

地平线机器人（Horizon Robotics）

地平线机器人成立于 2015 年，总部在北京，创始人是前百度深度学习研究院负责人余凯。

BPU（BrainProcessing Unit）是地平线机器人自主设计研发的高效人工智能处理器架构 IP，支持 ARM/GPU/FPGA/ASIC 实现，专注于自动驾驶、人脸图像辨识等专用领域。2017年，地平线发布基于高斯架构的嵌入式人工智能解决方案，将在智能驾驶、智能生活、公共安防三个领域进行应用，第一代BPU芯片“盘古”目前已进入流片阶段，预计在2018年下半年推出，能支持 1080P 的高清图像输入，每秒钟处理 30 帧，检测跟踪数百个目标。地平线的第一代 BPU采用 TSMC的 40nm工艺，相对于传统 CPU/GPU，能效可以提升 2~3个数量级（100~1,000倍左右）。

深鉴科技

深鉴科技成立于 2016 年，总部在北京。由清华大学与斯坦福大学的世界顶尖深度学习硬件研究者创立。深鉴科技于 2018年 7月被赛灵思收购。

深鉴科技将其开发的基于 FPGA 的神经网络处理器称为 DPU。到目前为止，深鉴公开发布了两款 DPU：亚里士多德架构和笛卡尔架构，其中，亚里士多德架构是针对卷积神经网络 CNN而设计；笛卡尔架构专为处理 DNN/RNN网络而设计，可对经过结构压缩后的稀疏神经网络进行极致高效的硬件加速。相对于 Intel XeonCPU 与 Nvidia TitanX GPU，应用笛卡尔架构的处理器在计算速度上分别提高 189 倍与 13 倍，具有 24,000 倍与 3,000 倍的更高能效。

灵汐科技

灵汐科技于 2018 年 1 月在北京成立，联合创始人包括清华大学的世界顶尖类脑计算研究者。公司致力于新一代神经网络处理器（Tianjic）开发，特点在于既能够高效支撑现有流行的机器学习算法（包括 CNN，MLP，LSTM 等网络架构），也能够支撑更仿脑的、更具成长潜力的脉冲神经网络算法；使芯片具有高计算力、高多任务并行度和较低功耗等优点。软件工具链方面支持由 Caffe、TensorFlow 等算法平台直接进行神经网络的映射编译，开发友善的用户交互界面。Tianjic 可用于云端计算和终端应用场景，助力人工智能的落地和推广。

启英泰伦

启英泰伦于2015年11月在成都成立，是一家语音识别芯片研发商。启英泰伦的CI1006 是基于 ASIC 架构的人工智能语音识别芯片，包含了脑神经网络处理硬件单元，能够完美支持DNN运算架构，进行高性能的数据并行计算，可极大的提高人工智能深度学习语音技术对大量数据的处理效率。

百度

百度 2017 年 8 月 Hot Chips 大会上发布了 XPU，这是一款 256 核、基于 FPGA 的云计算加速芯片。合作伙伴是赛思灵（Xilinx）。XPU 采用新一代 AI 处理架构，拥有 GPU 的通用性和 FPGA 的高效率和低能耗，对百度的深度学习平台 PaddlePaddle 做了高度的优化和加速。据介绍，XPU 关注计算密集型、基于规则的多样化计算任务，希望提高效率和性能，并带来类似 CPU的灵活性。但目前 XPU有所欠缺的仍是可编程能力，而这也是涉及 FPGA 时普遍存在的问题。到目前为止，XPU尚未提供编译器。

华为

麒麟 970 搭载的神经网络处理器 NPU 采用了寒武纪 IP。麒麟 970 采用了 TSMC 10nm工艺制程，拥有 55亿个晶体管，功耗相比上一代芯片降低 20%。CPU架构方面为 4核 A73+4核 A53组成 8核心，能耗同比上一代芯片得到 20%的提升；GPU方面采用了 12 核 Mali G72 MP12GPU，在图形处理以及能效两项关键指标方面分别提升 20%和 50%；NPU采用 HiAI移动计算架构，在 FP16下提供的运算性能可以达到1.92 TFLOPs，相比四个 Cortex-A73核心，处理同样的 AI任务，有大约具备 50 倍能效和 25 倍性能优势。

英伟达（Nvidia）

英伟达创立于 1993 年，总部位于美国加利福尼亚州圣克拉拉市。早在 1999 年，英伟达发明了 GPU，重新定义了现代计算机图形技术，彻底改变了并行计算。

深度学习对计算速度有非常苛刻的要求，而英伟达的 GPU 芯片可以让大量处理器并行运算，速度比 CPU 快十倍甚至几十倍，因而成为绝大部分人工智能研究者和开发者的首选。自从 Google Brain采用 1.6万个 GPU核训练 DNN模型，并在语音和图像识别等领域获得巨大成功以来，英伟达已成为 AI芯片市场中无可争议的领导者。

AMD

美国 AMD 半导体公司专门为计算机、通信和消费电子行业设计和制造各种创新的微处理器（CPU、GPU、APU、主板芯片组、电视卡芯片等），以及提供闪存和低功率处理器解决方案，公司成立于 1969 年。AMD 致力为技术用户——从企业、政府机构到个人消费者——提供基于标准的、以客户为中心的解决方案。

2017年 12 月 Intel和 AMD宣布将联手推出一款结合英特尔处理器和 AMD图形单元的笔记本电脑芯片。目前 AMD拥有针对AI和机器学习的高性能Radeon Instinc加速卡，开放式软件平台 ROCm等。

Google

Google 在 2016 年宣布独立开发一种名为 TPU 的全新的处理系统。TPU 是专门为机器学习应用而设计的专用芯片。通过降低芯片的计算精度，减少实现每个计算操作所需晶体管数量的方式，让芯片的每秒运行的操作个数更高，这样经过精细调优的机器学习模型就能在芯片上运行得更快，进而更快地让用户得到更智能的结果。在 2016 年 3 月打败了李世石和 2017年 5月打败了柯杰的阿尔法狗，就是采用了谷歌的 TPU系列芯片。

Google I/O-2018开发者大会期间，正式发布了第三代人工智能学习专用处理器 TPU 3.0。 TPU3.0 采用 8 位低精度计算以节省晶体管数量，对精度影响很小但可以大幅节约功耗、加快速度，同时还有脉动阵列设计，优化矩阵乘法与卷积运算，并使用更大的片上内存，减少对系统内存的依赖。速度能加快到最高 100PFlops（每秒 1000万亿次浮点计算）。

高通

在智能手机芯片市场占据绝对优势的高通公司，也在人工智能芯片方面积极布局。据

高通提供的资料显示，其在人工智能方面已投资了 Clarifai公司和中国“专注于物联网人工智能服务”的云知声。

而早在 2015 年 CES 上，高通就已推出了一款搭载骁龙 SoC 的飞行机器人—— Snapdragon Cargo。高通认为在工业、农业的监测以及航拍对拍照、摄像以及视频新需求上，公司恰好可以发挥其在计算机视觉领域的能力。此外，高通的骁龙 820芯片也被应用于 VR 头盔中。事实上，高通已经在研发可以在本地完成深度学习的移动端设备芯片。

Nervana Systems

Nervana创立于 2014年，公司推出的 The Nervana Engine是一个为深度学习专门定制和优化的 ASIC芯片。这个方案的实现得益于一项叫做 High Bandwidth Memory的新型内存技术，这项技术同时拥有高容量和高速度，提供 32GB 的片上储存和 8TB 每秒的内存访问速度。该公司目前提供一个人工智能服务“in the cloud”，他们声称这是世界上最快的且目前已被金融服务机构、医疗保健提供者和政府机构所使用的服务。他们的新型芯片将会保证 Nervana云平台在未来的几年内仍保持最快的速度。

Movidius（被 Intel收购）

2016 年 9 月，Intel 发表声明收购了 Movidius。Movidius 专注于研发高性能视觉处理芯片。其最新一代的 Myriad2 视觉处理器主要由 SPARC 处理器作为主控制器，加上专门的 DSP 处理器和硬件加速电路来处理专门的视觉和图像信号。这是一款以 DSP 架构为基础的视觉处理器，在视觉相关的应用领域有极高的能耗比，可以将视觉计算普及到几乎所有的嵌入式系统中。

该芯片已被大量应用在 Google 3D 项目的 Tango 手机、大疆无人机、FLIR 智能红外摄像机、海康深眸系列摄像机、华睿智能工业相机等产品中。

IBM

IBM 很早以前就发布过 watson，投入了很多的实际应用。除此之外，还启动了类脑芯片的研发，即 TrueNorth。

TrueNorth 是 IBM 参与 DARPA 的研究项目 SyNapse 的最新成果。SyNapse 全称是 Systems of Neuromorphic Adaptive Plastic Scalable Electronics（自适应可塑可伸缩电子神经系统，而 SyNapse 正好是突触的意思），其终极目标是开发出打破冯·诺依曼体系结构的计算机体系结构。

ARM

ARM 推出全新芯片架构 DynamIQ，通过这项技术，AI 芯片的性能有望在未来三到五年内提升 50倍。

ARM的新CPU架构将会通过为不同部分配置软件的方式将多个处理核心集聚在一起，这其中包括一个专门为 AI算法设计的处理器。芯片厂商将可以为新处理器配置最多 8个核心。同时为了能让主流 AI在自己的处理器上更好地运行，ARM还将推出一系列软件库。

CEVA

CEVA 是专注于 DSP 的 IP 供应商，拥有众多的产品线。其中，图像和计算机视觉 DSP 产品CEVA-XM4是第一个支持深度学习的可编程DSP，而其发布的新一代型号CEVA-XM6，具有更优的性能、更强大的计算能力以及更低的能耗。

CEVA 指出，智能手机、汽车、安全和商业应用，如无人机、自动化将是其业务开展的主要目标。

MIT/Eyeriss

Eyeriss 事实上是 MIT 的一个项目，还不是一个公司，从长远来看，如果进展顺利，很可能孵化出一个新的公司。

Eyeriss 是一个高效能的深度卷积神经网络（CNN）加速器硬件，该芯片内建 168 个核心，专门用来部署神经网路（neural network），效能为一般 GPU的 10 倍。其技术关键在于最小化 GPU 核心和记忆体之间交换数据的频率（此运作过程通常会消耗大量的时间与能量）：一般 GPU 内的核心通常共享单一记忆体，但 Eyeriss 的每个核心拥有属于自己的记忆体。

目前，Eyeriss 主要定位在人脸识别和语音识别，可应用在智能手机、穿戴式设备、机器人、自动驾驶车与其他物联网应用装置上。

苹果

在 iPhone 8和 iPhone X的发布会上，苹果明确表示其中所使用的 A11处理器集成了一个专用于机器学习的硬件——“神经网络引擎（Neural Engine）”，每秒运算次数最高可达 6000 亿次。这块芯片将能够改进苹果设备在处理需要人工智能的任务时的表现，比如面部识别和语音识别等。

三星

2017 年，华为海思推出了麒麟 970 芯片，据知情人士透露，为了对标华为，三星已经

研发了许多种类的人工智能芯片。三星计划在未来三年内新上市的智能手机中都采用人工智能芯片，并且他们还将为人工智能设备建立新的组件业务。三星还投资了 Graphcore、深鉴科技等人工智能芯片企业。

更多干货内容，长按扫描关注公众号！

精选阅读：

7、被收购五年，与谷歌拉锯已久的Deepmind站在了十字路口

8、沉浮30年，这三个“顽固分子”齐获图灵奖！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

机器人文明服务内容

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

↙合作需求，请点击“阅读原文”联系

对比英伟达、AMD 及英特尔等：如何选择适合的GPU？

2020-09-02 18:32:36

深度学习是一个对算力要求很高的领域。GPU的选择将从根本上决定你的深度学习体验。

一个好的GPU可以让你快速获得实践经验，而这些经验是正是建立专业知识的关键。如果没有这种快速的反馈，你会花费过多时间，从错误中吸取教训。

那么，现在问题来了。

如果你想购买新的GPU，应该关注哪些指标呢？GPU RAM，内核，还是Tensor Core？

各种厂商五花八门。英伟达，英特尔，还是谷歌？我又应该选择哪家的产品？

本文将深入研究这些问题，并将为你提供建议，帮助你做出适合的选择。

本文结构如下：

首先，我会讨论拥有多个GPU的用处，然后讨论所有相关的硬件选项，如英伟达和AMD GPU，Intel Xeon Phis，Google TPU和初创公司的硬件。然后我会讨论哪些GPU规格指标是深度学习性能的良好指标。最后，我会总结GPU的选购建议。

只想阅读最终采购建议的同学可以直接跳到文末。

多个GPU能让我的训练更快吗？

我的核心观点是，卷积和循环网络很容易并行化，特别是当你只使用一台计算机或4个GPU时。然而，包括Google的Transformer在内的全连接网络并不能简单并行，并且需要专门的算法才能很好地运行。

图1：主计算机中的设置：你可以看到三个GPU和一个InfiniBand网卡。这是一个很好的深度学习配置吗？

像TensorFlow和PyTorch这样的现代库非常适合并行化循环和卷积网络。以卷积为例，2/3/4 块GPU的期望加速大约分别是1.9x / 2.8x / 3.5x。对于循环网络，序列长度是最重要的参数，在常见的NLP问题中，对应的加速比与卷积网络相似或稍差。

然而，全连接网络（包括Transformer）通常具有较差的数据并行性能，并且需要更高级的算法来加速网络的这些部分。如果你在多个GPU上运行Transformer，你应该也尝试在单个GPU上运行，并比较查看是否真的有加速。

在不考虑并行性的情况下使用多个GPU

除了并行运算，拥有多个GPU能带来的更显著帮助是，让你可以在每个GPU上单独运行多个算法或实验。

高效的超参数搜索是多个GPU的最常见用途。虽然你没有获得加速，但你可以获得有关不同超参数设置或不同网络架构的性能的更快信息。这对新手来说也非常有用，因为你可以快速获得训练不熟悉的深度学习架构的见解和经验。

以这种方式使用多个GPU通常比通过数据并行在多个GPU上运行单个网络更有用。购买多个GPU时，请记住这一点：当你购买多个GPU时，用于提高并行性的指标（如PCIe通道数量）并不重要。

另外，请注意，单个GPU应该足以满足几乎所有任务的要求。单GPU的体验范围与4个 GPU的体验不会差太多。唯一的区别是，你可以在给定时间内使用多个GPU运行更多实验。

你该如何选择：英伟达 vs AMD vs 英特尔 vs 谷歌 vs 亚马逊 vs 微软 vs 初创公司

英伟达：领导者

英伟达的标准库使得在CUDA中建立第一个深度学习库非常容易，而AMD的OpenCL没有这样强大的标准库。这一早期优势与英伟达强大的社区支持相结合，迅速增加了CUDA社区的规模。这意味着只要你使用英伟达 GPU，如果出现问题，你将很容易找到支持；如果你自己编写CUDA，你会找到支持和建议；并且你会发现大多数深度学习库都对英伟达 GPU提供最佳支持。在过去的几个月里，英伟达仍将更多的资源投入到软件中。例如，Apex库支持在PyTorch中实现稳定的16位梯度，还包括融合快速优化器，如FusedAdam。总的来说，软件是英伟达 GPU非常强大的一步。

另一方面，英伟达现在有一项政策，即只允许Tesla GPU在数据中心使用CUDA，而不允许GTX或RTX卡。目前外界尚不清楚“数据中心”的严格定义，但这意味着，由于担心法律问题，组织和大学将被迫购买价格昂贵且性价比低的Tesla GPU。然而，Tesla卡与GTX和RTX卡相比没有真正的优势，成本却高达10倍。

英伟达可以在没有任何重大阻力的情况下做到这一点，正表明了他们垄断的力量——他们可以随心所欲地做，我们必须接受这些条款。如果你选择了英伟达 GPU在社区和支持方面的主要优势，你也需要同时接受随时可能出现的各种限制。

AMD：功能强大但缺乏支持

HIP通过ROCm将英伟达和AMD GPU统一为一种通用编程语言，在编译成GPU组件之前编译成相应的GPU语言。如果我们将所有GPU代码都放在HIP中，这将是一个重要的里程碑，但这很困难，其中就包含了移植TensorFlow和PyTorch代码库。 TensorFlow和PyTorch对AMD GPU有一些支持，所有主要网络都可以在AMD GPU上运行，但如果你想开发新网络，可能会遗漏一些细节，这可能会阻止你实现你需要的东西。 ROCm社区也不是太大，因此很难直接解决问题。 AMD对他们的深度学习软件投入很少，因此不能指望英伟达和AMD之间的软件差距将在未来缩小。

目前，AMD GPU的性能还可以。它们现在具有16位计算能力，这是一个重要的里程碑，但英伟达 GPU的Tensor核心为Transformer和卷积网络提供了更高的计算性能（不过对于词级循环网络而言，没有提高那么多）。

总的来说，我认为对于那些只希望GPU能够顺利运行的普通用户，我不太推荐AMD GPU。更有经验的用户应该可以减少问题，并且通过支持AMD GPU和ROCm / HIP开发人员，他们有助于打击英伟达的垄断地位，因为这将使每个人长期受益。如果你是GPU开发人员并希望为GPU计算做出重要贡献，那么AMD GPU可能是长期发挥良好影响力的最佳方式。对于其他所有人来说，英伟达 GPU可能是更安全的选择。

英特尔：努力追赶

以我的亲身经历而言，我对英特尔Xeon Phis非常失望，我不认为它们是英伟达或AMD显卡的真正竞争对手，因此我只简单描述一下：如果你决定使用Xeon Phi，你可能会遇到以下问题：很差的技术支持，代码运行得比CPU还慢，编写优化代码困难，没有完全支持C ++ 11特性，不支持某些重要的GPU设计模式，难以兼容依赖BLAS例程的其他库（NumPy和SciPy）等等。

除了Xeon Phi之外，我非常期待英特尔的Nervana神经网络处理器（NNP），因为它的规格对GPU开发人员而言非常强大，并且它将允许新的算法，这可能重新定义神经网络的使用方式，但这一项目已经无休止地延迟，有传言称大部分研发都打了水漂。NNP计划于2019年第三季度/第四季度开始。如果你想等待那么长时间，请记住，从AMD和英特尔自己的Xeon Phi可以看出，好的硬件并非一切。可能直到2020年或2021年，NNP才有能力与GPU或TPU竞争。

谷歌：强大，廉价的按需处理

Google TPU已发展成为一种非常成熟的基于云的产品，具有成本效益。理解TPU的最简单方法是将其视为打包在一起的多个专用GPU——而且只为了一个目的：进行快速矩阵乘法。如果我们看一下Tensor-Core-enabled V100与TPU v2的性能指标，我们发现两个系统在运行ResNet50模型时的性能几乎相同。

但是，Google TPU更具成本效益。由于TPU具有复杂的并行化基础架构，如果你使用多于1个云TPU（相当于4个GPU），TPU将比GPU具有更大的速度优势。

尽管仍在试验中，但PyTorch现在也支持TPU了，这将有助于加强TPU社区和生态系统。

TPU仍然存在一些各种各样的问题，例如，2018年2月的一份报告称，当使用LSTM时TPUv2没有收敛。我至今没有找到该问题已经解决的报道。

另一方面，在TPU上训练大型Transformer取得了巨大成功。GPT-2，BERT和机器翻译模型可以在TPU上非常有效地进行训练。根据我的估计，TPU比GPU快约56％，并且由于它们与云GPU相比价格较低，因此它们是大型Transformer项目的绝佳选择。

然而，在TPU上训练大型模型的一个问题可能是累积成本。TPU具有高性能，最适合在训练阶段使用。在原型设计阶段，你应该关闭云端来降低成本。因此，最佳选择是，在你的个人GPU上进行原型设计，然后在TPU训练最终模型。

总而言之，目前TPU似乎最适合用于训练卷积网络或大型Transformer，并且应该结合其他计算资源共同使用，而不是作为主要的深度学习资源。

亚马逊AWS和微软Azure：可靠但昂贵

来自Amazon AWS和微软Azure的GPU实例非常具有吸引力，因为你可以根据需要轻松扩展和缩小实例。这对于赶paper或者更大的一次性项目非常有用。然而，与TPU类似，成本会随实例数增长而迅速累加。目前，GPU云实例太昂贵而无法单独使用，我建议在云中启动最终训练工作之前，使用一些专用的廉价GPU进行原型设计。

初创公司：具有革命性的硬件概念但缺乏软件

有一系列初创公司旨在生产下一代深度学习硬件。这些公司通常拥有出色的理论设计，然后被谷歌、英特尔或其他公司收购，以获得完成设计和生产芯片所需的资金。下一代芯片的开发成本十分昂贵（约10亿美元）。一旦这个阶段完成，软件就成了主要问题。目前，还没有初创公司能够生产出适用于当前深度学习硬件的软件。需要开发一个完整的软件套件才能具有竞争力，这一点从AMD与英伟达的例子中可以清楚地看出：AMD拥有出色的硬件，但只有90％的软件——这还不足以与英伟达竞争。

目前，没有任何公司能够完成所有的硬件和软件步骤。英特尔NNP可能是最接近的，但目前来看，我们不能指望在2020年或2021年之前出现有竞争力的产品。所以目前我们需要继续使用GPU和TPU。

因此，你就先别指望初创公司的新硬件了。

一个优秀的GPU应该拥有什么性能？

训练深度学习模型时，GPU性能中最重要的特性到底是什么？是CUDA Core吗？还是时钟频率？或是RAM大小？

GPU的选择实在令人困惑：16位计算能力，Tensor Core，没有Tensor Core的16位GPU，多代GPU仍然可行（Turning，Volta，Maxwell）。

所幸我们仍然有一些可靠的性能指标，我们可以使用这些指标作为经验法则。这里有一些针对不同深度学习架构的优先级指南：

卷积网络和Transformer：Tensor Core> FLOP>存储器带宽> 16位计算能力

循环网络：存储器带宽> 16位计算能力>Tensor Core> FLOP

解释如下：如果我想使用卷积网络，我应该首先优先考虑具有Tensor Core的GPU，然后是高FLOP指数，然后是高内存带宽，然后是具有16位计算能力的GPU 。在确定优先级时，你也需要根据模型大小选择具有足够内存的GPU。

为什么优先级是这样的呢？

GPU可以快速实现两个最重要的张量操作：矩阵乘法和卷积。

考虑矩阵乘法A * B = C。将A，B的存储器复制到芯片上比计算A * B更昂贵。这意味着，如果你想使用LSTM和其他经常进行大量小矩阵乘法的循环网络，则内存带宽是GPU最重要的特性。矩阵乘法越小，内存带宽就越重要。

相反，卷积受计算速度的约束。因此，GPU上的TFLOP是ResNets和其他卷积架构性能的最佳指标。Tensor Core可以明显增加FLOP。

图2：GPU和TPU的标准化性能数据。越高越好。RTX卡假定16位计算。RNN编号指的是长度小于100的短序列的biLSTM性能。使用PyTorch 1.0.1和CUDA 10完成基准测试。

性价比分析

GPU的性价比可能是选择GPU的最重要标准。本文的性能分析如下：

1.对于Transformer，我对Transformer-XL和BERT进行了基准测试。

2.对于词级和字符级RNN，我对最先进的biLSTM模型进行了基准测试。

3.（1）和（2）中的基准测试是针对Titan Xp，Titan RTX和RTX 2080 Ti进行的。对于其他卡，我线性地缩放了性能差异。

4.我使用现有的CNN基准。

5.我使用亚马逊和eBay的平均成本作为GPU的参考成本。

图3：卷积网络（CNN），循环网络（RNN）和Transformer的标准化性能/成本。越高越好。RTX 2060的成本效率是Tesla V100的5倍以上。RNN编号指的是长度小于100的短序列的biLSTM性能。使用PyTorch 1.0.1和CUDA 10完成基准测试。

从这些数据中，我们看到RTX 2060比RTX 2070，RTX 2080或RTX 2080 Ti更具性价比。为什么会这样呢？使用Tensor Core进行16位计算的能力远远超过拥有更多Tensor Core核心的更大的硬件。使用RTX 2060，你可以以最低的价格获得这些功能。

然而，这种分析存在一些应该考虑的偏差：

1.这种分析强烈倾向于较小的显卡。较小而经济高效的GPU可能没有足够的内存来运行你真正感兴趣的模型！

2.GTX 10xx卡标价过高：目前，由于游戏玩家不喜欢RTX卡，GTX 10XX卡似乎加价格被哄抬过高。

3.单GPU偏置：一台具有4个低成本卡（4x RTX 2080 Ti）的计算机比具有最高成本/效率卡（8x RTX 2060）的2台计算机更具性价比。

警告：多GPU RTX发热问题

如果你使用多个彼此相邻的GPU，那么RTX 2080 Ti和其他具有标准双风扇的RTX GPU就存在问题了——尤其是一台计算机中的多个RTX 2080 Ti。多个RTX 2080和RTX 2070也会受到影响。

RTX卡上的风扇是由英伟达开发的一种新设计，用于改善运行单GPU的游戏玩家的体验（静音，低发热）。但是，如果你使用具有此开放式双风扇设计的多个GPU，那么这种设计非常糟糕。如果你想使用多个彼此相邻的RTX卡（直接在下一个PCIe插槽中），那么你应该获得具有“鼓风式”单风扇设计的版本。对于RTX 2080 Ti卡尤其如此。华硕和PNY目前市场上有RTX 2080 Ti型号，带有鼓风式风扇。如果你使用两个RTX 2070，你可以使用任何风扇，但是，我仍愿意选择使用一个鼓风式风扇，以便在彼此旁边运行2个以上的RTX 2070。

所需内存大小和16位训练

GPU上的内存对于某些应用程序（如计算机视觉，机器翻译和某些其他NLP应用程序）至关重要，你可能认为RTX 2070具有性价比，但其内存太小，只有8 GB。但请注意，通过16位训练，你几乎可以拥有16 GB的内存。任何标准型号都可以被轻松放入RTX 2070。

RTX 2080和RTX 2080 Ti也是如此。但请注意，在大多数软件框架中，16位运算并非默认选项，因为某些框架以32位存储权重以执行更精确的梯度下降。一个好的经验法则是，使用16位计算往往可以节省50％的内存。因此，16位8GB内存的大小与12 GB 32位内存大致相当。

GPU推荐

目前，我的主要建议是购买RTX 2070 GPU并使用16位训练。我永远不会建议购买XP Titan，Titan V，任何Quadro显卡或任何Founders Edition GPU。但是，有一些特定的GPU也有它们的用武之处：

1.如果要额外内存的话，我建议使用RTX 2080 Ti。如果你真的需要大量的内存，RTX Titan是最好的选择——但要确保你真的需要那么多内存！

2.如果想要额外的性能，我建议使用RTX 2080 Ti。

3.如果你缺钱，我会推荐eBay上的任何便宜的GTX 10XX卡（取决于你需要多少内存）或RTX 2060。如果太贵，可以看看Colab。

4.如果你只想入门深度学习，GTX 1060（6GB）是一个很好的选择。

5.如果你已经拥有GTX 1070或更高版本，请再等等。除非你使用大型Transformer，否则升级是不值得的。

6.如果你想快速学习深度学习，建议使用多个GTX 1060（6GB）。

云端深度学习

AWS / Azure上的GPU实例和Google Cloud中的TPU都是深度学习的可行选择。虽然TPU稍微便宜一点，但它缺乏云GPU的多功能性和灵活性。

TPU可能是训练物体识别或Transformer模型的首选武器。对于其他工作负载，云GPU是更安全的选择——云实例的好处是你可以随时在GPU和TPU之间切换，甚至可以同时使用两者。

但是，请注意这样做的代价：如果你一直使用AWS / Azure完成工作，那么你将无法学到如何在个人GPU上工作的技能，并且你也无法获得使用TPU的技能。如果你一直使用个人GPU，则无法学会通过云扩展到更多GPU / TPU的技能。

如果你使用TPU，当你需要完整功能时，你可能就只能使用TensorFlow了。学习云GPU / TPU工作流的代价是很高，如果你正在面临TPU、云GPU和个人GPU的选择，你应该意识到这个代价。

另一个问题是，何时使用云服务？如果你试图学习深度学习，或者你需要搭建原型，那么个人GPU可能是最好的选择，因为云实例可能很昂贵。

但是，一旦你找到了良好的深度网络配置，并且你只想使用数据并行性训练模型，那么使用云实例是一种可靠的方法。小型GPU足以进行原型设计，而人们可以依靠云计算的强大功能来扩展到更大的实验。

如果你的资金不足，云计算实例也可能是一个很好的解决方案：在CPU上进行原型设计，然后在GPU / TPU实例上实验，以便快速进行训练。这不是最好的工作流程，因为在CPU上做原型设计十分痛苦，但它可以是一个具有高性价比的替代方案。

结论

总的来说，在GPU选取上，我推荐以下三个策略：

1.坚持使用GTX 1070或更好的GPU

2.购买RTX GPU

3.使用某种GPU进行原型设计，然后在TPU或云GPU上进行并行训练。

更多建议：

最佳GPU：RTX 2070

最差GPU：任何Tesla卡、任何Quadro卡、任何初创公司的卡; Titan RTX，Titan V，Titan XP

高性价比但价格昂贵：RTX 2070

高性价比且价格便宜：RTX 2060，GTX 1060（6GB）

有点小钱：GTX 1060（6GB）

没钱：GTX 1050 Ti（4GB）或者：CPU（原型）+ AWS / TPU（训练）；或者Colab。

参加Kaggle：RTX 2070。如果你没有足够的钱，可以从eBay购买GTX 1060（6GB）或GTX Titan（Pascal）进行原型设计，然后使用AWS进行最终训练。使用fastai库。

计算机视觉或机器翻译研究员：GTX 2080 Ti（采用鼓风机设计）。如果你训练非常大的网络，请使用RTX Titans。

NLP研究员：16位的RTX 2080 Ti。

想认真学习深度学习：从RTX 2070开始。在6-9个月后购买更多RTX 2070。根据你接下来选择的领域（创业，Kaggle，研究，应用深度学习），卖掉你的GPU，并在大约两年后购买更合适的东西。

只想玩一玩试深度学习：GTX 1050 Ti（4或2GB）。这通常适合你的标准桌面，不需要新的PSU。如果装得下的话，不要购买新电脑。

来源：大数据文摘，感谢分享！

更多干货内容，长按扫描关注公众号！

精选阅读：

7、被收购五年，与谷歌拉锯已久的Deepmind站在了十字路口

8、沉浮30年，这三个“顽固分子”齐获图灵奖！

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

机器人文明服务内容

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

↙合作需求，请点击“阅读原文”联系

三分钟看懂2019全球AI人才报告!

2020-09-02 18:32:39

【导读】最新的2019年全球AI人才流动报告显示，全球约有44%的AI人才在美国获得的博士学位，在中国获得博士学位的人才占比不到11%，并且，培养更多的AI博士并不一定会让本国受益。

有很多证据表明，顶级AI人才供不应求。然而，这类人才究竟有多么稀缺，或者他们都集中在世界各地哪些地方，却几乎不为人知。

近日，加拿大Element AI首席执行官发布了最新的2019年《全球AI人才流动报告》，对AI人才的数量、分布范围等情况做了总结，可以说是目前最全的报告，主要采集了三个数据源。

AI领域21个主要学术会议发表的论文，比如AAAI、CVPR等，并分析了作者的概括。
有针对性地分析了LinkedIn搜索结果，这些搜索显示了有多少人自称拥有博士学位，以及世界各地要求哪些AI技能。
参考了外部报告和其他辅助来源，以帮助了解背景，并更好地了解全球人工智能领域快速变化的人才库。

报告研究结果显示，2018年，在机器学习领域一个或多个顶级会议上发表论文的人数达到2.24万人，比2015年增长了36%，仅去年一年就增长了19%。LinkedIn上个人资料的补充调查显示，共有36524人符合AI专家资格，这比2018年的报告增长了66%。

中国方面：

在中国获得博士学位的论文作者占比接近11%，全球排第二；
超过11%的AI人才在中国工作，在就业人数最多的国家中排名第二；
顶级AI研究人员有225位集中在中国，数量排名世界第二。

报告还提出了一些有价值的观点和现象。比如培养那么多AI博士，不一定会让本国受益、AI顶级会议中女性总体占比仅18%，性别失衡严重。

以下是详细报告。

暴增：论文三年涨三成，会议人均千位作者

这项AI人才报告的主要数据来源是机器学习领域的学术会议，报告一共涵盖了21个会议，调查了过去一年在该领域主要国际学术会议上发表论文的作者。

这21个会议分别是：

计算语言学协会北美分会年会 (NAACL)
人工智能促进协会会议 (AAAI)
计算语言学协会会议 (ACL)
计算机视觉及模式识别会议 (CVPR)
自然语言处理经验方法会议 (EMNLP)
学习理论研讨会 (COLT)
神经信息处理系统会议 (NeurIPS)
人工智能不确定性会议 (UAI)
遗传和进化计算会议 (GECCO)
国际声学、语音和信号处理会议 (ICASSP)
国际人工智能与统计会议 (AISTATS)
自主智能体和多智能体系统国际会议 (AAMAS)
国际计算机视觉会议 (ICCV)
智能机器人与系统国际会议 (IROS)
国际机器学习会议 (ICML)
医学图像计算与计算机辅助干预国际会议 (MICCAI)
国际机器人与自动化会议 (ICRA)
国际人工智能联合会议 (IJCAI)
Interspeech
机器人学: 科学与系统 (RSS)
计算机视觉应用冬季会议 (WACV)

结果显示，2018年在上述一个或多个以上顶会上发表论文的作者有22400人，这意味着平均每个会议有超过一千人位作者。

AI研究人员Top 5的国家 (在所调查的21个顶会上发表论文的作者人数)：

美国：15747 人
中国：2725 人
英国：1475 人
德国：935 人
加拿大：815 人

作为比较，报告也统计了2015、2016和2017年这三年在同样21个会议上发表论文的作者数据，结果显示出明显的增长趋势：与2015年相比，作者数量增长36%，与2017 年相比，增长了19%。研究也在增加：在这21个会议上发表的论文总数比2015年增加了25%，比前一年增加了16%。

同时，同行评议论文的数量也同步增长：比2015年增长25%，比去年增长16%。

不过，在这些会议上发表论文的研究人员中，女性比例十分不足，仅占18%。

在调查的 21 个会议的所有作者中，女性占 18%。西班牙、中国台湾和新加坡的女性作者比例最高，但从绝对数量来看，美国的女性作者几乎占了一半。

斯坦福大学不久前发布的AI Index 2018 Report也显示了同样的情况，女性在本科人工智能和机器学习课程中的比例也很低：

斯坦福大学2017年开设的人工智能入门课程中，74%是男性；
加州大学伯克利分校开设的这门课程中，男性比例为73%。

参加机器学习入门课程的女性比例更低，在斯坦福和加州大学伯克利分校的学生中，男性分别占76%和79%。同一份报告还发现，在美国，申请AI类工作的大多数是男性，占比71%。

从绝对数量看，美国是女性作者最多的国家，其次是中国、英国、德国、加拿大、法国、澳大利亚、印度、意大利和新加坡。

近半论文作者在美国获博士学位，中国仅11%

对会议论文作者的数据分析也能对作者在哪里接受教育进行一些观察。

首先，发表论文的作者中，在美国获得博士学位的人数最多：有44%以上的作者在美国获得博士学位。

其次，在中国获得博士学位的作者占比接近11%，紧随其后的是英国 (6%)、德国 (5%)和加拿大、法国和日本 (4%)。

就业数据也有类似的地理分布。

调查显示，美国雇主继续吸引研究人员前来工作，其中46%的人为美国雇主工作；超过11%的人在中国工作，在就业人数最多的国家中排名第二，其次是英国 (7%)。加拿大、德国和日本各占4%。

AI 专家工作的地方。美国、中国、英国、德国和加拿大这5个国家的作者数量占了总数达到72%。

总的来说，18个最大的国家占了作者总数的94%。排名前五的国家——美国、中国、英国、德国和加拿大——占了作者总数的72%。

此外，会议论文作者样本中在学术界工作 (77%)，23%在工业界工作。

培养那么多AI博士，并不一定会让本国获益

数据显示，有大约27%的拥有博士学位的研究人员，其雇主所在国和学位获取国是不同的国家。在报告中超过150人的国家，这一比例上升至32%。这是为何？

首先，数据显示，有些国家对于深度学习领域的研究人员具有特别大的吸引力。美国公司最有可能吸引海外学成的博士为自己工作，中国排名第二位，中国吸引的研究人员的绝对数量大约相当于美国的四分之一。

数据显示，以下十个国家或地区的AI人才流入比例要高于流出比例，分别为：中国台湾地区、瑞典、韩国、西班牙、美国、瑞士、中国、日本、英国和澳大利亚。

在本国AI人才在外国接受学术训练的比例上，瑞士、瑞典和英国排名前三，比例分别为50%、49%和44%。

AI人才流入率和流出率这两个指标可以在一定程度上反映一个国家吸引外来AI人才和留住本地AI人才的能力。

如上图所示，用X轴表示人才流入，Y轴表示人才流出，数值表示与均值的标准差。本图中将全球国家或地区划分为4类

“AI人才吸引国”：位于图中右上角的是澳大利亚、西班牙、瑞典和中国台湾地区，该区域表示这些国家的AI人才呈净流入趋势，说明这些国家或地区在吸引外来人才和留住本国（或本地区）的AI人才上方面都具有优势。

“AI人才产生国”：左下方的主要国家是法国和以色列，这两国AI人才流出比例大于流入比例，并高于本国AI人才库的比例。不过，从图中位置看，这两个国家AI人才流出仅仅比流入略低，净流出很少。

“AI人才锚定国”：美国的AI人才流出率和流入率都很低，基本上对本国的AI人才库不构成大的影响，在绝对数量上，美国仍是世界AI人才的最大聚居地，美国的AI人才库总体保持稳定。同样具备这一特点的国家还有中国、德国、日本、印度、韩国和意大利等。

“AI人才平台国”：最后，还有一类国家的AI人才流出和流入比例都在上升，这些国家正在吸引越来越多的海外AI人才，同时其本国博士生的向外流动也高于平均水平。考虑到这些生态系统的状态和趋势，处于这一类型的国家包括加拿大、荷兰、新加坡、瑞士和英国等。

顶级研究基本被大国垄断：美、中、英位居前三

今年的调查发现，顶级国际学术会议的作者总数比去年增加了19％。为了评估这些作者目前在该领域的影响，报告分析了他们2017年和2018年发表论文的引用情况：

有18％的顶级学术会议作者的研究对该领域产生了显著影响，他们的知识足够深入，可以继续为该研究领域做出实质性贡献，这些专家也可能是致力于将理论应用于团队的潜在应用人才来源。

数据显示，这些顶尖研究人员更集中在一些国家。排名前五位的国家依次是美国（1095），其次是中国（255），英国（140），澳大利亚（80）和加拿大（45）。

下一个关注点是，在特定国家中影响力最大的AI研究人员占该国研究人员总数的比例，这个指标可能在一定程度上反映出该国在培养顶级AI人才上的成功程度。

在这个指标上，澳大利亚名列前茅，该国的AI人才中，有18％发表了高影响力的成果。之后是美国、英国和中国（13％）、瑞士（11％）、新加坡（9％）、瑞典和西班牙（各占8％）、以色列、加拿大和意大利（各占7％）。

在所有国家中，最有影响力的研究更有可能来自学术界，而不是产业界。中国是来自学术界的高影响力研究占比最高的国家（90％），其次是意大利（86％）、美国（84％）、德国（83％）和台湾地区（81％）。

法国是来自产业界的高影响力研究占比最高的国家（30％），其次是印度和以色列（29％）、西班牙（28％）和英国（27％）。

社交网络LinkedIn数据显示，共有36524人在个人资料中将自己定位为AI专家，而去年这个数字只有22064人，同比增长66%。

从全球来看，有三分之一的AI人才将计算机科学作为学术训练的相关学科

数据表明，这些自称AI专家的人接受过各种学科知识的训练。有28%的人将计算机科学列为自己相关学科领域。在一些国家，这一比例尤其较高，包括法国（47％）和中国（44％）。

同样，另一些国家的AI人才中，将其他学科作为相关领域的比例较高，比如物理学：总体而言，9％的AI人才表示自己接受过物理学训练，但在德国，这个比例高达28％。对于数学和统计学，总体比例为18％，但在以色列和美国的比例为27％，在俄罗斯更高达35％。

不过，LinkedIn数据的局限性也是显而易见的。

LinkedIn上关于AI人才的所有个人介绍信息和相关资料都是被调查者自己填写的，并且LinkedIn在世界各国的普及程度有很大不同。比如在美国，目前约有1.44亿人在LinkedIn上建立个人资料，占美国总人口的44％以上，在加拿大，这个比例也高达38%。相比之下，在俄罗斯和中国，Linkedin并不受欢迎，人群覆盖率仅有3-5%。

AI人才大流动：高度国际化，人才培养要全球化

中国和美国之间的AI交流特别活跃，双方彼此的人才流入流出总体上保持平衡：在22400名研究人员中，大约500名专家在中国获得博士学位，然后去为美国的雇主工作，也有500多人在美国获得博士学位，然后去为中国雇主工作。在美国和英国之间也存在类似现象。

同时，美国的大学收到了大量来自国外的研究生。例如，2015年，国际学生在美国获得了大约三分之一的科学和工程研究生学位，76％的毕业生表示他们希望留在该国。在一些大学，外国研究生的比例明显更高。

总体而言，在过去一年中，无论是在AI领域发表的作者数量、高影响力的论文数量，以及在Linkedin上的AI专业人才数量上都呈显著增加的态势。

从事AI研究的女性人数仍显不足，但有些国家已经离两性平等的目标更近了一步。

从AI人才的地域分布来看，美国在几乎每个指标的绝对数量上都处于领先地位。

不过，当今全球的AI领域已经高度国际化，每个国家或地区的AI生态系统都有自己独特的优势和战略地位，专注于大力推进AI专业知识建设的国家，需要在未来推动AI领域发展所需的全球化AI人才培养上投入。

来源：Element AI

更多干货内容，长按扫描关注公众号！

精选阅读：

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

机器人文明服务内容

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

↙合作需求，请点击“阅读原文”联系

两万余字，百度的“智能化”是什么？

2020-09-02 18:32:42

4月9日，在百度大学Alpha学院首期学员毕业典礼上，百度联合清华大学发布《产业智能化白皮书》(以下简称“白皮书”)。据介绍，这是国内首次从产业演进视角探讨AI与产业融合发展，也是百度智能云首次公开阐述对产业智能化的战略思考和商业实践方法论。

图：百度人力资源部执行总监、百度大学执行副校长伍晖和清华大学全球产业研究院副院长朱恒源教授，及学员代表共同发布白皮书

百度公司创始人、董事长兼CEO李彦宏对此表示，“在这样一个‘新旧动能转换的时间点’，对于互联网公司也好，非互联网公司也好，成长最终是依靠智能化。AI在每一个行业都能够助力企业提升效率。我非常相信，人工智能会彻底的改变今天能够看到的每一个行业。”

图：百度公司创始人、董事长兼CEO 李彦宏

在采访中，清华大学全球产业研究院副院长朱恒源形容目前的的智能化产业是“有战场没地图”。他对记者表示，“通过抢先填补智能产业价值应用链上的结构洞，为业界寻找产业发展的切入口，中国有望最早形成完整的智能产业链。”

朱恒源介绍称，《白皮书》中独创的TUMC模型，是一个从产业演进视角研究新产业成熟度和新兴技术产业化成熟度的工具，综合考察技术、用户效用、市场以及产业链4个维度，每个维度又根据成熟程度分为2个节点。TUMC模型可深入到产业结构的内部，分析新兴技术产业化发展的动力机制，评估新产业的成熟度，探讨新兴技术的产业化情况。

借助TUMC 模型，《白皮书》研究发现，包括智能推荐、计算机视觉、智能语音语义等技术在内的主要人工智能的热点技术产业化成熟度较高，其AI相关技术与产品能够很好的融合到已有产业链中，新的产业要素和新的产业链结构正在形成。

据悉，《白皮书》长达80页，有两万余字，分为研究篇和商业实践篇两大部分，详细阐述对产业智能化的战略思考和商业实践方法论。其中，研究篇讨论了人工智能的发展历程，并提出独创的TUMC 模型。这是一个从产业演进视角研究新产业成熟度和新兴技术产业化成熟度的

以下为人工智能产业化成熟度研究报告：

1、人工智能概述:从实验室到产业应用

从20世纪50年代起，人工智能的方法、研究路径经历了好几次重大变化，行业发展也经历了好几次兴衰循环。当前新一轮快速发展，人工智能正从实验室走向广泛的产业应用。

当前人工智能技术在很多产业和领域中已经得到广泛应用，人工智能产业化发展的地形已经初现端倪。

从产业角度看，人工智能技术按照结构划分为基础层、算法层、技术层和应用层。

当前人工智能发展浪潮主要有4个驱动因素:

全球数据量爆发性增长

计算能力提升

算法的进步

政策支持、科技巨头和资本追逐

中美两国是人工智能发展最领先的国家，也是推动人工智能产业化最活跃的国家。人工智能技术的产业化将是中国的重要机遇。AI技术在医疗健康、金融、商业、教育、工业和安防各个领域得到越来越多的广泛应用。中国巨大的市场，人工智能有着异常丰富的应用前景。

2、TUMC模型:新兴技术产业化成熟度的评估框架

目前，人工智能的增长不断加速，正在逼近产业化应用爆发的“临界点”。衡量人工智能技术的产业化成熟度，无论对于企业家、研究者还是国家相关产业政策的制定者都具有重要意义。

TUMC模型是一个基于战略节奏理论，从产业演进视角研究新产业成熟度和新兴技术产业化成熟度的工具。

战略节奏理论将产品市场的发展分为小众市场、大众市场、分众市场和杂合市场4个阶段。TUMC模型将AI技术应用的研究焦点放在“尚未进入小众市场”到“即将开启大众市场”的阶段上。

TUMC模型综合考察技术、用户效用、市场以及产业链4个维度：

技术:实现商业化的性能阈值

用户效用:特定场景中的特定价值

市场：市场起飞的关键规模

产业链:新的分工协作系统

每个维度又根据成熟程度分为2个节点，如图所示：

3、人工智能热点技术及应用场景产业化成熟度评估

在《白皮书》的这一部分，研究应用TUMC模型，从技术和应用场景两个角度，分别讨论智能推荐、计算机视觉、智能语音语义技术、智能家居、智慧城市的产业化成熟度。

(1)技术角度

智能推荐、计算机视觉、智能语音语义等AI的主要热点技术目前的产业化成熟度较高。这些AI相关技术与产品能够很好地融合到已有产业链中，新的产业要素和产业链结构正在形成。

(2)应用场景角度

在直接面对新需求的、开拓性综合应用场景中，人工智能技术的产业化成熟度要低一些。比如智能家居、智慧城市等，尚未出现清晰的应用场景及对应的“杀手级应用”。这也相当于给人工智能企业指出了下一片市场蓝海。

4、结论与启示

人工智能技术仍在快速发展。应用层的厂商需要和算法层的厂商建立更多的合作和连接，培养敏捷的应变能力。算法厂商也需要和应用厂商建立广泛连接，理解具体需求，催化技术发展。

人工智能和大数据、云、物联网共同组成智能产业革命通用技术最关键的部分。它们的协同发展和应用推动产业智能化新范式的最终实现。拥有算法技术和大数据、云技术的大型科技型企业在产业智能化中具备巨大的发展潜力。

通过对人工智能产业化发展的研究，为在产业智能化转型中致力于发展人工智能的企业提出如下建议:

(1)从企业业务(to B业务)入手，这是人工智能厂商当前时期发展的一个合适起点。

(2)在已有产业中发掘适合自己人工智能产品的应用场景，这是人工智能产业化的“锚点”。

(3)“锁定”早期用户，跟随用户成长。在业务发展中理解需求并打磨产品。

(4) 随着产业化的发展，与人工智能相关的新产业要素会逐渐出现，企业可选择、建设或投资与自身业务协同的产业新要素，为未来市场爆发做好准备。

(5)市场爆发做好准备。

《白皮书》指出，人工智能和大数据、云计算、物联网共同组成智能产业革命通用技术最关键的部分，它们在实际的产业应用中是紧密相连的。人工智能的厂商要密切关注大数据、云计算等新一代信息技术的发展，它们的协同发展和应用推动产业智能化新范式的最终实现。拥有人工智能算法和大数据、云计算的大型科技企业在产业智能化中具备巨大的发展潜力。

更多干货内容，长按扫描关注公众号！

精选阅读：

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

机器人文明服务内容

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

↙合作需求，请点击“阅读原文”联系

突发！发改委点名，“挖矿”要凉？

2020-09-02 18:32:45

近期比特币价格涨回5000美元，让2018年底经历“矿机轮斤卖”和关机潮的矿圈稍微松了一口气。不过，这口气可能松不了多久，产业政策的“利剑”又来了。

图片来源于国家发改委网站

4月8日，国家发改委发布《产业结构调整指导目录（2019年本，征求意见稿）》，涉及鼓励类、限制类、淘汰类三个类别的产业活动，中国证券报记者发现，虚拟货币“挖矿”活动（比特币等虚拟货币的生产过程）赫然出现在淘汰类之中。

图片来源于国家发改委网站

该指导目录还显示，未标淘汰期限或淘汰计划的条目为国家产业政策已明令淘汰或立即淘汰。而虚拟货币“挖矿”活动这一条没有标上“淘汰期限或淘汰计划”，侧面反应出国家产业政策鲜明态度。

虚拟货币挖矿造富的神话会就此破灭吗？

“挖矿”耗能巨大

2008年中本聪发布了《Bitcoin: A Peer-to-Peer Electronic Cash System 》，从此“挖矿”和“矿工”便有了不同于以往的全新定义。“挖矿”不再是一种体力劳动，而是一种高速计算活动。简单地说，大家共同去解同一道数学题，而这道题需要一定的计算量才能做的出来，能率先得到答案的“矿工”就可以分享“比特币”奖励。

比特币诞生的这十年时间，价格曾涨到2万美元，后来又出现暴跌。比特币挖矿也从最早的电脑CPU挖矿，到GPU挖矿再发展到专门的ASIC挖矿芯片。全球最早量产的7nm芯片不是手机芯片、不是AI芯片，而是挖矿芯片。“挖矿”的火爆成就了诸如比特大陆、嘉楠耘智这些蜚声海内外的矿机霸主，矿工矿场也从家庭式小作坊发展到大型矿场。虚拟货币“挖矿”已经成为一个完整产业链。

虚拟货币“挖矿”看似颇具科技感，实际上是典型的资源依赖型产业。

矿场主为了追求低廉电价，均“逐电而居”。中国西北、西南等低电价地区布局了不少矿场。比如四川西部，水电资源丰富，大大小小水电站星罗棋布，闲置的水电、低廉的人工和场地吸引了大量矿场住前来布局。不过，随着比特币价格下行，很多地区开始“关机”。

摩根士丹利曾在2018年初给出数据，挖比特币成本大约三分之一来自电费，2018年比特币乃至其他数字货币的挖矿用电需求将达到120-140万亿瓦时 (terawatt-hours)，而全球电动车的能源消耗到2025年预计才不过125万亿瓦时。根据国际能源署2015年的数据，阿根廷全国一年的用电量也才不过125万亿瓦时。

2018年10月发表在期刊Nature Climate Change上的一篇论文显示，仅挖比特币一项就将导致2033年全球气温上升2℃。

图片来源于nature climate change网站

2018年无异于一场“寒冬”

但2019年开春，情况似乎有了转机。4月以来，萎靡不振的比特币开始有所回暖。据公开数据显示，4月1日比特币单价约4100美元，十天不到，比特币价格飙升20%，4月9日升至近5200美元，这也是2018年11月后，比特币首次升破5000美元。

4月8日价格一度升至5285美元（图源：谷歌）

路透社称，自2017年以来，全球陆续加强了虚拟加密货币监管，中国监管机构先是禁止发行新货币，后来又着手关闭虚拟货币交易所。

中国是世界上最大的计算机硬件市场，因此也存在大量使用“矿机”“挖掘”比特币和其他加密货币的活动，此前“挖矿”一直处于监管的灰色地带。

某些中国公司也是全球最大的比特币“矿机”制造商，据商务部介绍，2018年，曾有3家中国公司（比特大陆“Bitmain”，嘉楠耘智“Canaan Inc”和艾邦国际控股“Ebang International Holdings”）在香港申请首次公开募股（IPO），打算筹集数十亿美元。

2017年8月，延安国家电力盗窃案件，“矿机”接在油田矿区生产电缆上，耗电量惊人（图源：视觉中国）

正值比特币价格再破5000美元之际，中国准备限制“挖矿”（比特币等虚拟货币的生产过程）活动，从根本上淘汰虚拟货币产业。

国家发改委4月8日公布《产业结构调整指导目录(2019年本，征求意见稿)》，向全社会征集意见，准备将虚拟货币“挖矿”活动列入“淘汰类产业”。

央视财经援引文件表述，所谓“淘汰类”，主要是指不符合有关法律法规规定，不具备安全生产条件，严重浪费资源、污染环境，需要淘汰的落后工艺、技术、装备及产品。这意味着，未来虚拟货币“挖矿”将成为立即淘汰的产业类别。

目前，中国的比特币“矿场”和算力约占全球的7成左右。专家分析，虚拟货币“挖矿”被列入淘汰类产业很可能与其巨大的潜在能源消耗以及挖矿带来的大量二氧化碳排放、电子垃圾生成相关，这与官方当前鼓励节约资源、保护环境、产业结构优化升级的可持续发展战略有所不符。

“挖矿”的火爆成就了诸如比特大陆、嘉楠耘智这些蜚声海内外的矿机霸主，矿工矿场也从家庭式小作坊发展到大型矿场。虚拟货币“挖矿”已经成为一个完整产业链。

虚拟货币“挖矿”看似颇具科技感，实际上是典型的资源依赖型产业。矿场主为了追求低廉电价，均“逐电而居”。中国西北、西南等低电价地区布局了不少矿场。比如四川西部，水电资源丰富，大大小小水电站星罗棋布，闲置的水电、低廉的人工和场地吸引了大量矿场住前来布局。不过，随着比特币价格下行，很多地区开始“关机”。

矿机商上市计划折戟后重启

挖矿产业链的上游是矿机和挖矿芯片生产商。

中国三大矿机提供商也是全球排名前三的矿机生产商比特大陆、嘉楠耘智、亿邦国际均在2018年向港交所递交了上市申请。根据艾瑞咨询，这三家矿机生产商的销售收入和已售算力占2017年全球的90%。

不过，伴随2018年数字货币行情下行，三家公司的首次上市申请已经全部失效。2018年12月20日，亿邦国际再度向港交所提交了招股书。今年3月26日，比特大陆发布内部信宣布未来公司会在合适的时间，重新启动上市工作。

比特大陆信中还宣布组织架构调整，董事会任命王海超担任公司首席执行官，詹克团继续担任公司董事长，吴忌寒继续担任公司董事。

此外，比特大陆表示，虽然公司IPO申请失效，但目前公司拥有充足的现金，供应链运转正常，随着新产品的推出，销售业绩开始逐月上升。按照Frost & Sullivan研究显示，比特大陆已经是中国第二大和全球前十大无晶圆芯片设计公司。

比特大陆2018年9月在港交所披露的招股书显示，2018年上半年，比特大陆总营收达到28.455亿美元，超过2017年全年（25.177亿美元），占全球矿机专用芯片市场74.5%份额；净利润为7.427亿美元，同比增长795%，手握现金等价物超过34亿美元，净资产超过161.7亿美元。

亿邦国际二次递交的招股书显示，2018年上半年，亿邦国际实现收入21.38亿元人民币，，同比增长8倍，实现净利润9.32亿元人民币，2017年同期约5224万元。

不过2018年下半年以来，数字货币价格走势便不再那么好看，三大矿机生产商减产、亏损、裁员的负面消息传闻也不绝于耳。

亿邦国际2018年12月披露的招股书中并未陈述在加密数字货币价格整体下跌背景下第三季度具体财务情况。但其中有提到：尽管BPU（比特币矿机）客户已确定采购订单的平均每月新合约价值与第二季度略为增加，我们自2018年第三季度录得平均每月新合约价值却大幅下降，且与截止2018年6月30日前三个月相比，截止2018年9月30日前三个月的收益及毛利大幅下跌。

为应对单一数字货币业务不确定性，比特大陆、嘉楠耘智曾在招股书中披露了多元化发展方案，均纷纷转型AI芯片业务以图自救。嘉楠耘智在招股书中称，公司未来增长将很大程度上取决于能否渗透到比特币挖矿应用以外的新市场，特别是对高效能和高计算能力有需求的其他类型加密货币，或人工智能应用市场。

比特大陆自2017年开始发布AI专用芯片“SOPHON（算丰）”系列。比特大陆联合创始人之一吴忌寒曾对《彭勃商业周刊》表示，预计未来5年内，比特大陆40％的收入将来自AI芯片。

本文来自中国证券报，感谢分享！

更多干货内容，长按扫描关注公众号！

精选阅读：

我是广告：欢迎给“机器人文明”投稿~

好文请投：tougao@gsi24.com

— 完 —

机器人文明服务内容

广告投放 | 政府招商 | 产业报告

投融资 | 专家咨询 | 人才服务 | 论坛策划

↙合作需求，请点击“阅读原文”联系

“GAN之父”跳槽苹果，竟是为了它？

2020-09-02 18:32:47

最近，苹果成功招揽“GAN之父”Ian Goodfellow，下一步苹果打算搞什么大动作？Goodfellow此番加入会负责哪块业务目前还未明确，是自动驾驶、AR、智能手表、还是仿生芯片摄像头？无论是哪个，相信和苹果下一个“one more thing”密不可分。

苹果最近成功挖来了人工智能领域最炙手可热的人物之一。“GAN之父”Ian Goodfellow已宣布从谷歌加入苹果。这一重大人事动态表明，苹果公司比以往更加重视机器学习技术。如此重磅的人物加盟，不禁让人们猜想，苹果下一步多半是又要搞什么大动作了。

目前很少有人知道Goodfellow谷歌离职加入苹果的具体情形。在谷歌，他曾两次与OpenAI合作。目前，两家公司都没有公开评论此事。Goodfellow上周更新了LinkedIn状态，证实了自己换了东家，更新后的职业信息表明，Goodfellow现在是苹果的“特别项目团队的机器学习负责人”。

那么，这个“特别项目”究竟是什么？Goodfellow现在究竟在做什么？由于他本人和两家公司都没有透露出确切信息，我们只能猜一猜。

第一种可能：自动驾驶业务，苹果下一个“one more thing”？

苹果的“泰坦”造车计划一直备受关注

最保险的猜测可能是，他正在帮助苹果建造更好的自动驾驶汽车。这个车可能不使用像特斯拉那样的自动驾驶系统。目前苹果几乎肯定还在开发“Titan项目”，但目前苹果可能并不需要Goodfellow来完成自动驾驶车的开发。

那么苹果是不是已经在开发下一代自动驾驶汽车了？我们说的不是特斯拉那样的自动驾驶车，而是像“蝙蝠侠”座驾的那种能够“招之即来”的车。

答案是肯定的，苹果可能就在开发这种全新的自驾车。从Goodfellow本人的专长来看，他非常适合开发更像“仆人”而非“工具”的车辆。还记得苹果支持本地机器学习的A11和A12仿生芯片吗？它们可能会派上用场，将苹果的设备变成无人驾驶汽车的“钥匙链”。

苹果最近申请的专利包括“自动捕捉驾驶员关注点”的传感器技术

从苹果最近的专利申请来看，再加上“特别项目部门”的人事动荡，以及最近Goodfellow的加入，很可能Goodfellow就是来把Titan项目从测试阶段带到实施阶段。目前来看最有可能的猜测是，在2020年到2025年之间，蒂姆·库克（或未来的掌舵人）有望发布苹果在自动驾驶汽车界的“iPhone”级产品。

来自苹果社区的一些较为普遍的看法是， Titan项目可能会是某种共享车服务。这些服务会涉及所在城市范围内的自动驾驶车网络，苹果客户可以以便宜的价格叫车（无需支付无人驾驶汽车的工资）。想象一下价格更便宜的Uber或Lyft，这些服务可以自动安全地整合到苹果的便携式硬件设备中。这样看来，确实是个大手笔。

第二种可能：主持AR/VR软硬件开发，提升用户体验

但是苹果有时候就喜欢出人意料，人们都以为它会往东的时候，它偏偏往西走。比如Air Pods就是一个惊喜，我们大多数人都没有想到。也许上面说的“像蝙蝠侠座驾一样”的可以随时召唤的自动驾驶车，作为“One more thing”显得太过明显，没有新意。这样来看，Goodfellow的到来也可能有其他的目的，比如AR / VR业务。

苹果很可能在未来推出智能眼镜等AR硬件设备

苹果是AR场景技术领域中的重要一员，这说明苹果至少对VR领域保持着一定的兴趣和关注。 Goodfellow的GAN技术（以及其他专业技术）无疑会帮助苹果打造更好的AR体验。未来苹果会不会推出Apple Glasses、头戴式耳机或新的软件，以增强AR硬件的体验呢？目前我们也只能猜测。但至少在一定程度上，AR可能会是苹果的下一个大事件。

其他可能：智能手表，还是摄像头？

还有一种可能是Apple Watch。Apple Watch是苹果“特别项目”团队开发的另一款产品。Goodfellow在深度学习领域前沿成果可以帮助Apple Watch开发更多的健康和保健功能，帮助人们延长寿命。这一点意义重大，因为更健康的生活是人们对工作满意度评价的一个重要决定因素。

而且，Goodfellow的加入可能是苹果在其摄影垂直领域开发突破性产品的一揽子计划的一部分。 iPhone正在与谷歌的Pixel等顶级公司旗舰产品展开激烈竞争，以赢得“拍照最出色的智能手机”的桂冠。 Goodfellow提出的GAN模型可能会让使用仿生芯片的新型iPhone摄像头算法带来一些革命性的突破。

无论如何，无论我们上面的哪种猜测最终成为现实，可以说Goodfellow加入苹果这件事都将给苹果、以至于业界带来不小的改变。如果你以前没有关注苹果的AI部门，现在是时候关注一波了。

不知各位读者觉得“GAN之父”选择跳槽苹果，究竟是为何而来，欢迎各位小伙伴发表自己的观点。

本文来自thenextweb，感谢分享！

更多干货内容，长按扫描关注公众号！

精选阅读：