神經(jīng)網(wǎng)絡(luò) 文章最新資訊

十年之遙 —— 實現(xiàn)AGI仍存在基礎(chǔ)性問題

在最新一期的《Dwarkesh Podcast》訪談中，OpenAI的創(chuàng)始元老、前特斯拉AI團隊負責(zé)人、深度學(xué)習(xí)的大佬Andrej Karpathy與主持人Dwarkesh Patel深入探討了AGI、智能體與AI未來十年的走向等AI圈核心問題的看法。Andrej Karpathy預(yù)測未來10年的AI架構(gòu)仍然可能是類似Transformer的巨大神經(jīng)網(wǎng)絡(luò) —— 認為當前的智能體仍處早期階段，強化學(xué)習(xí)雖不完美，卻是目前的最優(yōu)解。Andrej Karpathy認為真正學(xué)習(xí)知識，要從你從頭開始構(gòu)建一些東西時開始
關(guān)鍵字： AGI 智能體 AI 神經(jīng)網(wǎng)絡(luò) Transformer

基于神經(jīng)網(wǎng)絡(luò)的智能DPD引擎方法

ChatGPT 由 OpenAI 于 2022 年 11 月推出，成為采用速度最快的軟件產(chǎn)品之一，展示了人工智能（AI）的潛力。機器學(xué)習(xí) （ML）是人工智能的一個子集，它正在通過支持決策和數(shù)據(jù)分析等任務(wù)來改變行業(yè)。在通信領(lǐng)域，人工智能和機器學(xué)習(xí)正在推進數(shù)字預(yù)失真（DPD），這是一種對于減少信號失真和提高功率放大器（PA）效率至關(guān)重要的技術(shù)。傳統(tǒng)的 DPD 模型可能會在 5G 等現(xiàn)代通信系統(tǒng)中遇到非線性和記憶效應(yīng)的問題。他們假設(shè) PA 的行為是靜態(tài)的且無內(nèi)存的，依賴于僅考慮瞬
關(guān)鍵字：神經(jīng)網(wǎng)絡(luò) 智能 DPD 引擎方法

混合用于低功耗傳感器的模擬和數(shù)字脈沖神經(jīng)網(wǎng)絡(luò)

Innatera 開發(fā)的 Pulsar 片上系統(tǒng) （SoC）集成了多個低功耗人工智能/機器學(xué)習(xí) （AI/ML）脈沖神經(jīng)網(wǎng)絡(luò) （SNN）加速器，這些加速器針對基于傳感器的解決方案（圖 1）。我與 Innatera 的首席執(zhí)行官 Sumeet Kumar 討論了這款 SoC 如何在基于電池供電或能量收集的應(yīng)用中提供始終在線（AON）的神經(jīng)網(wǎng)絡(luò)作。1. Innatera 的 Pulsar 片上系統(tǒng)集成了模擬和數(shù)字尖峰神經(jīng)網(wǎng)絡(luò) （SNN）以及 FFT
關(guān)鍵字：低功耗傳感器模擬數(shù)字脈沖神經(jīng)網(wǎng)絡(luò)

抖音背后的算法推薦邏輯

推薦算法已并非新生事物，但圍繞它的爭議卻從未間斷。這些爭議包括推薦算法帶來標題黨、低質(zhì)量、甚至虛假內(nèi)容以及信息繭房的問題。很多人對推薦算法技術(shù)存在誤解，認為算法是給內(nèi)容打上對應(yīng)標簽，再給用戶打上對應(yīng)的屬性，最后通過數(shù)據(jù)運算，把對應(yīng)標簽的內(nèi)容推薦給有對應(yīng)屬性的用戶。實際上，隨著機器學(xué)習(xí)技術(shù)的發(fā)展，抖音的推薦系統(tǒng)已幾乎不依賴對內(nèi)容或者用戶打標簽，而是通過復(fù)雜的神經(jīng)網(wǎng)絡(luò)計算，直接預(yù)測每個用戶對每條內(nèi)容可能產(chǎn)生的互動行為概率。機器學(xué)習(xí)對推薦算法的主要貢獻在于建立評分系統(tǒng)，在海量算力和海量供給的環(huán)境里，把用戶行為抽
關(guān)鍵字：抖音算法機器學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò) 標簽

一文讀懂｜什么是機器學(xué)習(xí)

機器學(xué)習(xí)定義機器學(xué)習(xí)（Machine Learning）本質(zhì)上就是讓計算機自己在數(shù)據(jù)中學(xué)習(xí)規(guī)律，并根據(jù)所得到的規(guī)律對未來數(shù)據(jù)進行預(yù)測。機器學(xué)習(xí)包括如聚類、分類、決策樹、貝葉斯、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)（Deep Learning）等算法。機器學(xué)習(xí)的基本思路是模仿人類學(xué)習(xí)行為的過程，如我們在現(xiàn)實中的新問題一般是通過經(jīng)驗歸納，總結(jié)規(guī)律，從而預(yù)測未來的過程。機器學(xué)習(xí)的基本過程如下：機器學(xué)習(xí)基本過程機器學(xué)習(xí)發(fā)展簡史從機器學(xué)習(xí)發(fā)展的過程上來說，其發(fā)展的時間軸如下所示：機器學(xué)習(xí)發(fā)展歷程從上世紀50年代的圖靈測試提出、塞繆爾
關(guān)鍵字：機器學(xué)習(xí) 深度學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò)

MCU 如何優(yōu)化實時控制系統(tǒng)中的系統(tǒng)故障檢測?

當前關(guān)于人工智能 (AI) 和神經(jīng)網(wǎng)絡(luò)的討論主要集中在生成應(yīng)用（生成圖像、文本和視頻），很容易忽視 AI 將為工業(yè)和基礎(chǔ)設(shè)施應(yīng)用中的電子產(chǎn)品帶來變革的實際示例。不過，雖然在電機驅(qū)動器、太陽能和電池管理應(yīng)用的實時控制系統(tǒng)中采用 AI 不會像新的大型語言模型那樣引起大量關(guān)注，但使用邊緣 AI 進行故障檢測可以顯著影響系統(tǒng)的效率、安全性和生產(chǎn)力。本文中將討論集成式微控制器 (MCU) 如何增強高壓實時控制系統(tǒng)中的故障檢測功能。此類 MCU 使用集成神經(jīng)網(wǎng)絡(luò)處理單元 (NPU) 運行卷積神經(jīng)網(wǎng)
關(guān)鍵字：邊緣AI 實時控制神經(jīng)網(wǎng)絡(luò)

使用移動端神經(jīng)網(wǎng)絡(luò)實現(xiàn)實時弱光視頻增強

作者：Arm 戰(zhàn)略與生態(tài)部工程師 Ayaan Masood作為通訊工具，視頻會議幾乎隨處可見，尤其適用于遠程辦公和社交互動。但其使用體驗并非總是簡單直接、即開即用，可能需要進行調(diào)整，確保音頻視頻設(shè)置良好。其中，照明便是一個難以把握的因素。在會議中，光線充足的視頻畫面會顯得得體大方，而糟糕的照明條件則會顯得不夠?qū)I(yè)，還會分散其他與會者的注意力。有時，改變光照情況并不可行，特別是在光線昏暗的冬季或照明不足的地點。在本文中，我們將探討如何構(gòu)建一個演示移動端應(yīng)用，以解決弱光條件下的視頻照明問題。我們將介紹支持該應(yīng)
關(guān)鍵字： Arm 神經(jīng)網(wǎng)絡(luò)

關(guān)于卷積神經(jīng)網(wǎng)絡(luò)，這些概念你厘清了么

隨著人工智能(AI)技術(shù)的快速發(fā)展，AI可以越來越多地支持以前無法實現(xiàn)或者難以實現(xiàn)的應(yīng)用。本文基于此解釋了卷積神經(jīng)網(wǎng)絡(luò)(CNN)及其對人工智能和機器學(xué)習(xí)的意義。CNN是一種能夠從復(fù)雜數(shù)據(jù)中提取特征的強大工具，例如識別音頻信號或圖像信號中的復(fù)雜模式就是其應(yīng)用之一。1什么是卷積神經(jīng)網(wǎng)絡(luò)？神經(jīng)網(wǎng)絡(luò)是一種由神經(jīng)元組成的系統(tǒng)或結(jié)構(gòu)，它使AI能夠更好地理解數(shù)據(jù)，進而解決復(fù)雜問題。雖然神經(jīng)網(wǎng)絡(luò)有許多種類型，但本文將只關(guān)注卷積神經(jīng)網(wǎng)絡(luò)(CNN)，其主要應(yīng)用領(lǐng)域是對輸入數(shù)據(jù)的模式識別和對象分類。CNN是一種用于深度學(xué)習(xí)的人
關(guān)鍵字： ADI 神經(jīng)網(wǎng)絡(luò)

Nvidia 征服了最新的 AI 測試

多年來，英偉達在許多機器學(xué)習(xí)基準測試中占據(jù)主導(dǎo)地位，現(xiàn)在它又多了兩個檔次。MLPerf，有時被稱為“機器學(xué)習(xí)的奧林匹克”的人工智能基準測試套件，已經(jīng)發(fā)布了一套新的訓(xùn)練測試，以幫助在競爭計算機系統(tǒng)之間進行更多更好的同類比較。MLPerf 的一項新測試涉及對大型語言模型的微調(diào)，該過程采用現(xiàn)有的訓(xùn)練模型，并用專業(yè)知識對其進行更多訓(xùn)練，使其適合特定目的。另一個是圖神經(jīng)網(wǎng)絡(luò)，一種機器學(xué)習(xí)，一些文獻數(shù)據(jù)庫背后的一種機器學(xué)習(xí)，金融系統(tǒng)中的欺詐檢測，以及社交網(wǎng)絡(luò)。即使使用谷歌和英特爾的人工智能加速器的計算機增加和參與，由
關(guān)鍵字： GPU 神經(jīng)網(wǎng)絡(luò) LLM MLPerf 基準測試英偉達

特斯拉FSD能否打破自動駕駛的默認偏見？

特斯拉的全自動駕駛（FSD）是輔助駕駛系統(tǒng)Autopilot的升級版，可用于城市公共道路，包括自動停車、自動變道和交通導(dǎo)航。早在四年前特斯拉就推出了FSD軟件，并將其不斷升級至最新的FSD V12版本。但在中國尚無這項功能可用，特斯拉一直尋求在中國提供FSD技術(shù)。
關(guān)鍵字： 202406 特斯拉 FSD 自動駕駛 ADAS 神經(jīng)網(wǎng)絡(luò)

別再用VGG了！一文帶你看透 RepVGG怎么重鑄VGG榮光

寫在前面VGG算是非常經(jīng)典的網(wǎng)絡(luò)了，它是由牛津大學(xué)計算機視覺組（Visual Geometry Group）和Google DeepMind公司的研究員一起研發(fā)的 “直筒型“ 的網(wǎng)絡(luò)。既然在看這篇文章，想必已經(jīng)對VGG十分熟悉了。VGG有一些特別明顯的缺陷，如網(wǎng)絡(luò)的參數(shù)量較多，模型檢測準確率也不是很好，總之VGG網(wǎng)絡(luò)效果不理想。之后的一段時間，人們總是將網(wǎng)絡(luò)變得更寬更深（如GoogleNet、ResNet）,以期待達到更優(yōu)異的效果。事實上也是這樣，更深更寬的網(wǎng)絡(luò)更容易滿足需求。這樣，VGG變得鮮有問津。這
關(guān)鍵字： VGG 神經(jīng)網(wǎng)絡(luò) 人工智能 RepVGG

蘋果M4系列芯片將在今年年底推出，增加神經(jīng)網(wǎng)絡(luò)引擎核心

蘋果將于2024年底開始推出搭載M4芯片的Mac新品。在人工智能大熱的背景下，M4系列也將增加神經(jīng)網(wǎng)絡(luò)引擎核心，以增強人工智能性能。蘋果M4芯片預(yù)計至少有三個主要型號：入門級芯片的代號為Donan，中端芯片的代號為Brava，高端芯片則代號為Hidra。
關(guān)鍵字：蘋果 M4 芯片神經(jīng)網(wǎng)絡(luò) AI

蘋果發(fā)布DeepPCR機器學(xué)習(xí)算法：加速神經(jīng)網(wǎng)絡(luò)的推理和訓(xùn)練

蘋果近日發(fā)布了DeepPCR機器學(xué)習(xí)算法，通過并行處理常規(guī)順序操作，可以加速神經(jīng)網(wǎng)絡(luò)的推理和訓(xùn)練。神經(jīng)網(wǎng)絡(luò)處理過程中，目前廣泛采取并行化技術(shù)，不過神經(jīng)網(wǎng)絡(luò)中的一些操作仍然是按順序完成的，擴散模型通過一系列的去噪階段生成輸出，并且逐層進行向前和向后傳遞。隨著步驟數(shù)的增加，這些進程的順序執(zhí)行在計算上變得昂貴，可能會導(dǎo)致計算瓶頸。蘋果科研團隊為了解決這個問題，推出了DeepPCR算法，進一步加速了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和推理。該團隊采用了平行循環(huán)還原（PCR）算法來檢索該解決方案，將順序過程的計算成本從 O（L）降低到
關(guān)鍵字：蘋果 DeepPCR 機器學(xué)習(xí) 算法神經(jīng)網(wǎng)絡(luò)

適用于手語采集與輸入的智能手套及翻譯系統(tǒng)

設(shè)計并實現(xiàn)了一款以ESP32-C3-WROOM-02為核心，基于物聯(lián)網(wǎng)、UDP協(xié)議、姿態(tài)傳感器和彎曲傳感器的適用于手語采集與輸入的智能手套及翻譯系統(tǒng)。該系統(tǒng)通過在手套上綁定姿態(tài)傳感器MPU6050，配合彎曲傳感器動態(tài)監(jiān)測手的運動和姿態(tài)，通過ESP32芯片采集傳感器數(shù)據(jù)并做初步處理，經(jīng)單片機上的Wi-Fi模塊通過 UDP 協(xié)議傳輸給云端采用 SVM 算法識別靜態(tài)手勢，此外，本設(shè)計還搭建了基于Python的Web應(yīng)用程序框架Streamlit實現(xiàn)在網(wǎng)頁上實時呈現(xiàn)處理結(jié)果和全平臺兼容，方便用戶使用。
關(guān)鍵字： 202308 手勢識別 ESP32 彎曲傳感器 SVM 神經(jīng)網(wǎng)絡(luò)

從NN神經(jīng)網(wǎng)絡(luò)理解隱空間

1? ?復(fù)習(xí)：AIGC創(chuàng)作力來源——隱空間在2023 年1 月刊連載中，我們曾經(jīng)說明在AIGC領(lǐng)域里，最近幾個很紅的圖像模型，例如DALLE、Imagen 和Midjourney 等，它們都是基于一種機制：擴散(Diffusion)。經(jīng)由模型訓(xùn)練，操作隱空間(Latent space) 的向量，加上隨機輸入中合成新的數(shù)據(jù)，呈現(xiàn)出令人驚奇的創(chuàng)作，推動了AI 組合的創(chuàng)新或創(chuàng)作。這意味著，關(guān)于AI 的生成或創(chuàng)作，大多會涉及隱空間的操作?，F(xiàn)在先從一個基本問題出發(fā)，這個問題是：為什么AI會創(chuàng)作
關(guān)鍵字： 202303 神經(jīng)網(wǎng)絡(luò) 隱空間 AIGC