0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

華為推出了自己的深度學習框架MindSpore

lPCU_elecfans ? 來源:未知 ? 作者:李倩 ? 2018-10-26 11:41 ? 次閱讀

中國公司“芯”思不減,繼百度發(fā)布昆侖芯片、阿里成立平頭哥之后,華為在10月10日的全聯(lián)接大會上公布了兩款AI芯片,昇騰310和昇騰910,預計在2019年二季度面世。

華為輪值董事長徐直軍在會上表示,華為將打造面向云、邊緣和端等全場景全棧解決方案,包括芯片、學習框架和應(yīng)用等全堆棧方案。

在華為的芯片計劃中,除了昇騰910所處的Max系列主要用于云端,昇騰310所屬Mini系列和其他的Lite、Tiny、Nano系列,主要用于物聯(lián)網(wǎng)、行業(yè)終端、智能手機、智能穿戴等消費終端,以IP方式跟其他芯片結(jié)合在一起服務(wù)于各個產(chǎn)品。

芯片之外,華為推出了自己的深度學習框架MindSpore,計劃吸引各個領(lǐng)域的AI開發(fā)者。華為推出AI芯片,焦點在于AI,而非芯片。

此次公布的昇騰910,是目前單芯片計算密度最大的,根據(jù)公布數(shù)據(jù)看,密度超過英偉達同類芯片一倍。不過,作為對比的英偉達Tesla V100,是去年5月發(fā)布的芯片,相隔一年,難言超越。

當然大家都很明白,接下來一段時間通信行業(yè)最大的事情就是部署5G。而5G的第一波福利無疑就是設(shè)備和專利,華為作為世界通信設(shè)備的老大并且在5G領(lǐng)域下了很多功夫。雖然在5G投票中不敵高通,但是華為的硬件儲備實力沒有人敢忽視。

不過,就在5G到來的黎明之際,美國、俄羅斯和澳大利亞相繼宣布出于國家安全考慮將華為排除在了國家5G建設(shè)規(guī)劃之外,并且日本、韓國、印度等國也有效仿之意。而更令國人和華為費解的是,7月10日中國移動宣布和諾基亞簽訂10億歐元框架協(xié)議,雙方將在5G方面達成戰(zhàn)略合作。華為拿到的第一張5G訂單來自歐洲的意大利。

華為深耕5G不是一天兩天的事情了,在技術(shù)儲備上僅次于高通,在設(shè)備性能上無人出其右。然而,在5G熱火朝天準備中,華為卻因為種種原因被冷落,華為人定然是咽不下這口氣的。

我們都知道5G網(wǎng)絡(luò)有一個典型的應(yīng)用場景是萬物互聯(lián)。如果運營商想要打破這樣的尷尬,勢必要通過合作模式更多的參與到應(yīng)用端,畢竟運營商在應(yīng)用上面的研發(fā)能力這么多年一直都很羸弱。

接下來,我們說一下5G和人工智能(AI)。5G被認為是人工智能的原動力技術(shù),將大力推動終端側(cè)人工智能的發(fā)展,不管是城市大腦、自動駕駛還是智能制造等,5G網(wǎng)絡(luò)將讓人工智能大跨步發(fā)展。

而人工智能也在融入5G建設(shè),智能網(wǎng)絡(luò)優(yōu)化、智能網(wǎng)絡(luò)維護等都需要人工智能技術(shù)的加持。運營商也在努力和學界、研界合作“人工智能聯(lián)合實驗室”等項目,將人工智能技術(shù)作為下一代網(wǎng)絡(luò)建設(shè)的重要工具,中國聯(lián)通“雪亮工程”就是很鮮明的例子。

華為在物聯(lián)網(wǎng)生態(tài)的布局更成熟一些,在國內(nèi)和國際上建立了多個物聯(lián)網(wǎng)生態(tài)系統(tǒng),比如華為歐洲和中東物聯(lián)網(wǎng)生態(tài)系統(tǒng)等。這樣龐大的生態(tài)系統(tǒng)是運營商不敢忽略的。

先說全鏈接大會上面“很嚇人”的消息:昇騰芯片,華為將以AI加速模塊、AI服務(wù)器、云服務(wù)的形式面向第三方銷售。華為在芯片設(shè)計上面的能力在麒麟芯片就已經(jīng)有所展現(xiàn),從跟隨者一路殺到了手機芯片的第一陣營,現(xiàn)在更是即將摘得安卓7nm第一芯的桂冠。

好的,來吧!先領(lǐng)一份電源資料充實下自己吧!

靠著同樣不外銷的麒麟芯片,華為超越了蘋果,坐在了全球手機出貨量第二的位置上。而麒麟芯片是基于Arm架構(gòu)的,它的AI能力來源于寒武紀。即便如此,華為還是靠著麒麟芯片在手機市場大肆掠奪市場,更是靠著自研芯片的優(yōu)勢讓榮耀成為性價比手機的代表作品。

昇騰芯片算作是麒麟的進階版本,雖然針對的市場不同,但是華為讓自研更加純粹了。昇騰芯片是核心,真正對競爭對手具有巨大殺傷力的是“達芬奇項目”:以達芬奇架構(gòu)為基礎(chǔ)的芯片,最終和算子開發(fā)工具CANN、統(tǒng)一訓練推理架構(gòu)MindSpore、機器學習PaaS ModelArts一道,組成了華為在AI方面的全棧全場景方案。

這樣做的優(yōu)劣勢都很明顯。劣勢是自研芯片讓產(chǎn)品的靈活性降低,生態(tài)系統(tǒng)進入有了一定的限制。優(yōu)勢是產(chǎn)品價格定位靈活,可以靠著芯片自研讓產(chǎn)品高溢價,也可以主打性價比。當然更大的優(yōu)勢,也是更深的意義是自主芯片在手避免“中興事件”發(fā)生在自己身上。

對比國內(nèi)互聯(lián)網(wǎng)巨頭,華為稍顯“后發(fā)”。7月4日,百度推出自主研發(fā)的中國第一款云端全功能AI芯片“昆侖”,這是目前為止業(yè)內(nèi)設(shè)計算力最高的AI芯片,功耗僅為100+W。阿里巴巴于2017年10月成立達摩院,組建一個芯片研究團隊,在全球8個城市進行Ali-NPU芯片的研發(fā)工作,預計2019年年中推出。

同時,阿里還斥資收購能夠給予資助指令架構(gòu)并量產(chǎn)的CPU供應(yīng)商中天微,投資寒武紀等智能芯片公司。寒武紀曾為華為Mate 10的麒麟980提供AI芯片。

華為、阿里等巨頭的進入,曾有人擔憂初創(chuàng)芯片企業(yè)的生存空間變小。對此,盛陵海分析,國內(nèi)初創(chuàng)企業(yè)大多是AI公司的背景,掌握一定程度的算法,做自己的芯片。

“這些初創(chuàng)公司往往瞄準視頻、監(jiān)控系統(tǒng)等單純的人工智能應(yīng)用場景,能夠直接面向市場,對于系統(tǒng)等其他方面的要求不會很高。”盛陵海表示,這些廠商大多是基于自己的AI應(yīng)用來制造芯片,不是做傳統(tǒng)的芯片打造業(yè)務(wù)。

在他看來,巨頭掌握的算法是在大量訓練中得出的,別的廠商很難撼動這個資源。華為、百度等公司搭建的平臺,也會吸引小公司進入,彼此并不沖突。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 智能手機
    +關(guān)注

    關(guān)注

    66

    文章

    18513

    瀏覽量

    180586
  • 華為
    +關(guān)注

    關(guān)注

    216

    文章

    34499

    瀏覽量

    252347
  • 深度學習
    +關(guān)注

    關(guān)注

    73

    文章

    5510

    瀏覽量

    121337

原文標題:屢遭質(zhì)疑卻“芯”思不減,華為真的只是稍顯“后發(fā)”足以成為贏家?

文章出處:【微信號:elecfans,微信公眾號:電子發(fā)燒友網(wǎng)】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評論

    相關(guān)推薦

    昇思MindSpore預測2024年中國AI框架市場份額將達30%

    近日在昇思人工智能框架峰會上,中國科學院科技戰(zhàn)略咨詢研究院發(fā)布了一項重要預測:到2024年,中國AI框架新增市場中,昇思MindSpore的市場份額有望達到30%。 自2020年開源以來,昇思
    的頭像 發(fā)表于 12-17 10:02 ?180次閱讀

    NPU在深度學習中的應(yīng)用

    隨著人工智能技術(shù)的飛速發(fā)展,深度學習作為其核心驅(qū)動力之一,已經(jīng)在眾多領(lǐng)域展現(xiàn)出了巨大的潛力和價值。NPU(Neural Processing Unit,神經(jīng)網(wǎng)絡(luò)處理單元)是專門為深度
    的頭像 發(fā)表于 11-14 15:17 ?726次閱讀

    GPU深度學習應(yīng)用案例

    GPU在深度學習中的應(yīng)用廣泛且重要,以下是一些GPU深度學習應(yīng)用案例: 一、圖像識別 圖像識別是深度學習
    的頭像 發(fā)表于 10-27 11:13 ?438次閱讀

    AI大模型與深度學習的關(guān)系

    AI大模型與深度學習之間存在著密不可分的關(guān)系,它們互為促進,相輔相成。以下是對兩者關(guān)系的介紹: 一、深度學習是AI大模型的基礎(chǔ) 技術(shù)支撐 :深度
    的頭像 發(fā)表于 10-23 15:25 ?1020次閱讀

    FPGA做深度學習能走多遠?

    今天給大俠帶來在FPAG技術(shù)交流群里平時討論的問題答疑合集(十四),以后還會多推出本系列,話不多說,上貨。 FPGA技術(shù)交流群目前已有十多個群,QQ和微信均覆蓋,有需要的大俠可以進群,一起交流學習
    發(fā)表于 09-27 20:53

    NVIDIA推出全新深度學習框架fVDB

    在 SIGGRAPH 上推出的全新深度學習框架可用于打造自動駕駛汽車、氣候科學和智慧城市的 AI 就緒型虛擬表示。
    的頭像 發(fā)表于 08-01 14:31 ?638次閱讀

    PyTorch深度學習開發(fā)環(huán)境搭建指南

    PyTorch作為一種流行的深度學習框架,其開發(fā)環(huán)境的搭建對于深度學習研究者和開發(fā)者來說至關(guān)重要。在Windows操作系統(tǒng)上搭建PyTorc
    的頭像 發(fā)表于 07-16 18:29 ?1161次閱讀

    深度學習中的時間序列分類方法

    時間序列分類(Time Series Classification, TSC)是機器學習深度學習領(lǐng)域的重要任務(wù)之一,廣泛應(yīng)用于人體活動識別、系統(tǒng)監(jiān)測、金融預測、醫(yī)療診斷等多個領(lǐng)域。隨著深度
    的頭像 發(fā)表于 07-09 15:54 ?1069次閱讀

    深度學習與nlp的區(qū)別在哪

    深度學習和自然語言處理(NLP)是計算機科學領(lǐng)域中兩個非常重要的研究方向。它們之間既有聯(lián)系,也有區(qū)別。本文將介紹深度學習與NLP的區(qū)別。 深度
    的頭像 發(fā)表于 07-05 09:47 ?994次閱讀

    深度學習常用的Python庫

    深度學習常用的Python庫,包括核心庫、可視化工具、深度學習框架、自然語言處理庫以及數(shù)據(jù)抓取庫等,并詳細分析它們的功能和優(yōu)勢。
    的頭像 發(fā)表于 07-03 16:04 ?677次閱讀

    PyTorch如何訓練自己的數(shù)據(jù)集

    PyTorch是一個廣泛使用的深度學習框架,它以其靈活性、易用性和強大的動態(tài)圖特性而聞名。在訓練深度學習模型時,數(shù)據(jù)集是不可或缺的組成部分。
    的頭像 發(fā)表于 07-02 14:09 ?1889次閱讀

    TensorFlow與PyTorch深度學習框架的比較與選擇

    深度學習作為人工智能領(lǐng)域的一個重要分支,在過去十年中取得了顯著的進展。在構(gòu)建和訓練深度學習模型的過程中,深度
    的頭像 發(fā)表于 07-02 14:04 ?1013次閱讀

    深度解析深度學習下的語義SLAM

    隨著深度學習技術(shù)的興起,計算機視覺的許多傳統(tǒng)領(lǐng)域都取得了突破性進展,例如目標的檢測、識別和分類等領(lǐng)域。近年來,研究人員開始在視覺SLAM算法中引入深度學習技術(shù),使得
    發(fā)表于 04-23 17:18 ?1334次閱讀
    <b class='flag-5'>深度</b>解析<b class='flag-5'>深度</b><b class='flag-5'>學習</b>下的語義SLAM

    FPGA在深度學習應(yīng)用中或?qū)⑷〈鶪PU

    上漲,因為事實表明,它們的 GPU 在訓練和運行 深度學習模型 方面效果明顯。實際上,英偉達也已經(jīng)對自己的業(yè)務(wù)進行了轉(zhuǎn)型,之前它是一家純粹做 GPU 和游戲的公司,現(xiàn)在除了作為一家云 GPU 服務(wù)
    發(fā)表于 03-21 15:19

    為什么深度學習的效果更好?

    導讀深度學習是機器學習的一個子集,已成為人工智能領(lǐng)域的一項變革性技術(shù),在從計算機視覺、自然語言處理到自動駕駛汽車等廣泛的應(yīng)用中取得了顯著的成功。深度
    的頭像 發(fā)表于 03-09 08:26 ?650次閱讀
    為什么<b class='flag-5'>深度</b><b class='flag-5'>學習</b>的效果更好?