嵌入式 AI
原文鏈接：
http://finance.sina.com.cn/tech/2021-09-08/doc-iktzqtyt4856913.shtml
9月8日，聯想集團在2021聯想創新科技大會期間，公布了聯想LA2智能嵌入式控制器。
該控制器由聯想集團自主設計、聯合開發，是聯想集團在電腦智能嵌入式控制器設計領域的初步嘗試。聯想自主設計了LA2智能嵌入式控制器的架構和基于神經網絡的人工智能算法，同時完成了在電腦系統中的集成，歷經3年最終實現量產列裝。
據介紹，LA2智能控制器是一款為PC打造的專用硬件，以運行智能算法、實現智能功能為目的，采用獨創的異構多核心混合架構，基于傳感器融合技術實現高效快速的智能控制。
聯想在深入研究用戶使用行為后發現，因為需求和性能釋放不匹配導致的“性能浪費”常常出現，這對筆記本電腦的續航影響很大。同時隨著個人電腦作為生產力工具滲透進更多人的生活，用戶對PC的易用性和使用體驗提出了更高的要求，一個專門的智能控制器成為必然。而實現這些功能，并作為未來更多智能功能擴展的基礎，LA2智能控制器就此誕生。
原文鏈接：
https://www.jiqizhixin.com/articles/2021-09-09-4
增強現實（Augmented Reality, AR）通過電腦技術將虛擬信息疊加到現實世界中，利用手機、平板電腦、眼鏡等設備的攝像頭掃描現實世界的物體，通過識別技術在設備上顯示出掃描物體的相關信息，從而增強了現實物體的立體感與互動體驗感。
隨著 AR 技術的不斷成熟，AR 越來越多地應用于各個行業，如教育培訓、健康醫療、展示導覽、廣告購物、游戲等，成為了人們感知世界的重要輔助手段。
在國內的 AR 圈，亮風臺屬于做的比較到位的公司，產品布局廣，包括 AR 遠程通訊與協作平臺 HiLeia 系列、雙目 AR 智能眼鏡 HiAR G200、HiAR Cloud 云服務，提供云端一體的服務體驗。
目前，亮風臺以 To B 業務為主，其推出的 AR 智能終端已經廣泛應用于供應鏈核查、巡檢點檢、教育培訓、導覽導航、移動執法、娛樂互動等多樣化的業務場景中。
今日，亮風臺在新品發布會上宣布 AR 平臺 HiAR Space 全新升級，明確打造「超實境智慧空間 （Hyper-Reality Intelligent Space, HRIS）」的目標。與此同時，亮風臺還重磅發布 5G AR 智能眼鏡 HiAR H100 以及物理世界的 AR「便利貼」與「記事本」PinNotes。
原文鏈接：
https://zhuanlan.zhihu.com/p/408174622
近日，一篇名為“How OpenAI Sold its Soul for $1 Billion”（OpenAI是如何因為 10 億美元出賣自己的靈魂）的文章在 Reddit 上引起了熱議。
文章作者 Alberto Romero 抨擊知名的非營利機構 OpenAI 為了金錢而出賣自己原有的“為人類造福”宗旨。
OpenAI 成立于 2015 年，創立之初便將自己定位為“非營利組織”，目標是以安全的方式實現通用人工智能（AGI），使全人類平等收益，而不是為公司的股東創造利潤。
但在 2019 年，OpenAI 違背了它的初衷，成為了一家名為“OpenAI LP”的營利性公司，由一家名為“OpenAI Inc”的母公司控制。這時，OpenAI 成了一家有利潤上限的機構，股東的投資回報被限制為不超過原始投資金額的 100 倍。也就是說，如果你投資 1000 萬美元，你最多能得到 10 億美元的回報。
OpenAI 的結構改了之后，沒幾個月，微軟就注資了 10 億美元。而微軟與 OpenAI 的合作關系，是基于一個重要前提，即微軟有權將 OpenAI 的部分技術商業化，比如 GPT-3 與 Codex。今年 5 月末，微軟的官方網站便報道了他們用 GPT-3 的技術賦能內部商業產品，為用戶服務：
當 OpenAI 因金錢關系與大型商業公司達成合作協議，我們還能相信他們會信守承諾，從全人類的福祉出發來發展人工智能嗎？亦或是，技術終將淪為資本的俘虜，情懷也難逃被出賣的命運？
原文鏈接：
https://www.qbitai.com/2021/09/28464.html
你的城市出行，RoboTaxi、Mini Robobus…
你的同城貨運，現在開始，進入Robovan時間。
就在今日（9月9日）中國首款L4級自動駕駛輕客——WeRide Robovan——正式發布。
自動駕駛獨角獸文遠知行，再用鐵三角模式，聯手江鈴汽車和中通快遞，把中國同城貨運，帶入自動駕駛時間。
基于江鈴輕客BEV車型，但從外觀來看，前置雙激光雷達矚目，加持的依然是文遠知行多傳感器安全冗余方案。
文遠方面稱，該款自動駕駛輕客打造中，全冗余底盤開發，搭載全棧式軟硬件自動駕駛解決方案，能夠以L4級自動駕駛能力，實現城市交通場景下的全天時、全天候運行。
雖然是首次在同城貨運領域展開落地，但Robovan的系統內功，早已修煉多時。
因為背后，正是文遠知行數年來在Robotaxi開放運營和Robobus前裝量產中積累下來的豐富經驗。
有文遠知行在全球多個城市近700萬公里自動駕駛里程的檢驗和支撐。
這套方案，之前已經在城市中心、城中村、高速路等豐富多樣的城市交通場景中，完成了穩定、安全、高效運行的證明。
從2019年11月，文遠知行在廣州推出全國首個全對外開放的Robotaxi運營服務以來，覆蓋了黃埔區、廣州開發區數百平方公里的核心城市開放道路。
截至2020年11月，Robotaxi運營一周年共安全完成147,128次出行，服務用戶數超60,000，無任何主動責任事故。
所以現在，從載人到載貨，可以視為文遠知行自動駕駛商用落地過程中，另一大引擎啟動；也可以理解為通用自動駕駛系統、平臺的“降維釋放”。
以及更重要的是，中國的同城貨運進程，從今往后，步入自動駕駛時間。
原文鏈接：
https://www.qbitai.com/2021/09/28383.html
你以為的車企，不再是你以為的車企。
這不，特斯拉剛剛轟動的AI開放日，馬斯克展出人形機器人，并高調宣稱這就是特斯拉的下一步，特斯拉就是一家車輪上的機器人公司。
而中國這邊，自述“與馬斯克沒差距”的小鵬汽車創始人何小鵬，也于今日發布首款智能機器馬。
雖然大家形態有別，人人馬馬，但技術底層邏輯都相似。
一個把特斯拉純視覺為核心的技術用到了機器人。
另一個則表示，機器馬融合了小鵬汽車全棧自研的智能駕駛技術，采用視覺加激光雷達的感知系統。
加上之前宣布汽車機器人的李彥宏，以及發布新寵機器狗鐵蛋的雷軍……
現如今造車的朋友，哪里還有造“車的樣子”。[手動狗頭]
原文鏈接：
https://www.qbitai.com/2021/09/28273.html
年紀輕輕，腰就不好了？
你可能需要這樣一套“護甲”：
穿上它搬重物、做深蹲，好比外骨骼，能時刻幫你糾正成正確的姿勢，減輕背部脊柱的負擔，從而保護你那脆弱的老腰。
研究出自首爾國立大學，成果已發表在Science Robotics。
這套裝備可以更低的消耗、成功地將穿著者自由發揮的搬重姿勢糾正為下蹲姿勢，從而起到保護腰背的作用。雖然咱現在搞不來這套裝備啊，但大家在日常的鍛煉和勞動中，學著它那個糾正姿勢注意一點也也好，保護老腰很重要啊！
原文鏈接：
https://www.qbitai.com/2021/09/28237.html
通常，自動駕駛汽車通過單目攝像頭看到的世界長這個樣子：
馬路上的其他車輛、物體，都被統一建模成一個個立方體，具體的結構細節則被忽略。
想要更精準地勾勒出車輛的真實形態，當然也不是不行，但那就需要用上激光雷達、雙目相機等更加昂貴的傳感器。
不過現在，一項最新研究賦予了單目攝像頭新的能力——是的，僅憑單目相機，就能實時感知物體的3D形狀，進而提高3D目標檢測性能。
這項研究來自百度，論文已經入選ICCV 2021。
具體如何實現？
大體上可以分為三步：
首先，引入CAD模型，在CAD模型上預先定義幾個不同的3D關鍵點。
然后利用深度學習網絡，來建立3D關鍵點和它們在圖像上的2D投影之間的關聯。
最后，利用這樣的對應關系為每個目標物體建立2D/3D約束。
整體的網絡架構如上圖所示，8個分支頭分別對應中心點分類、中心點偏移、2D關鍵點、3D坐標、關鍵點置信度、物體方向、維度，以及3D檢測置信度得分。所有回歸信息最后都會被用來恢復物體在攝像機坐標中的3D邊界框。
而為了自動生成2D/3D關鍵點的真實標注，研究人員還提出了一種自動模型擬合方法。也就是根據攝像頭觀測到的2D圖像，自動擬合不同的3D物體模型和物體掩碼。
具體而言，該方法是基于不同種類的車輛CAD模型，以及KITTI數據集中的3D物體樣本實現的。
研究人員指出，實際上，3D形狀標注的過程可以看作一個優化問題，其目的是計算出最佳參數組合，來適應AI通過“視覺觀察”得到的結果（如2D物體掩碼、3D邊界框、3D點云等）。
實驗結果
研究人員在KITTI 3D目標檢測基準上測試了這一新方法的性能。
KITTI 3D目標檢測基準包含7481張訓練圖像、7518張測試圖像，以及對應的點云，總共包括80256個標記對象。
在這項研究中，由于測試集的真實數據不可用，研究人員將訓練數據分為訓練集（3712個樣本）和驗證集（3769個樣本），用以完善模型。
另外，用以測試的模型是在2塊英偉達V100上訓練完成的，批量大小設為16。
紅色代表最佳結果，藍色代表次佳結果
可以看到，在全部6個任務中，采用了48個關鍵點的AutoShape方法取得了4項第一。而采用16個關鍵點的AutoShape速度更快，準確性損失也并不大。
此外，從上圖中可以看出，模型預測的3D形狀與真實物體一致性較高。
即使是畫面中位置較遠的車輛、被截斷/遮擋的物體，其位置也能被準確檢測到。
總而言之，相比于其他現有方法，AutoShape更準確，并且推理速度更快，可以達到25FPS的處理速度，也就是說可以實現實時檢測的效果。
論文地址： https://arxiv.org/abs/2108.11127
項目地址： https://github.com/zongdai/AutoShape
原文鏈接：
https://www.qbitai.com/2021/09/28213.html
在不做乘加操作（multiply-adds）的情況下，能計算矩陣乘法嗎？
矩陣乘法包含大量a+b×c類運算，因此常在運算中將乘法器和加法器進行結合成一個計算單元，進行乘法累加操作。
用近似算法的話，確實可以！
這是來自MIT的最新研究，他們提出了一種新的近似算法MADDNESS，在確保一定精度的情況下，將速度提升到了現有近似算法的10倍，比精確算法速度快100倍，被ICML 2021收錄。
研究還認為，新算法可能比最近大火的稀疏化、因子化等操作更有前途。
目前，作者已經開源了算法代碼，感興趣的小伙伴們可以去嘗試一下。
一起來看看。
用K聚類算法搞個查找表
這個算法，借鑒了一種叫做乘積量化（Product Quantization）的方法。
其中，量化本質上是一種近似操作。
由于矩陣乘法中的每個元素，都可以看做是兩個向量的點積，因此可以通過查找相似向量，來近似地估計向量的點積，而無需再進行大量乘法運算。
乘積量化的具體原理如下：
當我們輸入一個要計算的向量a的時候，函數g(·)會對a進行一個近似操作，從一個提前設置好的數值查找表中，找到與它最相近的那個值，并輸出一個近似的向量g(a)。
與此同時，這張表格中的每個值，都已經提前做過點積計算了，因此在輸出g(a)的同時，它與查詢向量（query vector）b對應的近似點積計算結果h(b)也能被查表并輸出。
最后，只需要用f(·,·)函數對g(a)和h(b)做加法運算，而不需要再做乘法計算了。
簡單來說，就是通過近似查表的方法，節省了矩陣乘法中的乘法計算時間。
那么，這樣的數值查找表，究竟要設置什么數值，才能確保在近似計算過程中，損失的計算精度最小呢？
這里借鑒了一下K聚類算法（K-means）的思路，即將數據預分為K組，隨機選取K個對象作為初始聚類中心，再通過訓練迭代，確保在將樣本分到K個類中時，每個樣本與其所屬類中心的距離之和最小。
通過這種方法計算出來的數值查找表，能更準確地近似矩陣乘法的數值計算結果。
根據這樣的思路，作者們提出了一種高效的向量乘積量化函數，能在單CPU中每秒編碼超過100GB的數據；同時，還提出了一種針對低位寬整數的高速求和函數。
然后，基于這兩類函數，整出了一套全新的矩陣乘法算法MADDNESS。
這個近似算法的效果如何呢？
精度保持，效率提升數倍
這個算法所需要的算力并不高，在搭載英特爾酷睿i7-4960HQ（2.6GHz）處理器的Macbook Pro上就能完成。
他們在Keras版本的VGG16模型上進行了測試，所用的數據集是CIFAR-10/100，對一系列最新的近似算法進行了評估：
從圖中來看，在效率提升接近10倍的情況下，采用MADDNESS（圖中紅線）仍然能在CIFAR-10上保持幾乎不變的精度。
即使是在CIFAR-100上，在精度幾乎不變的情況下，MADDNESS和MADDNESS-PQ也同樣實現了效率最大化的結果。
除了最新算法外，與其他的現有算法相比（包括作者們在2017年提出的Bolt算法），效果同樣非常拔尖。
對比計算速度的話，MADDNESS的點積速度就能比現有最快方法快兩倍左右。
當然，也有讀者指出，這篇論文還存在一些待解決的問題：
①論文用的是VGG16模型，但沒有在Transformer等更經典的模型（如BERT）中進行實驗；②雖然對矩陣乘法進行了加速，但畢竟只是近似算法，意味著潛在的精度損失；③沒有在GPU中測試評估結果。
但他仍然認為，這不失為一篇非常有意思的研究。
原文鏈接：
https://zhuanlan.zhihu.com/p/405023920
近日，ACM 通訊（Communications of the ACM）刊登了一篇德國科技記者 Allyn Jackson 對著名數學家 Martin Davis 的采訪。
在采訪中，Martin Davis 提出了一個有意思的觀點：“機器學習是一個收斂過程，一個連續逼近，已在分析中應用多年。如果你在構建多級神經網絡時選擇正確的函數，那么它就會迅速收斂…”
Martin Davis 于1928年在美國出生，1950年從普林斯頓大學取得數學博士學位，博士導師為現代計算機理論之父、著名的數學家與邏輯學家 Alonzo Church。后來，他加入紐約大學任教，成為了 NYU 計算機科學系最重要的創始人之一。
在他數十年的研究生涯中，Martin Davis 最為人稱道的是他在數理邏輯上的研究成果，尤其是對希爾伯特第十問題（H10）的深入研究。希爾伯特第十問題是關于不定方程的可解答性，希望對于任意多個未知數的整系數不定方程，可以找到一個可行算法，借助該算法后，通過有限次的運算就能判定該方程是否有整數解。
在他的博士答辯論文中，Martin Davis 提出了著名的“戴維斯的大膽假設”（Davis's daring hypothesis），在邏輯與數論之間建立了聯系。他假設了遞歸可枚舉集（recursively enumerable sets）與丟番圖集（Diophantine sets）是相同的，從而判定 H10 不可解。
后來，在與數學家 Hilary Putnam 與 Julia Robinson 的合作中，Davis 進一步證明了這個大膽的假設，并為俄羅斯計算機科學家 Yuri Matiyasevich 后來在1970 年最終證明 H10 不可解提供了重要的理論基礎。
此外，上世紀60年代，Martin Davis 與 Hilary Putnam 一起設計的 Davis-Putnam 算法（簡稱“DP算法”）成為 SAT 問題的第一個算法，在 SAT 問題被證明為 NP-Complete 問題后，DP算法也成為了所有完備問題算法的基本框架。
以下是 ACM 通訊對 Martin Davis 的訪談問答：
Q1：您對 “P 不同于 NP”持懷疑態度，是這樣嗎？
人們認為 NP 類是類似于遞歸可枚舉集的。這種類比是基于假設多項式時間的可計算性是可計算性的類比，多項式時間的可計算性是切實可行的可計算性。為什么你會相信這個說法呢？這個說法并不合理。如果你有一個包含大數值系數的高階多項式邊界，那么它在計算上根本是不可行的。NP類具有良好的數學閉合特性。這當然是一個有趣的類別，但為什么認為它可行呢？
在實際的應用中，存在非常有用且運行良好的指數時間算法（exponential-time algorithms）。我的這個觀點是參考了 Margaret Wright 的研究工作。起初，人們認為線性規劃不是多項式時間。所以，在發現用于線性規劃的多項式時間算法時，人們認為這是一項重大突破，但事實上，這個算法的效果并不出色！如 Margaret Wright 所展示，在最壞的情況下呈指數的單純形法（simplex method）在許多案例中性能更好，也更快。
我的部分懷疑也與我在研究 H10 問題的經歷有關。在 H10 這個問題上，人們顯然對高級多項式沒有任何直覺。
順便說一句，雖然我不知道 Donald Knuth 的推理依據是什么，但他的看法跟我一樣，即“P 不同于 NP”絕對不是一個開放與封閉的案例，所以我會說，概率是一半一半吧。
Q2：那您對 NP-Complete 問題怎么看？
我認為 NP-complete 問題肯定是難題。我不認為有人可以為任何 NP-Complete 問題找到一個漂亮、可愛又快速的算法。不過，這并不意味著研究人員找不到多項式時間算法，只是這也許不是一個非常可行的算法。關于啟發式的爭論背后，總是有一個觀點，即“多項式時間”（polynomial-time）與“可行”（feasible）是一回事。
Q3：如何更好地定義“可行”？
目前還不清楚是否有一個非常精確的概念。定義的方式可能就像“有些算法比其他算法更難”，只有一個范圍。
此外，什么是可行的，部分要取決于你有哪些可用的計算機設備。在我寫的《通用計算機》（The Universal Computer）中，我想用數字 π 來解釋關于收斂的想法。所以我用萊布尼茨的數列 π/ 4 = 1 - 1/3 + 1/5 - 1/7…寫了一個程序，并計算出這個數列大約有 20,000 項。
但最近，又感覺通過將萊布尼茨級數中的 20,000 項相加來計算 π 的想法似乎是非常愚蠢的。不過，這只是一個業余愛好者可以輕松地使用家里的電腦和計算機編程知識的表現罷了。
Q4：在《通用計算機》的 2018 年版本中，您添加了一些關于機器學習與人工智能的新內容。機器學習最讓您感到驚喜的是什么？
這些神經網絡模型非常有用，而且它們的功能非常強大。多年來，我一直對神經網絡抱有懷疑的態度。最初的想法是，神經網絡是在模仿大腦。然后我想，“這只是另一種模式，沒有什么特別的優點?！钡聦嵤牵瑢τ谀承﹩栴}，例如圍棋比賽，神經網絡的效果出奇地好。在這一點上，我的直覺是完全錯誤的。
你可以添加微信17775982065為好友，注明：公司+姓名，拉進RT-Thread官方微信交流群！
?? 點擊閱讀原文進入官網
