VR（Virtual Reality）虚拟的现实，是透过电脑来模拟和整合视觉与听觉讯息的立体虚拟世界，临场感與沉浸感格外强烈，容易让感受你身历其境。
AR（Augmented Reality）增强的现实，将虚拟的信息加入实际生活场景。透过摄影机的位置及角度精算並加上图像分析技术，让荧光屏幕上虚拟世界能够与现实世界场景进行结合與互动。
ASIC（Application-specific integrated circuit）专用集成电路，是指依产品需求不同而客制化的特殊规格集成电路。
ASSP（application specific standard product）专用标准产品。ASIC是为一位顾客专门制作的特殊产品，而ASSP是市场所销售的现成的组件，供应一批客户的需要。
FPGA（Field Programmable Gate Array）现场可编程逻辑闸阵列，它在可编程逻辑器件的基础上进一步发展，是作为专用集成电路领域中的一种半定制电路而出现的，解决了全定制电路的不足。
GPU（graphics processing unit）图形处理器，又称视觉处理器，是一种专门在个人电脑、工作站、游戏机和一些移动设备（平板电脑、智能手机等）上进行图形运算工作的微处理器。
GPS（Global Positioning System）全球定位系统，是美国国防部研制和维护的中距离圆型轨道卫星导航系统。它可以为地球表面绝大部分地区提供准确的定位、测速和高精度的标准时间。
CPU（Central Processing Unit）中央处理器，是计算机的主要器件之一，制成大规模集成电路，功能主要是解释计算机指令以及处理计算机软件中的数据。
RAM（Random-Access Memory）随机存储器，是计算机机箱内的一种存储设备，与CPU直接交换数据，它可以随时读写。
LUT（Look-Up-Table）查找表，LUT本质上就是一个RAM。目前FPGA中多使用4输入的LUT，所以每一个LUT可以看成一个有4 位地址线的 的RAM。
IoT（Internet of Things）物联网，是让所有能行使独立功能的普通物体实现互联互通的网络。在物联网上，每个人都可以用电子标签将真实的物体上网联结，在物联网上都可以查到它们的位置。
IP（Internet Protocol）网络协议，是用于一种网络数据交换的协议。任务是专门根据源主机和目的主机的地址传送数据。
LED（Light-emitting diode）发光二极管，是一种能发光的半导体电子元件，近年逐渐发展至用作照明和图像显示。
UAV（Unmanned Aerial Vehicle）无人飞行载具，俗称无人机，广义上为不需要驾驶员登机驾驶的各式遥控飞行器。
HUD（Head Up Display）平视显示器，是目前普遍运用在航空器上的飞行辅助仪器，让飞行/驾驶员不需要低头就能够看到他需要的重要资讯。
LCoS（Liquid Crystal on Silicon）硅基液晶，一种显示器技术，最大优点在于可大幅降低液晶显示面板生产成本，且有相当程度的分辨率。
TPU（Tensor processing unit）张量处理器，是Google为机器学习定制的专用芯片（ASIC），与图形处理器（GPU）相比，TPU采用低精度（8位）计算，降低功耗、加快运算。
SoC（System on Chip）系统芯片，是一个将电脑或其他电子系统集成到单一芯片的集成电路。
RTK（Real Time Kinematic）实时动态技术，是一种通过基准站和流动站的同步观测。
SAE International（Society of Automotive Engineers）国际机动车辆工程师协会，制定各行业的工程标准。
Saturday, September 30, 2017
Thursday, September 21, 2017
AI专家：吴韧博士和他的NovuMind雄心
2017硅谷科技论坛定于9月30日召开。今年主题是“人工智能下的智慧出行”，由我们SVTC与硅谷科技协会（SVSTA)、华美半导体协会(CASPA）联合主办。我们请到了好几位AI和自动驾驶业界的领军人物，来深入探讨和分享这个领域的发展趋势，其中一位是前百度公司的杰出科学家吴韧博士。
作为华人AI专家，吴韧去年年末在他位于硅谷的办公室接受了PingWest的采访。（本文内容取自PingWest网站《人物》专栏2016年12月的一篇访谈文章：NovuMind 创始人吴韧：人工智能向右脑前进。）
吴韧1984年毕业于成都气象学院电子系，次年从气象局调入德阳教育学院从事计算机管理工作。他1987年来到南开大学计算机系开始研究，1990年到美国工作。
2000年，吴韧加入在硅谷享誉盛名的惠普实验室，成为了该实验室决策技术部最年轻的科学家之一。他在博士研究中的《反溯算法及其应用》超过了当代计算机科学泰斗、图灵奖获得者肯·汤普森发明的经典算法，为人类象棋界填补了过去未发现的知识空缺，在计算机博弈界引起震动。
计算机博弈研究是人工智能研究的一个重要课题，在该领域设计出优秀的下棋程序，都会对人工智能整体技术水平带来进步或启发。在惠普实验室，吴韧独立设计开发出了一款中国象棋超级程序，用中国现存最早的象棋棋谱“梦入神机”为其命名。这个程序曾两度获得计算机象棋奥林匹克比赛冠军，让吴韧成为了全世界设计计算机中国象棋程序的顶级专家。
当时，他的思路和现在的人工智能下棋程序类似，采用有限的规则（树形搜索）加上自己建立的庞大的中国象棋残局数据库，设计了一种思维模式，这样计算机就能像人一样思考，与人对弈。最终完成的程序具有海量数据和编码高效的特点，和当时的主流做法形成了很大的差别。这也奠定了他在计算机象棋，以及后来的人工智能业界的地位。
2010年，惠普邀请吴韧担任CUDA实验室首席研究员，在这里吴韧成为了业界最早开始使用GPU加速计算进行海量数据计算的专家。2012年，AMD聘用吴韧担任异构计算系统首席软件架构师，并在公司技术专家委员会担任首席委员。（CUDA是一项集成技术，对图像处理器进行通用计算。这种把通用计算单元（CPU)加上图像处理的专用计算单元（GPU）所建构的系统，叫作异构计算系统，详细可参考CSDN的解释文章。）
2013年9月底，吴韧正式加盟百度深度学习研究院出任杰出科学家，致力于建设一个异构计算平台以服务百度和其用户。在他的带领下，百度异构计算小组在业界的一些比赛中获得了非常优秀的成绩。百度公司那段时期的不少技术进展，都有他的功劳。
吴韧博士认为，当计算能力足够强时，人工智能会获得人类右脑的能力——直觉。“我一直觉得，我们的创造性受限于我们的计算能力。”吴韧说。所以，从百度出来后，他创办了 NovuMind，打算设计一种全新的计算架构，为计算机解锁创造性的限制，“我们的目标是让人工智能走进生活的方方面面，它要达到两个要求：无所不能，并且无处不在。”
无所不能 (Omnipotent) 指的是一件具有人工智能的设备能够满足使用者的要求。这个要求大部分人工智能设备都已经满足，无论是简单一些的语音、图像识别，抑或复杂一些的自动驾驶，面向最终目的经过训练的深度神经网络都可以实现。
难点在于无处不在 (Ubiquitous)。在吴韧看来，真正的无处不在是随时可用的终端人工智能，而这和现在主流的，将人工智能系统放在云端的做法背道而驰。“我们想让生活中的每一个小东西都具有思考的能力。”
若想知道NovuMind有什么独门绝招，来训练深度神经网络的超级计算机做到終端的人工智能，请来参加我们9月30日的硅谷科技论坛，聆听吴博士。详情和报名请点击这里。
吴韧1984年毕业于成都气象学院电子系，次年从气象局调入德阳教育学院从事计算机管理工作。他1987年来到南开大学计算机系开始研究，1990年到美国工作。
2000年，吴韧加入在硅谷享誉盛名的惠普实验室，成为了该实验室决策技术部最年轻的科学家之一。他在博士研究中的《反溯算法及其应用》超过了当代计算机科学泰斗、图灵奖获得者肯·汤普森发明的经典算法，为人类象棋界填补了过去未发现的知识空缺，在计算机博弈界引起震动。
计算机博弈研究是人工智能研究的一个重要课题，在该领域设计出优秀的下棋程序，都会对人工智能整体技术水平带来进步或启发。在惠普实验室，吴韧独立设计开发出了一款中国象棋超级程序，用中国现存最早的象棋棋谱“梦入神机”为其命名。这个程序曾两度获得计算机象棋奥林匹克比赛冠军，让吴韧成为了全世界设计计算机中国象棋程序的顶级专家。
当时，他的思路和现在的人工智能下棋程序类似，采用有限的规则（树形搜索）加上自己建立的庞大的中国象棋残局数据库，设计了一种思维模式，这样计算机就能像人一样思考，与人对弈。最终完成的程序具有海量数据和编码高效的特点，和当时的主流做法形成了很大的差别。这也奠定了他在计算机象棋，以及后来的人工智能业界的地位。
2010年，惠普邀请吴韧担任CUDA实验室首席研究员，在这里吴韧成为了业界最早开始使用GPU加速计算进行海量数据计算的专家。2012年，AMD聘用吴韧担任异构计算系统首席软件架构师，并在公司技术专家委员会担任首席委员。（CUDA是一项集成技术，对图像处理器进行通用计算。这种把通用计算单元（CPU)加上图像处理的专用计算单元（GPU）所建构的系统，叫作异构计算系统，详细可参考CSDN的解释文章。）
2013年9月底，吴韧正式加盟百度深度学习研究院出任杰出科学家，致力于建设一个异构计算平台以服务百度和其用户。在他的带领下，百度异构计算小组在业界的一些比赛中获得了非常优秀的成绩。百度公司那段时期的不少技术进展，都有他的功劳。
吴韧博士认为，当计算能力足够强时，人工智能会获得人类右脑的能力——直觉。“我一直觉得，我们的创造性受限于我们的计算能力。”吴韧说。所以，从百度出来后，他创办了 NovuMind，打算设计一种全新的计算架构，为计算机解锁创造性的限制，“我们的目标是让人工智能走进生活的方方面面，它要达到两个要求：无所不能，并且无处不在。”
无所不能 (Omnipotent) 指的是一件具有人工智能的设备能够满足使用者的要求。这个要求大部分人工智能设备都已经满足，无论是简单一些的语音、图像识别，抑或复杂一些的自动驾驶，面向最终目的经过训练的深度神经网络都可以实现。
难点在于无处不在 (Ubiquitous)。在吴韧看来，真正的无处不在是随时可用的终端人工智能，而这和现在主流的，将人工智能系统放在云端的做法背道而驰。“我们想让生活中的每一个小东西都具有思考的能力。”
若想知道NovuMind有什么独门绝招，来训练深度神经网络的超级计算机做到終端的人工智能，请来参加我们9月30日的硅谷科技论坛，聆听吴博士。详情和报名请点击这里。
Tuesday, September 19, 2017
景驰科技：自动驾驶研发遇到的挑战
在9月30日举办的2017硅谷科技论坛，主题是人工智能和自动驾驶，我们请到了景驰科技公司的首席科学家韩旭来作主讲嘉宾。景驰科技是今年4月刚刚成立的自动驾驶初创企业，由于有几位重量级的创始人，人们都非常关注。他们到6月已经首次完成在加州公路上复杂路况的无人驾驶测试，时速达到了33英里。
您若对参加本届论坛的主题有兴趣，可点击这里阅读详情并报名，届时亲自来听韩博士的讲演。下面取自搜狐狐新闻网新智元专栏对韩旭的专访报道。全文请点击这里阅读。
景驰科技提出“要在2020年代的中叶实现无人车的量产和运营投放”，“成为全世界第一批、中国第一家能够规模化应用无人驾驶技术的企业”。
韩旭说，“之前大家普遍认可的无人车量产时间是 2025年左右。2015年12月14日，在百度自动驾驶事业部的成立大会上，被任命为事业部总经理的王劲提出了战略目标：‘三年商用，五年量产’。于是大家的时间表都跟着提前了。现在全球已经有19家企业宣布2021年推出无人驾驶汽车。但我坚信，在中国，我们会是第一家推出量产无人驾驶汽车的。”
针对自动驾驶领域目前存在的主要技术挑战，韩旭主要谈到了以下几点：
“首要也是最主要的一个问题是感知。另一方面，耐用性也是一个很大的问题。目前一辆家用汽车，至少要开10万、20万公里。自动驾驶车辆能够保证多长时间的正常行驶，这还需要持续去观察。自动驾驶使用的线控转向和刹车的耐损程度，还需要进一步考察。”
“关于计算能力，本质上说，计算能力是越高越好。但实际来看，有些车的供电有限制，导致我们无法使用最顶级的GPU。但实际上这不是太大的问题。我认为主要问题还是我说的这两点：感知和耐用性。”
关于终端的计算能力的问题，韩旭认为这并不会成为制约无人车研发的瓶颈：
“我认为终端的计算能力并不是自动驾驶发展的瓶颈。因为就我自己所看到的，现在自动驾驶的能力，没有受到终端硬件计算能力的制约。大家可能希望把计算能力在边缘上做得更加低功耗，成本更低一点。但实际上现在制约自动驾驶发展的原因，我认为主要还是算法，包括物体识别、尤其是特殊情况（corner case）的处理，而不是终端计算能力。目前的终端计算能力及其发展速度，参照英伟达（NVIDIA）公司开发硬件的能力，并没有对自动驾驶发展产生限制。瓶颈出现在算法上。如果提出一种需要很高计算能力的算法，现在的硬件是能够跟得上的。”
关于算法的瓶颈，韩旭举了个例子：“比如某条公路经过翻修，旧的车道线并未铲除干净，还有一些模糊的痕迹。对人来说这不是问题，但是对于无人车来说，它确实是一根车道线，这就会产生很大的问题。另外一点，极高准确率的障碍物识别也存在挑战。这就是我们为什么坚持走多传感器融合的路线。计算机视觉目前确实发展到了不错的程度，但在召回率达到99.9% 的情况下，准确度实际上还是很低的。所以，完全基于摄像头的物体检测和识别，还没有达到供自动驾驶安全使用的水平。”
“芯片级别的 AI 能力也是需要注意的问题。AI 的算法现在并没有固化，相关算法每天都在进化。ASIC（专用集成电路）的问题在于它非常不灵活。如果产生一种新的算法，ASIC 的升级是很大的问题。我不认为将来的第一代量产车型一定会上ASIC，很可能会是FPGA（现场可编程逻辑闸阵列）和GPU（图形处理器）相结合。就像英伟达的 Drive PX2（第二代辅助驾驶机器）里面也并没有 ASIC，但是已经在特斯拉上使用了。”
关于景驰的技术特点，韩旭说：“景驰的技术特点，首先是多传感器融合解决方案。在最理想的状态下，自动驾驶中的“感知”问题只要通过摄像头加GPS就可以解决。但实际上，从目前来看，摄像头还远没有达到完全解决所有物体识别、障碍物识别的地步。反观激光雷达，作为一种active sensor，它可以很稳定地告诉你障碍物在哪里，从而避免车祸的产生。从这一点上说，激光雷达和毫米波雷达具有不可替代的优势。”
“另外我们非常重视高精地图的应用。在高精地图方面，景驰有很深的积累。我们现在有了非常快速准确产生高精地图的方法。”
“同时，由于我个人的研究背景，我们不光是简单地运用传统的计算机视觉或者多传感器融合的方法来做自动驾驶，而是强烈依赖于深度学习的方法。之前我在深度学习方面做了很多工作，比如端到端的Deep Speech研发。景驰已经建立了一个非常大规模的模拟器，进行深度学习的模拟和测试。”
“因为我们的无人车已经开始上路，实际上我们现在已经开始大规模积累驾驶里程数，来进一步提高我们自动驾驶的安全性和智能性。”
您若对参加本届论坛的主题有兴趣，可点击这里阅读详情并报名，届时亲自来听韩博士的讲演。下面取自搜狐狐新闻网新智元专栏对韩旭的专访报道。全文请点击这里阅读。
韩旭说，“之前大家普遍认可的无人车量产时间是 2025年左右。2015年12月14日，在百度自动驾驶事业部的成立大会上，被任命为事业部总经理的王劲提出了战略目标：‘三年商用，五年量产’。于是大家的时间表都跟着提前了。现在全球已经有19家企业宣布2021年推出无人驾驶汽车。但我坚信，在中国，我们会是第一家推出量产无人驾驶汽车的。”
针对自动驾驶领域目前存在的主要技术挑战，韩旭主要谈到了以下几点：
“首要也是最主要的一个问题是感知。另一方面，耐用性也是一个很大的问题。目前一辆家用汽车，至少要开10万、20万公里。自动驾驶车辆能够保证多长时间的正常行驶，这还需要持续去观察。自动驾驶使用的线控转向和刹车的耐损程度，还需要进一步考察。”
“关于计算能力，本质上说，计算能力是越高越好。但实际来看，有些车的供电有限制，导致我们无法使用最顶级的GPU。但实际上这不是太大的问题。我认为主要问题还是我说的这两点：感知和耐用性。”
关于终端的计算能力的问题，韩旭认为这并不会成为制约无人车研发的瓶颈：
“我认为终端的计算能力并不是自动驾驶发展的瓶颈。因为就我自己所看到的，现在自动驾驶的能力，没有受到终端硬件计算能力的制约。大家可能希望把计算能力在边缘上做得更加低功耗，成本更低一点。但实际上现在制约自动驾驶发展的原因，我认为主要还是算法，包括物体识别、尤其是特殊情况（corner case）的处理，而不是终端计算能力。目前的终端计算能力及其发展速度，参照英伟达（NVIDIA）公司开发硬件的能力，并没有对自动驾驶发展产生限制。瓶颈出现在算法上。如果提出一种需要很高计算能力的算法，现在的硬件是能够跟得上的。”
关于算法的瓶颈，韩旭举了个例子：“比如某条公路经过翻修，旧的车道线并未铲除干净，还有一些模糊的痕迹。对人来说这不是问题，但是对于无人车来说，它确实是一根车道线，这就会产生很大的问题。另外一点，极高准确率的障碍物识别也存在挑战。这就是我们为什么坚持走多传感器融合的路线。计算机视觉目前确实发展到了不错的程度，但在召回率达到99.9% 的情况下，准确度实际上还是很低的。所以，完全基于摄像头的物体检测和识别，还没有达到供自动驾驶安全使用的水平。”
“芯片级别的 AI 能力也是需要注意的问题。AI 的算法现在并没有固化，相关算法每天都在进化。ASIC（专用集成电路）的问题在于它非常不灵活。如果产生一种新的算法，ASIC 的升级是很大的问题。我不认为将来的第一代量产车型一定会上ASIC，很可能会是FPGA（现场可编程逻辑闸阵列）和GPU（图形处理器）相结合。就像英伟达的 Drive PX2（第二代辅助驾驶机器）里面也并没有 ASIC，但是已经在特斯拉上使用了。”
关于景驰的技术特点，韩旭说：“景驰的技术特点，首先是多传感器融合解决方案。在最理想的状态下，自动驾驶中的“感知”问题只要通过摄像头加GPS就可以解决。但实际上，从目前来看，摄像头还远没有达到完全解决所有物体识别、障碍物识别的地步。反观激光雷达，作为一种active sensor，它可以很稳定地告诉你障碍物在哪里，从而避免车祸的产生。从这一点上说，激光雷达和毫米波雷达具有不可替代的优势。”
“另外我们非常重视高精地图的应用。在高精地图方面，景驰有很深的积累。我们现在有了非常快速准确产生高精地图的方法。”
“同时，由于我个人的研究背景，我们不光是简单地运用传统的计算机视觉或者多传感器融合的方法来做自动驾驶，而是强烈依赖于深度学习的方法。之前我在深度学习方面做了很多工作，比如端到端的Deep Speech研发。景驰已经建立了一个非常大规模的模拟器，进行深度学习的模拟和测试。”
“因为我们的无人车已经开始上路，实际上我们现在已经开始大规模积累驾驶里程数，来进一步提高我们自动驾驶的安全性和智能性。”
Subscribe to:
Posts (Atom)