点击左上方蓝字关注我们
01
全球无人车头部三强格局明确,百度自动驾驶估值400亿美金
财报业绩超预期,盘后股价上涨3.75%,自动驾驶业务越来越被看好……
这就是百度在牛年春节后的一系列新表现。
在百度最新披露的第四季度及全年财报中,百度营收和净利都超市场预期,而且非广告方面的营收同比增长52%,以智能云、智能驾驶和前沿业务为代表的AI新业务,正在成为拉动百度中长期增长的新引擎。
特别是智能驾驶领域的突破,不仅被百度董事长李彦宏着重提到,而且也受到国际知名投行瑞穗的额外关注。
瑞穗最近专门大幅上调百度的目标价格,称百度自动驾驶业务需要重估——已上调至400亿美元。
而且这种“重估”,自然也不是空穴来风。如今全球无人车的三足鼎立头部格局,已经再明显不过。
在中美自动驾驶年度报告都出炉后,两份官方权威报告,跨洋辉映,勾勒出了全球自动驾驶的最新格局。
谷歌阵营的Waymo、通用旗下的Cruise,以及百度Apollo,就是全球头部三强。
而且需要说明,这里的百度Apollo还只是其自动驾驶方向业务。因为百度Apollo的三大业务中,除了RoboTaxi为目标的自动驾驶业务;还有帮助量产车实现智能驾驶的AVP和ANP——更合适的同台对标选手是特斯拉FSD;而智能交通方向上,则行业内独此一家。
此外,在这次财报电话会议上,百度方面还透露,造车公司CEO和品牌名都已确定。李彦宏表示,之所以自己造车,就是希望将先进的智能驾驶技术第一时间推向市场,将最好的体验带给用户。
信息来源:量子位
02
学术会议回顾:从这些最佳论文中一窥研究趋势
年,是充满变化的一年。人工智能学术会议也不例外,线上举办、改革评审制度、增加可复现性要求、伦理要求等,这些是「变」。而不变的是大家对学术会议的热情,以及我们总能透过这些会议探究学术前沿发展趋势。
今天,我们就从各大顶会的最佳论文中一窥当前研究热点和趋势。
AAAI
最佳论文:WinoGrande: An Adversarial Winograd Schema Challenge at Scale
论文链接:/abs/1907.10641
简介:维诺格拉德模式挑战赛(Winograd Schema Challenge:WSC)是一个用于常识推理的基准测试,该测试有 273 个专家编写的问题,专门应对依赖选择偏好和词语联想的统计学模型。但是近来,许多模型在该基准测试的性能已达到 90%。因此,研究者希望了解,这些模型是否真正获得了鲁棒的常识能力。
因此,研究者提出了 WINOGRANDE,一个有着 44k 个问题的大规模数据集。该数据集在规模和难度上较之前的数据集更大。该数据集的构建包括两个步骤:首先使用众包的方式设计问题,然后使用一个新的 AFLITE 算法缩减系统偏见(systematic bias),使得人类可以察觉到的词汇联想转换成机器可以检测到的嵌入联想(embedding association)。现在最好的 SOTA 模型可以达到的性能是 59.4 – 79.1%,比人脸性能水平(94%)低 15-35%(绝对值)。这种性能波动取决于训练数据量(2% 到 100%)。
此外,研究者还在 5 个相关的基准数据集上进行了测试,取得了以下结果:WSC (→ 90.1%)、DPR (→ 93.1%)、COPA(→ 90.6%)、KnowRef (→ 85.6%) 和 Winogender (→ 97.1%)。这说明,一方面 WINOGRANDE 是一个很好的迁移学习的资源;但另一方面,这说明我们现在高估了模型的常识推理的能力。研究者希望通过这项研究能够让学界重视减少算法的偏见。
最佳论文提名:A Unifying View on Individual Bounds and Heuristic Inaccuracies in Bidirectional Search
论文链接:
https://ai.dmi.unibas.ch/research/reading_group/alcazar-et-al-aaai.pdf
简介:过去几年,新的双向启发式搜索算法取得了很多成功。这些算法的创新之处在于,它们降低了从 g 个值中双向获取信息的成本。Kaindl and Kainz (1997) 、Sadhukhan () 等都为这一领域做出了贡献,但仍有一些问题没有解决。本文中,研究者在相关领域进行了更多的扩展。
CVPR
最佳论文:Unsupervised Learning of Probably Symmetric Deformable 3D Objects from Images in the Wild
论文链接:/abs/1911.11130
简介:这项研究提出了一种基于原始单目图像学习 3D 可变形物体类别的新方法,且无需外部监督。该方法基于一个自编码器,它将每张输入图像分解为深度、反射率、视点和光照(将这四个组件结合起来即可重建输入图像)。该模型在训练过程中仅利用重建损失,未使用任何外部监督。为了在不使用监督信号的前提下将这些组件分解开,研究人员利用了很多物体类别所具备的属性——对称结构。该研究表明,对光照进行推理可以帮助我们利用物体的底层对称性,即便由于阴影等因素造成物体外观看起来并不对称也没有关系。此外,该研究还使用模型其他组件以端到端的方式学得对称概率图,并借助对该概率图的预测对可能并不对称的物体进行建模。实验表明,该方法可以准确恢复单目图像中人脸、猫脸和车辆的 3D 形状,且无需任何监督或先验形状模型。相比于利用 2D 图像对应监督的另一种方法,该方法在基准数据集上的性能更加优越。
模型结构如下所示:
信息来源:机器之心
03
为AI而生,打破存储墙,佐治亚理工等提出新型嵌入式无电容DRAM
在最近的一项研究中,来自佐治亚理工、圣母大学、罗彻斯特理工学院的研究者提出了一种新型的无电容 DRAM,旨在加快 AI 领域的发展。
当今计算中最大的问题之一是「存储墙」,即处理时间与将数据从单独的 DRAM 存储器芯片传送到处理器所花费时间之间的差距。AI 应用的日益普及只会加剧该问题,因为涉及面部识别、语音理解、消费商品推荐的巨大网络很少能容纳在处理器的板载内存上。
在 年 12 月举行的 IEEE 国际电子设备会议(IEDM)上,一些研究小组认为:一种新型的 DRAM 可能成为「存储墙」问题的解决方案。他们表示:「这种新型的 DRAM 由氧化物半导体制成,并内置在处理器上方的各层中,其位长是商用 DRAM 的数百或数千倍,并且在运行大型神经网络时可以提供较大的区域,节省大量能源。」
计算机中的 DRAM 存储单元由单个晶体管和单个电容器制成,即所谓的 1T1C 设计。这种存储单元在写入时打开晶体管,电荷被推入电容器 (1) 或从电容器 (0) 去除;读取时则会提取并度量电荷(如果有)。该系统速度超级快,价格便宜,并且功耗很小,但它也有一些缺点。
新型嵌入式 DRAM 仅由两个晶体管制成,没有电容器,简称为 2T0C。之所以可以这样做,是因为晶体管的栅极是天然的电容器(尽管有些小)。因此代表该位的电荷可以存储在此处。该设计具有一些关键优势,特别是对于 AI 来说。
新型嵌入式 DRAM 的结构。图源:圣母大学。
与由晶体管和电容器组成的普通 DRAM 不同,2T0C 嵌入式 DRAM 由两个晶体管组成。该位存储在右侧晶体管的电容中,并由左侧设备放置在此处。右侧设备栅极上的电荷意味着电流可以流过它,因此仅由晶体管控制读取和写入。
信息来源:机器之心
04
用VS Code直接浏览GitHub代码 | 12.1K星
“看GitHub代码”这件事上,还在网页上点点点?
用开发工具看代码,不香吗?
于是,它来了,它来了——可以直接用VS Code方式打开GitHub代码的工具。
而且在短短几天时间里,这个项目已经获得了12.1k个star。
不仅如此,网友们还基于此,还开发出了更多更方便快捷的版本。
用VS Code来看GitHub代码
这个项目叫做github1s,也正如其名,作者对其的解释是:
只需1秒,就可以用VS Code方式来看GitHub代码。
毕竟代码嘛,在“原汁原味”的环境下看,还是比较舒服的。
而且操作方式也是非常的简单,只需要在浏览器网址部分中的“github”后边,添加一个“1s”就可以了。
像这样:
当然,项目也可以clone到本地来安装。
还有更多便捷方式
但除了在手动输入网址的方式外,有没有更快捷的操作?
这个可以有。
以Chrome为例,作者已经为此添加了扩展程序。
在安装完毕后,只需要在GitHub项目页面右击,就会出现相应选项,一键即可转换成VS Code。
信息来源:量子位
05
老黄“自废武功”:3060挖矿效率砍一半,同时推出专业矿卡,只为让你买上30系显卡
30系显卡有多难买,懂的都懂。
本来就有点产能捉急,又碰上比特币价格水涨船高,矿老板大肆采购。
正经游戏玩家们真的是饱受一卡难求、捆绑销售之苦。
而本月25号,国行定价2499元的甜品级显卡3060即将发售,在喊真香之前,玩家们也不禁担心:这波真的能抢到?
现在,英伟达官宣:GeForce系列就是为了游戏而生,我们要把RTX 3060的挖矿效率砍到50%!
同时,英伟达还宣布,将推出专门用于加密货币挖矿的NVIDIA CMP(Cryptocurrency Mining Proccessor)显卡系列。
潜台词很明显了:
矿老板们把3060让给普通用户吧,要挖矿,不如看看为挖矿而生的CMP。
哈希率减半,同时推出矿卡CMP
所以,英伟达具体要怎么限制3060的挖矿效率?
其实并不复杂,就是用软件驱动程序对挖矿这一行为进行检测,而后自动将哈希率限制在50%左右。
如此一来,如果想用3060挖矿,回报率就会减半。
英伟达还证实,这样的限制无论是在Linux还是Windows上,均会生效。
信息来源:量子位
飞桨(PaddlePaddle)以百度多年的深度学习技术研究和业务应用为基础,是中国首个开源开放、技术领先、功能完备的产业级深度学习平台,包括飞桨开源平台和飞桨企业版。飞桨开源平台包含核心框架、基础模型库、端到端开发套件与工具组件,持续开源核心能力,为产业、学术、科研创新提供基础底座。飞桨企业版基于飞桨开源平台,针对企业级需求增强了相应特性,包含零门槛AI开发平台EasyDL和全功能AI开发平台BML。EasyDL主要面向中小企业,提供零门槛、预置丰富网络和模型、便捷高效的开发平台;BML是为大型企业提供的功能全面、可灵活定制和被深度集成的开发平台。
END
如果觉得《本周AI热点回顾:百度自动驾驶估值400亿美金;新型嵌入式无电容DRAM为AI而生...》对你有帮助,请点赞、收藏,并留下你的观点哦!