人工智慧科技與開發

近年來，AI 技術和應用進入高速發展期。數據顯示，到2030年，AI 核心產業規模將超過1萬億元，帶動相關產業規模超過10萬億元，未來沒有任何一家企業可以與 AI 無關。所以，要形成繁榮的 AI 生態，解決 AI 服務商從“做出來”到“賣出去”的商業化需求也愈發迫切。 當 AI 已經成為新一輪產業變革的核心驅動力，企業如何打出自己的 AI 好“牌”，又如何讓手里的“牌”贏得更多價值? AI 時代，智能創新業務如何快速實現從0到1乃至10000 ? 「鈦靈 AI 市場」是由 Google AI 技術推廣伙伴 Gravitylink（引力互聯）打造的全球化 AI 算法及解決方案交易市場，致力于幫助來自全球的優秀 AI 服務商與需求方建立更加高效的直連對接，加速 AI 技術在各領域的落地、應用。 2019年，Gravitylink 在全球40多個國家和地區參與了 Google AI 技術推廣、Google AI 芯片銷售等工作。已累計服務了超 3000 家企業，行業涉及智慧城市、自動駕駛、智能制造、工業、醫療、新零售、環保、物流、消費電子、教育等多個領域，收集到超 1200 條 AI 算法需求。 自動駕駛汽車，通過 AI 技術感知路線 醫療診斷設備，借助 AI 技術進行肺結節 應用于城市管理，通過 AI 技術了解區域人群熱力分布 通過入駐「鈦靈 AI 市場」，服務商除了可以將自身的 AI 技術賦能到各行業的合作伙伴之外，還可以通過平臺的一站式生態上下游協作和需求交易對接機制，面向終端客戶推出更多優質解決方案，同時幫助團隊自身實現商業變現。 如何更快、更好使用「鈦靈 AI 市場」開放的技術賦能平臺，實現 AI 應用創新？ 無論你是 AI 開發者，還是 IT 服務商、硬件設備制造商、集成商，或是新一代各行業 AI 服務商，入駐「鈦靈 AI 市場」都將是不錯的選擇！ 這里不僅有基于企業需求對接的 AI 商業平臺，更提供了 AI 產業所需的多維度機器學習模型、算法及硬件商品。基于同 Google 的合作關系，平臺將努力提供更多的企業采購服務，打造一站式 AI 賦能業務的領先平臺。 現在申請入駐，您將獲得哪些好處? · 超過3000家平臺企業推薦 · 全球化推廣與更加精準的客戶資源 · 引力互聯自媒體平臺...

今天的人工智慧（AI）處理大部分是在基於雲端的數據中心中完成的。大部分AI處理以深度學習模型訓練為主導，這需要大量的計算能力。在過去的6年中，我們看到計算需求增長了300,000倍，其中圖形處理單元（GPU）提供了大部分支持。 從AI處理的角度來看，AI推理是在訓練後執行的，並且計算強度相對較低，在很大程度上已被忽略。像訓練一樣，推理也主要在數據中心完成。但是，隨著AI應用程式多樣性的增長，基於雲的集中式培訓和推理機制正受到質疑。 為何需要邊緣人工智慧？ 當今的AI邊緣處理專注於將AI工作流的推理部分移至設備，從而將數據限制在設備上。AI應用程式遷移到邊緣設備的原因有多種，具體取決於應用程式。在評估雲計算與邊緣處理時，必須考慮隱私，安全性，成本，延遲和帶寬。諸如Google的Learn2Compress之類的模型壓縮技術的影響，該技術可將大型AI模型壓縮為小型硬體尺寸，這也促進了AI邊緣處理的興起。 聯合學習和基於區塊鏈的分散式AI架構也是AI處理向邊緣化轉變的一部分，而部分培訓也可能會向邊緣化發展。根據AI應用程式和設備類別的不同，有幾種用於執行AI邊緣處理的硬體選項。這些選項包括CPU，GPU，ASIC，FPGA和SoC加速器。 什麼是邊緣人工智慧？ 邊緣人工智慧將AI移到了真正需要的地方：在設備中，而不是依靠雲端中的伺服器。在繼續之前，我們應該瞭解機器學習如何工作的基礎知識。任何基於機器學習的解決方案的兩個主要階段是訓練和推理，可以描述為： 訓練是一個階段，其中將（非常）大量的已知數據提供給機器學習演算法，以使其“學習”（驚奇）要做什麼。利用該數據，演算法可以輸出包含其學習結果的“模型”。這一步對處理能力的要求很高。 推理是將學習的模型與新數據結合使用，以推理其應識別的內容。訓練階段中的“已知數據”稱為標記數據。這意味著每個數據（聲音，圖像等）都有一個標籤，就像一個小貼紙，描述了它的含義。語音識別AI經過數千小時的標記語音數據訓練，以便從口語句子中提取文本。然後，可以使用自然語言識別來將命令中的文本轉換為電腦可以理解的命令。 一旦訓練完成，模型就需要處理能力的一小部分來執行推理階段。這樣做的主要原因是推論使用一組輸入數據，而訓練通常需要大量樣本。用於推理的生產模型也是“凍結的”（無法再學習），可能修剪了較少的相關功...

智慧農業利用科學技術手段，對農產品的生產、銷售進行精細化管理，提高農業生產效率,幫助農民提高收入。智慧農業實現了投入少，產量高的目標,通過農業生產高度規模化、機械化、智能化的特點，降低生產成本，提高市場競爭力；可以實現無人化精準控制，達到水、肥、光、熱的利用，不過度施肥、噴灑農藥,杜絕污染，確保農產品絕對安全。智慧農業的應用和推廣，可以改變過去生產者單純依靠經驗進行農業生產經營的模式，轉變了農業生產者、消費者對傳統農業落后、科技含量低的觀念。 智慧農業 本地AI為農業提供了高性能的離線分析，可以改善土壤品質，植物健康和農作物產量，從而生產更多的食物，減少對環境的影響並實現可持續的耕作方式。據聯合國糧食及農業組織稱，近三分之一的世界糧食產量是被浪費或耕種損失的，而2018年饑餓人口超過8.2億。為了保證全球人口的食品可持續供應，生產者需要增加產量，同時減少對環境的負面影響，例如土地侵蝕，養分流失和溫室氣體排放。 土壤分析 通過傳統方法分析作物的生長條件需要一個月或更長的時間。這種延遲可能導致作物播種、施肥時間不適當，從而降低作物的產量，甚至造成沒有收成。借助Coral設備，結合針對土壤數據進行訓練的神經網路模型，可以提供近乎即時的土壤狀況分析。這將帶來更及時的耕種措施調整和適時播種。 作物分揀 對於小農戶而言，對農產品精良情況進行分類，可以獲得更高的銷售價格和更快的上市時間。通過傳統手工完成作物分級的過程很慢，而且過多佔用勞動力資源。借助Coral設備，運行目標檢測模型可以構建成本更低的模組化分揀機。這種模組化的分揀可以幫助農民輕鬆地對其產品進行分類並快速推向市場。 病害檢測 準確診斷植物健康，包括疾病，害蟲和環境資訊，是改善生長條件的第一步。語義分割模型可以幫助將樹葉和植物特徵與複雜背景分開。當與分類模型結合並在Coral平臺上運行時，農民可以對田間疾病進行即時診斷。在生長季節和各個領域匯總這些數據可以改進模型，從而提高農作物未來的產量並降低病蟲害風險。 精准農業 為便於在合適的時間進行農作物施肥、澆水、除蟲等干預，精准農業對農作物的栽種位置、生長狀況和生長進度等資訊瞭解程度要求很高。無論是大型農場還是小型農場，跟蹤此信息都非常困難。借助Coral本地 AI技術構建的作物狀態監測工具，以及結合用於識別和分類的機器學習...

人工智慧和語音識別正在迅速發展。 根據Gartner的報告，到2020年，人工智慧將在無人管理的情況下管理85％的客戶互動。 這很有可能，因為我們已經在教導我們的機器將數據解釋為邏輯解決方案。人工智慧技術已經讓用戶的生活變得更加輕鬆，作為產品開發者或者說產品經理，如何構建自己的人工智慧產品？為了進一步獲得問題的答案，我們與一些成功的AI產品創始人進行了交談，他們都在打造人工智慧產品上有所建樹。 1、為用戶打造一種習慣，這非常有價值 Nathan Benaich，Playfair Capital科技公司的投資者 一個由AI驅動的真正出色的產品將帶來令人讚歎的時刻，也即，開箱即用，能完成以前不可能完成的任務，這是一種神奇的感覺。 以Google相冊為例，它可以檢索與搜索查詢匹配的圖像。或SwiftKey，它可以預測您接下來要輸入的單詞。再比如特斯拉的自動駕駛儀，能夠從駕駛員那裏進行自動控制。這些產品都能帶來令人驚喜的感覺，一種非同尋常的體驗，因為它們對改變人類的生活非常有價值，因此很快就成為用戶的一種習慣。 2、優秀的AI產品應該為幫助用戶完成任務而生 x.ai首席執行官兼創始人Dennis R.Mortensen 優秀的AI產品應該是為了讓用戶的能力變得更強，幫助用戶去完成任務，盡可能減少用戶應該做的工作。這些才是真正的人工智慧助理。這些AI助理或虛擬助手，允許用戶使用自然語言進行交流也同樣重要。必須將語音或文本修改為某種機器語法顯然是一件很麻煩的事情，而且還需要用戶進行繁雜的工作。因此無縫地交接任務是人工智慧產品的重點。在AI交互的另一端，重要的是使AI的回應看起來盡可能自然。讓客戶喜歡這個客服以及她的工作效率，同時還能欣賞她的人格。很多客戶甚至都沒有意識到這個客服是一個AI。 3、人工智慧的真正力量在於增強和賦能人類 summer.ai的創始合夥人Manuel Ebert 人工智慧的真正力量是增強人類的能力，而不是完成人類輕輕鬆松就能完成的工作。出色的AI產品不僅可以幫助用戶更快地完成某項任務，還可以使他們執行以前無法完成的任務。 4、優秀的AI產品，並非是擺在面前的技術，而是融入到體驗中 Tempo.ai的聯合創始人兼首席執行官 Raj Singh 以令人愉悅的方式展示產品的技術，並且該技術不會妨礙用戶的使用體驗。將...

邊緣計算實現智能計算的邊緣化，比較依賴於集成在邊緣設備上的AI晶片。 邊緣計算並不是一個新的概念，早在2003年IBM的內部專案中就已出現，本質是一種去中心化的分佈式計算模型。邊緣計算在本地網路中進行計算，採集到的數據不用上傳到雲端，或者在本地處理加工過濾後只將少量數據傳至雲端，大大減少了網路傳輸佔用的處理時間，也降低了帶寬成本，對於電能有限的邊緣設備來說也能更加節能，從而延長設備的使用壽命。在未來五年內，專用AI晶片以及更強大的處理能力、存儲和其他先進功能將被添加到更廣泛的邊緣設備中。 Edge TPU：Google 專門為在邊緣進行推理而打造的 ASIC。 在邊緣運行的 AI 如今，從消費者應用到企業應用，到處可見 AI 的身影。隨著聯網設備數量的爆發式增長，加上對隱私/機密、低延遲時間的需求以及帶寬限制等因素，雲端訓練的 AI 模型需要在邊緣運行的情況日趨普遍。Edge TPU 是 Google 專門為在邊緣運行 AI 而打造的 ASIC，它體型小、能耗低，但性能出色，可以在邊緣部署高精度 AI。 端到端 AI 基礎架構 Edge TPU 是對 Cloud TPU 和 Google Cloud 服務的補充，提供端到端、雲端到邊緣、“硬體 + 軟體”的基礎架構，可協助客戶部署基於 AI 的解決方案。 體型小、能耗低，但性能出色 由於性能出色、體型纖小、能耗極低，Edge TPU 可實現高品質 AI 在邊緣的廣泛部署。 AI 硬體、軟體和演算法的協同設計 Edge TPU 不僅僅是一種硬體解決方案，它將定制硬體、開源軟體和最先進的 AI 演算法結合在一起，為邊緣提供優質、易部署的 AI 解決方案。 眾多應用場景 Edge TPU 可用於越來越多的工業使用場景，如預測性維護、異常檢測、機器視覺、機器人學、語音識別等等。 它可以應用於製造、本地部署、醫療保健、零售、智能空間、交通運輸等各個領域。 開放式端到端基礎架構，方便您部署 AI 解決方案 借助 Edge TPU，您可以使用來自 Coral 的各種原型設計和生產產品，在邊緣部署各種優質的機器學習推斷功能。 用於在邊緣部署機器學習的 Coral 平臺與 Google 的 Cloud TPU 和 Cloud IoT 相輔相成，共同提供一個端到端（雲端到邊緣、硬體 + 軟體）基礎架構，從而協助部署客戶基於 AI 的解決...

關於深度學習將如何觸及幾乎每個技術領域的聲音一直在持續不斷地響起，像很多人一樣，我一直對動手操作和學習一些工具和技術感興趣。 我試圖使用TensorFlow（Google的開放源代碼機器學習庫）和Keras（另一個庫，充當Python程式和TensorFlow之類的機器學習後端之間的高級介面）。 但這是減少軟體依賴性以及漏洞並篩選零散且經常過時的文檔的令人沮喪的練習。 然後，當一切最終看起來都可以正常工作時，由於系統升級，一切都中斷了。 然後，Google提供了一條擺脫困境的途徑，發佈了150美元的Coral Dev Board。開發板看起來很像Raspberry Pi，儘管上面有一個很大的散熱器。但是在該散熱器下方是一個系統級模組，旨在支持Google的邊緣張量處理器單元（TPU）。 TPU是為處理神經網路而優化的協處理器，旨在將人工智慧從集中式雲推送到嵌入式設備。這不是從機器學習的實際學習階段開始的，而是從樣本數據集中編譯模型以確定哪些輸出應與給定輸入相對應的。 TPU專為性能階段而設計，在這種情況下，將使用稱為TensorFlow Lite的TensorFlow版本向具有已編譯模型的系統提供真實數據，並期望其表現正常。在本文中，我將重點介紹開發板的硬體和設置，在以後的文章中，我將更深入地研究使用模型並與某些外部硬體介面。 開發板經過精心設計，具有類似Pi的通用輸入/輸出（GPIO）連接器，SD卡讀卡器，HMDI視頻輸出，Wi-Fi無線電，以太網端口，連接端口，旨在簡化硬體實驗攝像頭模組和用於週邊設備的USB端口。與Pi 3一樣，它具有1 GB的RAM，並使用基於Arm的處理器作為其CPU。 但是存在一些區別：開發板的GPIO引腳與Pi相似，但是通用引腳較少，因為開發板的GPIO還支持串行音頻介面。其他區別包括8 GB的板載閃存存儲，該存儲託管操作系統。與Pi專用於操作系統的讀卡器不同，這使得SD卡讀卡器可以免費用於其他存儲。該評估板通過USB-C連接器而不是Micro-USB連接器供電。請注意：Google建議使用2至3安培的5伏電源，而許多USB電源適配器的最高負載為1.5安。 與Pi 3的四個USB-A端口相比，只有一個USB-A端口。 USB-A端口的匱乏是因為Google設想將開發板用於嵌入式設備的原型設計，因此對外圍設備的支持就更少了（為此，可以分離...