即日專欄:智能駕駛產業全包宴
1992年8月22日,中國導彈之父錢學森致函鄒家華副總理,信中提出關於內地汽車工業應跳過用汽油柴油階段,直接進入減少環境污染的新能源階段的建議。
這位1935年以美國退還的庚子賠款公費赴美留學的科學家,早已洞察中國必須動員力量研究汽車動力新能源,這份識見與遠見在當年經濟開放短短不足15年的中國,實在令人讚嘆。
今天的投資巿場,人人都在討論智能駕駛:各行各業龍頭均爭相加入造車大軍,傳統汽車行業邏輯正在被顛覆。不止車企,更多科技巨頭紛紛布局智能汽車製造,其中,Google更早於2009年已開啟自動駕駛汽車計劃,稱為Waymo, 2018年Waymo自駕計程車推出。
蘋果公司於2007年進軍智能手機,顛覆傳統功能型手機邏輯,智能手機銷售量在此後20年間擴張638%;三星從傳統手機商成功轉型,小米集團(1810)則作為新勢力異軍突起;全球智能手機滲透率於2010年約20%,到2020年的78%,78億人口中,有60.5億已在使用,幾近飽和,成為人類新器官。從全球手機商市佔率排名變化可知,顛覆傳統過程可以相當殘酷,猶如生還者遊戲,今天的王者,明天可能已遭跨越,若未能變通求存,更可能會遭遇沒頂之災。
2009年Q1手機王者諾基亞以38.8%拋離第二位、市佔率19.1%的黑莓,兩者今天又如何?當年第5 位、市佔率只有4.3%的三星,於今年首季躍升至第一,市佔率21.8%,反觀蘋果則憑智慧製造,市佔率由15.7%升至16%,第三躍至第二。
今天汽車製造產業同樣醞釀顛覆性變革,由於智能汽車行業仍處發展初期,電動汽車率先發展主要由特斯拉引發潮流,國產三寶——小鵬汽車(9868)、蔚來汽車、理想汽車(2015)緊隨其後。去年電動汽車滲透率僅4%,銷售量310萬輛,規模約1,000億美元,預計2020至2025電動汽車銷量複合增長率達40%,2025年全球規模有望接近6,000億美元,滲透率達18%,2030年規模達智能手機兩倍,滲透率38%。
爲了實現智能汽車時代的“動力電動化”“座艙智能化”和“駕駛自動化”,産業鏈需要全面升級。從電池提供動力到芯片作為“大腦”,以至自動駕駛算法和智能軟件,產業鏈既長且複雜,涉及新能源、半導體、汽車、軟件、通訊等多個行業,行業研究難度極大,技術發展尚在初期,智能駕駛仍在發展初期,未來技術將不斷快速演變,發展空間大,可以預期,未來智能汽車產業競爭格局將持續瞬息萬變,新入場者不斷增加,行業競爭趨激烈,惟公司良莠不齊,王者尚未出現。
投資者要全面捕捉環球政策視野,盡攬全球智能駕駛領域龍頭,從上游原材料,到電池、芯片,再到零部件、車廠,分散智能駕駛產業鏈的波動性,最簡單直接離不開運用 ETF。
投資在美股、A股、港股,好處是低成本、大包圍捕捉機會同時分散風險,擅長掌握市場未來發展大趨勢設計產品的南方東英,今天正好有一隻追蹤Solactive全球智能駕駛指數的全球智能駕駛指數ETF(3162)正式登場,該指數歷史表現跑贏大盤指數,前十大成份股巨頭雲集,包括特斯拉公司、寧德時代、德州儀器、蔚來汽車、瑞士意法半導體等在美股、A股、港股上市的來自全球的智能駕駛產業鏈上的公司,流動性要求過去1個月和6個月內平均每日成交額 ≥100萬美元,總市值≥50億港元,按總市值降序排列,選出前50名成份股,涵蓋汽車和零件、半導體製造、電氣設備和電力系統、特種和高性能化學品等範疇,堪稱智能駕駛產業全包宴。(原文+補充未刊登內容)
原文:https://bit.ly/3iDXYVZ
網上圖片
===================================
想了解我更多的投資心得及個人動向,請立即讚好我的專頁 胡孟青專頁
#am730 #談財經 #胡孟青 #胡孟青專頁 #智能汽車 #蘋果公司 #諾基亞 #三星 #小鵬汽車 #蔚來汽車 #理想汽車 #ETF
同時也有1部Youtube影片,追蹤數超過8萬的網紅范琪斐,也在其Youtube影片中提到,唯一戰勝 Google 旗下 Deep Mind 公司開發的人工智慧 AlphaGo 的南韓棋王李世乭,宣布將要退休,因為他認為人類永遠沒辦法擊敗人工智慧。 不過演算法不是只會越來越強大,為什麼 AlphaGo 會錯判輸給李世乭呢? 因為AlphaGo 有個叫『隨機森林』的算法,可以預測對手可能...
全排列演算法 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
Google AI 設計晶片速度大勝人類!不到 6 小時完成平面圖
作者 林 妤柔 | 發布日期 2021 年 06 月 11 日 12:26 |
Google 聲稱,新 AI 設計晶片的速度比人類還快,能在不到 6 小時內設計出人類至少要花數個月才能完成的晶片設計,論文刊登在《自然》期刊。
AI 已用於開發 Google 最新一代 TPU 加速器,這項突破將對半導體產業有著重大影響。換言之,Google 正在使用 AI 設計晶片,這些晶片能用來創造更複雜的人工智慧系統。
Google 的新 AI 能繪製晶片的「平面圖」,這涉及繪製 CPU、GPU 和內存等組件在晶片的相對位置,這些位置將影響晶片的功耗和處理速度,且在功耗、性能、晶片面積等關鍵參數指標,都優於人類設計的平面圖。
一般來說,人類晶片設計師通常以整齊的線條排列組件,並花數個月的時間改進這些平面圖設計,但 Google 的 AI 則使用更分散的方法設計晶片,並藉由深度強化學習系統 6 小時內完成。
2016 年,南韓棋王李世乭代表人類出戰 AlphaGo,以一勝四敗成績輸給 AlphaGo,震驚全世界;這狀況 AI 的演算法訓練為移動棋子,增加棋局獲勝的機會。研發晶片部分,AI 訓練找出組件的最佳組合,盡可能提高運算效率,AI 系統會植入 10,000 張晶片平面圖,以便學習哪些有效、哪些無效。
《自然》期刊認為,Google 的研究可說是重要突破,有助於加快供應鏈速度,但這項技術必須廣泛分享共用,以確保 Google 生態系統全球化,此外產業也要確保節省時間的技術不會趕走擁有核心技術的人才。
資料來源:https://technews.tw/2021/06/11/google-uses-a-i-to-design-chips-faster-than-humans/?fbclid=IwAR3rE_KhmcAaLuL-LGA4XfV9osYScugR7uxMRHvC8LXN4lyRUF0_Rs0cXrQ
全排列演算法 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
量子計算對新一代物流管理的衝擊
文章來源:文/編輯部特約撰稿人
本文作者是編輯部特約撰稿人,隱姓埋名高深莫測,是台灣武功高強的獨行俠,曾職於國際快遞公司,擔任供應鏈分析與管理工作。經歷於各大物流企業與貨主企業,吸收各大門派功夫,並將其融會貫通,自創一派,爾後擔任各大企業供應鏈物流顧問工作,對台灣物流發展有獨特的眼光,總是能夠洞燭機先,布局未來。近年來,在研究與實踐中,不斷提出科技趨勢與產業創新發展策略,希望能為台灣供應鏈產業注入活水。(編輯部)
量子計算(Quantum Computing)是最早的理論基礎源自1969年,1980年代還處於理論探索的時代,2011年加拿大D-Wave公司推出全球第一套號稱商用量子電腦,但是到目前為止,世界各國所提出的量子電腦嚴格來說都只能做特定的計算,離真正的泛用型商業化(例如如預測氣候變遷、藥物最佳成分組合、材料配方最佳組合…等)仍有一段距離,不過猶如當年萊特兄弟首次飛行12秒,開創了人類商用飛行的序幕;量子計算再過幾年將會有更成熟的技術,對於物流界而言,量子計算應用於日益複雜的物流系統是可期待的。
關於量子計算的相關概念,目前已有許多其他文章有專文介紹,本篇不會再贅述這些基礎知識。對我們而言,我們可以這麼理解:假設有一台新的電腦,其運算速度是目前電腦的幾百萬倍,物流業可用這樣的電腦資源做那些改善?
演算法與資料傳輸的重要性
量子計算打開了物流中心與供應鏈系統「最佳化」的一扇窗,但是要能有效利用量子計算,關鍵還是相關數據的即時回報,以及演算法的設計。
物流的實務應用中,最著名的就是旅行推銷員(Traveling Salesman Problem)問題,也就是一個城市假設共有n個點需要去取件,從物流中心出發,我們希望每個點都只拜訪一次,最後再返回物流中心,要怎麼走可使總路徑最短。
假設拜訪點共有25個,就會有25X24X23…X2X1=25!(第一個點有25個選擇、第二個點有24個選擇…依此類推),這個值大概是「1.55X1025」。要在這麼多排列組合中找到最佳路線,假設電腦每一秒可計算「1013」個路線(每秒計算一兆次,已經是超級電腦等級),也需要「1.55X1012」秒,而一年有 3.1536X107秒,大約需要「5X104」年才能算完,就算是祖孫三代都不停歇,也無法完成此計算。
然而實務上的問題不光是如此:每台貨運車輛在都會間的最後一哩配送,每天至少都是20~40個點,而且以往 我們的運具種類少,因此在做路線最佳化時,大概只需考慮最佳路線這件事;現在(甚至以後),貨運運具種類越來越多,除了無人機、無人車,還有人類駕駛員的電動小車、甚至派送員騎的機車、自行車。
也就是說,如果有n個物流配送點,每個配送點可選擇m種運具,光是運具的排列組合就有「m x m x m .…= m2」種,再考慮最佳的路線求總運輸成本最低,而且這個計算尚未考量各運具所在道路的車流狀況,有時候算出的最短路徑說不定剛好就是塞車的路徑。
在演算法設計上,就好像要計算1+2+3…100的累加,我們可以很直覺利用一個100次的循環,每次把數字依序加入,最後得到結果;也可以利用「(100(100+1))/2」這個公式直接算出來;要計算哪條路徑最短,我們可以使用暴力破解(brute force)方式,先窮舉所有可能的路徑,逐一計算其運輸成本,全部算完後再決定最佳路徑,也可透過啟發式演算法,找到「近似最佳」的路徑。
演算法好壞有著天壤之別,如果使用較差的演算法,或許透過量子電腦可算出最佳解,但是需要耗用較多時間,這些計算時間都代表成本,如果要花很多錢計算去找出最佳解,反而減損了最佳解所帶來的實際效益,因此好的演算法才是最佳化的硬道理。
而在資料的即時回報上,這也是量子計算過程中需要管理者多關注的議題,因為屆時「計算力」已不是問題,問題是我們是否即時餵給中央系統正確的資料!
例如物流中心目前正在路上的各種運具,每分鐘需回報一次自己所在位置與狀態(包括車輛剩餘的油量、電量、目前載重),以及系統對於目前各運具所在位置與道路擁擠狀況,因此這些車輛上必須有相關的IOT設備,將訊息自動回報給物流中心後,物流中心彙整再批次送上雲端交給量子電腦計算。
可想見,我們所謂的即時,最多只能以「一分鐘」為單位,因為如果上傳的是五分鐘、十分鐘前的數據給中央系統,算出來也是五分鐘、十分鐘以前「應該」的最佳化狀態,拿五分鐘前的最佳化狀態指令作為物流資源的調度,恐怕會拉大實際運作的差距。
就拿「十分鐘」來說,十分鐘對一個物流系統而言,已經有很多事又變化,例如原本客人的訂單可能被取消、更改配送地點、緊急訂單加入、或是又有100個新的消費者下單…,而量子計算對於這類多變的動態環境,有機會把「物流最佳化」這件事真的做出來。先決條件就是,是否真的有即時把資料餵給系統。
資料來源:https://www.logisticnet.com.tw/publicationArticle.asp?id=1065
全排列演算法 在 范琪斐 Youtube 的最讚貼文
唯一戰勝 Google 旗下 Deep Mind 公司開發的人工智慧 AlphaGo 的南韓棋王李世乭,宣布將要退休,因為他認為人類永遠沒辦法擊敗人工智慧。
不過演算法不是只會越來越強大,為什麼 AlphaGo 會錯判輸給李世乭呢?
因為AlphaGo 有個叫『隨機森林』的算法,可以預測對手可能會下哪一步,但李世乭這一步下在 AlphaGo 認為對方不可能會去下的那一步,李世乭當時下完這步棋,Alphago 還認為自己的贏面超過八成,繼續往後下了十手之後,Alphago 自己有一個勝率的表,突然開始下降,發現自己處於弱勢了,開始慌張了,於是 Alphago 就開始亂下險棋,出現了連業餘選手都不會犯的錯,想賭李世乭會出錯,最後就輸了。
但 AlphaGo 也從敗給李世乭找到自身弱點,再次強化學習能力。像 AlphaGo 的孿生兄弟 AlphaGo Zero,就是完全不靠任何人類經驗訓練的神經網路,它就是不斷跟自己對戰學習,結果在自學 3 天後,就以 100:0 打敗了舊版 AlphaGo ,自學 40 天後,就擊敗了曾經戰勝中國棋手柯潔的 AlphaGo Master,成為世界上最強的圍棋程式!
雖然未來人類可能再也贏不過AI,不過AI 的加入反而讓圍棋有了更多玩法,這時候 AI 的功能,是在擴展人類棋手的思路,和人類合作一起探索圍棋還未被發掘的領域。
因為圍棋是世界上最複雜的遊戲!是看哪個顏色的棋子,圈出的空間最多,誰就獲勝。聽起來規則很簡單,但實際上卻複雜到不行。
圍棋的棋盤是 19X19,通常一步會有 200 種下法,圍棋變化位置的排列組合一共有10 的 170 次方種可能性,比整個宇宙的原子數ㄅ10 的 80 次方還要多更多!人類通常都只能憑經驗跟感覺判斷,但判斷才是最困難的。剛有說嘛,圍棋的勝負是由最終局時,雙方控制地盤的多寡決定,但棋局進行到一半,雙方的地盤都還沒封閉,怎麽判斷形勢呢?很多職業棋手之間微妙的差異,就是體現在這個判斷能力上。
但就連開發 AlphaGo 的團隊都坦言,AlphaGo 面前的最大問題,和人類棋手是一樣的,就是圍棋太難了,還有規則中的規則,例如優勢、虧損、打劫,雖然 AlphaGo 的勝利或失敗,完全取決於這些機率的估計是否準確,但計算力還遠遠達不到『最優解』的程度。目前AlphaGo 團隊的做法是,讓AlphaGo學習像人類棋手一樣,去選點和判斷。
當機器把一件事情做得比人類好時,我們還能做什麼?
你對棋王退休有什麼看法?快和我們一起分享!
---------
《#范琪斐ㄉ寰宇漫遊》每週四晚間十點在寰宇新聞播出,沒跟上的也沒關係,歡迎訂閱我們的 YouTube 頻道 🔔#范琪斐ㄉ寰宇漫遊 🔔https://reurl.cc/ZvKM3 十點半準時上傳完整版!
全排列演算法 在 JavaScript 學演算法(二十五)- 回溯法 - 竹白記事本 的推薦與評價
用全排列(Permutations) 來理解回溯法。 問題:用程式列出所有由1、2、3 構成的不重複序列。 首先使用巢狀迴圈枚舉所有可能: ... ... <看更多>