摩爾定律放緩 靠啥提升AI晶片運算力?
作者 : 黃燁鋒,EE Times China
2021-07-26
對於電子科技革命的即將終結的說法,一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續,也就意味著資訊技術的整棟大樓建造都將出現停滯,那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有的,但這波革命始終也沒有結束。AI技術本質上仍然是第三次科技革命的延續……
人工智慧(AI)的技術發展,被很多人形容為第四次科技革命。前三次科技革命,分別是蒸汽、電氣、資訊技術(電子科技)革命。彷彿這“第四次”有很多種說辭,比如有人說第四次科技革命是生物技術革命,還有人說是量子技術革命。但既然AI也是第四次科技革命之一的候選技術,而且作為資訊技術的組成部分,卻又獨立於資訊技術,即表示它有獨到之處。
電子科技革命的即將終結,一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續,也就意味著資訊技術的整棟大樓建造都將出現停滯,那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有,但這波革命始終也沒有結束。
AI技術本質上仍然是第三次科技革命的延續,它的發展也依託於幾十年來半導體科技的進步。這些年出現了不少專門的AI晶片——而且市場參與者相眾多。當某一個類別的技術發展到出現一種專門的處理器為之服務的程度,那麼這個領域自然就不可小覷,就像當年GPU出現專門為圖形運算服務一樣。
所以AI晶片被形容為CPU、GPU之後的第三大類電腦處理器。AI專用處理器的出現,很大程度上也是因為摩爾定律的發展進入緩慢期:電晶體的尺寸縮減速度,已經無法滿足需求,所以就必須有某種專用架構(DSA)出現,以快速提升晶片效率,也才有了專門的AI晶片。
另一方面,摩爾定律的延緩也成為AI晶片發展的桎梏。在摩爾定律和登納德縮放比例定律(Dennard Scaling)發展的前期,電晶體製程進步為晶片帶來了相當大的助益,那是「happy scaling down」的時代——CPU、GPU都是這個時代受益,不過Dennard Scaling早在45nm時期就失效了。
AI晶片作為第三大類處理器,在這波發展中沒有趕上happy scaling down的好時機。與此同時,AI應用對運算力的需求越來越貪婪。今年WAIC晶片論壇圓桌討論環節,燧原科技創始人暨CEO趙立東說:「現在訓練的GPT-3模型有1750億參數,接近人腦神經元數量,我以為這是最大的模型了,要千張Nvidia的GPU卡才能做。談到AI運算力需求、模型大小的問題,說最大模型超過萬億參數,又是10倍。」
英特爾(Intel)研究院副總裁、中國研究院院長宋繼強說:「前兩年用GPU訓練一個大規模的深度學習模型,其碳排放量相當於5台美式車整個生命週期產生的碳排量。」這也說明了AI運算力需求的貪婪,以及提供運算力的AI晶片不夠高效。
不過作為產業的底層驅動力,半導體製造技術仍源源不斷地為AI發展提供推力。本文將討論WAIC晶片論壇上聽到,針對這個問題的一些前瞻性解決方案——有些已經實現,有些則可能有待時代驗證。
XPU、摩爾定律和異質整合
「電腦產業中的貝爾定律,是說能效每提高1,000倍,就會衍生出一種新的運算形態。」中科院院士劉明在論壇上說,「若每瓦功耗只能支撐1KOPS的運算,當時的這種運算形態是超算;到了智慧型手機時代,能效就提高到每瓦1TOPS;未來的智慧終端我們要達到每瓦1POPS。 這對IC提出了非常高的要求,如果依然沿著CMOS這條路去走,當然可以,但會比較艱辛。」
針對性能和效率提升,除了尺寸微縮,半導體產業比較常見的思路是電晶體結構、晶片結構、材料等方面的最佳化,以及處理架構的革新。
(1)AI晶片本身其實就是對處理器架構的革新,從運算架構的層面來看,針對不同的應用方向造不同架構的處理器是常規,更專用的處理器能促成效率和性能的成倍增長,而不需要依賴於電晶體尺寸的微縮。比如GPU、神經網路處理器(NPU,即AI處理器),乃至更專用的ASIC出現,都是這類思路。
CPU、GPU、NPU、FPGA等不同類型的晶片各司其職,Intel這兩年一直在推行所謂的「XPU」策略就是用不同類型的處理器去做不同的事情,「整合起來各取所需,用組合拳會好過用一種武器去解決所有問題。」宋繼強說。Intel的晶片產品就涵蓋了幾個大類,Core CPU、Xe GPU,以及透過收購獲得的AI晶片Habana等。
另外針對不同類型的晶片,可能還有更具體的最佳化方案。如當代CPU普遍加入AVX512指令,本質上是特別針對深度學習做加強。「專用」的不一定是處理器,也可以是處理器內的某些特定單元,甚至固定功能單元,就好像GPU中加入專用的光線追蹤單元一樣,這是當代處理器普遍都在做的一件事。
(2)從電晶體、晶片結構層面來看,電晶體的尺寸現在仍然在縮減過程中,只不過縮減幅度相比過去變小了——而且為緩解電晶體性能的下降,需要有各種不同的技術來輔助尺寸變小。比如說在22nm節點之後,電晶體變為FinFET結構,在3nm之後,電晶體即將演變為Gate All Around FET結構。最終會演化為互補FET (CFET),其本質都是電晶體本身充分利用Z軸,來實現微縮性能的提升。
劉明認為,「除了基礎元件的變革,IC現在的發展還是比較多元化,包括新材料的引進、元件結構革新,也包括微影技術。長期賴以微縮的基本手段,現在也在發生巨大的變化,特別是未來3D的異質整合。這些多元技術的協同發展,都為晶片整體性能提升帶來了很好的增益。」
他並指出,「從電晶體級、到晶圓級,再到晶片堆疊、引線接合(lead bonding),精準度從毫米向奈米演進,互連密度大大提升。」從晶圓/裸晶的層面來看,則是眾所周知的朝more than moore’s law這樣的路線發展,比如把兩片裸晶疊起來。現在很熱門的chiplet技術就是比較典型的並不依賴於傳統電晶體尺寸微縮,來彈性擴展性能的方案。
台積電和Intel這兩年都在大推將不同類型的裸晶,異質整合的技術。2.5D封裝方案典型如台積電的CoWoS,Intel的EMIB,而在3D堆疊上,Intel的Core LakeField晶片就是用3D Foveros方案,將不同的裸晶疊在一起,甚至可以實現兩片運算裸晶的堆疊、互連。
之前的文章也提到過AMD剛發佈的3D V-Cache,將CPU的L3 cache裸晶疊在運算裸晶上方,將處理器的L3 cache大小增大至192MB,對儲存敏感延遲應用的性能提升。相比Intel,台積電這項技術的獨特之處在於裸晶間是以混合接合(hybrid bonding)的方式互連,而不是micro-bump,做到更小的打線間距,以及晶片之間數十倍通訊性能和效率提升。
這些方案也不直接依賴傳統的電晶體微縮方案。這裡實際上還有一個方面,即新材料的導入專家們沒有在論壇上多說,本文也略過不談。
1,000倍的性能提升
劉明談到,當電晶體微縮的空間沒有那麼大的時候,產業界傾向於採用新的策略來評價技術——「PPACt」——即Powe r(功耗)、Performance (性能)、Cost/Area-Time (成本/面積-時間)。t指的具體是time-to-market,理論上應該也屬於成本的一部分。
電晶體微縮方案失效以後,「多元化的技術變革,依然會讓IC性能得到進一步的提升。」劉明說,「根據預測,這些技術即使不再做尺寸微縮,也會讓IC的晶片性能做到500~1,000倍的提升,到2035年實現Zetta Flops的系統性能水準。且超算的發展還可以一如既往地前進;單裸晶儲存容量變得越來越大,IC依然會為產業發展提供基礎。」
500~1,000倍的預測來自DARPA,感覺有些過於樂觀。因為其中的不少技術存在比較大的邊際遞減效應,而且有更實際的工程問題待解決,比如運算裸晶疊層的散熱問題——即便業界對於這類工程問題的探討也始終在持續。
不過1,000倍的性能提升,的確說明摩爾定律的終結並不能代表第三次科技革命的終結,而且還有相當大的發展空間。尤其本文談的主要是AI晶片,而不是更具通用性的CPU。
矽光、記憶體內運算和神經型態運算
在非傳統發展路線上(以上內容都屬於半導體製造的常規思路),WAIC晶片論壇上宋繼強和劉明都提到了一些頗具代表性的技術方向(雖然這可能與他們自己的業務方向或研究方向有很大的關係)。這些技術可能尚未大規模推廣,或者仍在商業化的極早期。
(1)近記憶體運算和記憶體內運算:處理器性能和效率如今面臨的瓶頸,很大程度並不在單純的運算階段,而在資料傳輸和儲存方面——這也是共識。所以提升資料的傳輸和存取效率,可能是提升整體系統性能時,一個非常靠譜的思路。
這兩年市場上的處理器產品用「近記憶體運算」(near-memory computing)思路的,應該不在少數。所謂的近記憶體運算,就是讓儲存(如cache、memory)單元更靠近運算單元。CPU的多層cache結構(L1、L2、L3),以及電腦處理器cache、記憶體、硬碟這種多層儲存結構是常規。而「近記憶體運算」主要在於究竟有多「近」,cache記憶體有利於隱藏當代電腦架構中延遲和頻寬的局限性。
這兩年在近記憶體運算方面比較有代表性的,一是AMD——比如前文提到3D V-cache增大處理器的cache容量,還有其GPU不僅在裸晶內導入了Infinity Cache這種類似L3 cache的結構,也更早應用了HBM2記憶體方案。這些實踐都表明,儲存方面的革新的確能帶來性能的提升。
另外一個例子則是Graphcore的IPU處理器:IPU的特點之一是在裸晶內堆了相當多的cache資源,cache容量遠大於一般的GPU和AI晶片——也就避免了頻繁的訪問外部儲存資源的操作,極大提升頻寬、降低延遲和功耗。
近記憶體運算的本質仍然是馮紐曼架構(Von Neumann architecture)的延續。「在做處理的過程中,多層級的儲存結構,資料的搬運不僅僅在處理和儲存之間,還在不同的儲存層級之間。這樣頻繁的資料搬運帶來了頻寬延遲、功耗的問題。也就有了我們經常說的運算體系內的儲存牆的問題。」劉明說。
構建非馮(non-von Neumann)架構,把傳統的、以運算為中心的馮氏架構,變換一種新的運算範式。把部分運算力下推到儲存。這便是記憶體內運算(in-memory computing)的概念。
記憶體內運算的就現在看來還是比較新,也有稱其為「存算一體」。通常理解為在記憶體中嵌入演算法,儲存單元本身就有運算能力,理論上消除資料存取的延遲和功耗。記憶體內運算這個概念似乎這在資料爆炸時代格外醒目,畢竟可極大減少海量資料的移動操作。
其實記憶體內運算的概念都還沒有非常明確的定義。現階段它可能的內涵至少涉及到在儲記憶體內部,部分執行資料處理工作;主要應用於神經網路(因為非常契合神經網路的工作方式),以及這類晶片具體的工作方法上,可能更傾向於神經型態運算(neuromorphic computing)。
對於AI晶片而言,記憶體內運算的確是很好的思路。一般的GPU和AI晶片執行AI負載時,有比較頻繁的資料存取操作,這對性能和功耗都有影響。不過記憶體內運算的具體實施方案,在市場上也是五花八門,早期比較具有代表性的Mythic導入了一種矩陣乘的儲存架構,用40nm嵌入式NOR,在儲記憶體內部執行運算,不過替換掉了數位週邊電路,改用類比的方式。在陣列內部進行模擬運算。這家公司之前得到過美國國防部的資金支援。
劉明列舉了近記憶體運算和記憶體內運算兩種方案的例子。其中,近記憶體運算的這個方案應該和AMD的3D V-cache比較類似,把儲存裸晶和運算裸晶疊起來。
劉明指出,「這是我們最近的一個工作,採用hybrid bonding的技術,與矽通孔(TSV)做比較,hybrid bonding功耗是0.8pJ/bit,而TSV是4pJ/bit。延遲方面,hybrid bonding只有0.5ns,而TSV方案是3ns。」台積電在3D堆疊方面的領先優勢其實也體現在hybrid bonding混合鍵合上,前文也提到了它具備更高的互連密度和效率。
另外這套方案還將DRAM刷新頻率提高了一倍,從64ms提高至128ms,以降低功耗。「應對刷新率變慢出現拖尾bit,我們引入RRAM TCAM索引這些tail bits」劉明說。
記憶體內運算方面,「傳統運算是用布林邏輯,一個4位元的乘法需要用到幾百個電晶體,這個過程中需要進行資料來回的移動。記憶體內運算是利用單一元件的歐姆定律來完成一次乘法,然後利用基爾霍夫定律完成列的累加。」劉明表示,「這對於今天深度學習的矩陣乘非常有利。它是原位的運算和儲存,沒有資料搬運。」這是記憶體內運算的常規思路。
「無論是基於SRAM,還是基於新型記憶體,相比近記憶體運算都有明顯優勢,」劉明認為。下圖是記憶體內運算和近記憶體運算,精準度、能效等方面的對比,記憶體內運算架構對於低精準度運算有價值。
下圖則總結了業內主要的一些記憶體內運算研究,在精確度和能效方面的對應關係。劉明表示,「需要高精確度、高運算力的情況下,近記憶體運算目前還是有優勢。不過記憶體內運算是更新的技術,這幾年的進步也非常快。」
去年阿里達摩院發佈2020年十大科技趨勢中,有一個就是存算一體突破AI算力瓶頸。不過記憶體內運算面臨的商用挑戰也一點都不小。記憶體內運算的通常思路都是類比電路的運算方式,這對記憶體、運算單元設計都需要做工程上的考量。與此同時這樣的晶片究竟由誰來造也是個問題:是記憶體廠商,還是數文書處理器廠商?(三星推過記憶體內運算晶片,三星、Intel垂直整合型企業似乎很適合做記憶體內運算…)
(2)神經型態運算:神經型態運算和記憶體內運算一樣,也是新興技術的熱門話題,這項技術有時也叫作compute in memory,可以認為它是記憶體內運算的某種發展方向。神經型態和一般神經網路AI晶片的差異是,這種結構更偏「類人腦」。
進行神經型態研究的企業現在也逐漸變得多起來,劉明也提到了AI晶片「最終的理想是在結構層次模仿腦,元件層次逼近腦,功能層次超越人腦」的「類腦運算」。Intel是比較早關注神經型態運算研究的企業之一。
傳說中的Intel Loihi就是比較典型存算一體的架構,「這片裸晶裡面包含128個小核心,每個核心用於模擬1,024個神經元的運算結構。」宋繼強說,「這樣一塊晶片大概可以類比13萬個神經元。我們做到的是把768個晶片再連起來,構成接近1億神經元的系統,讓學術界的夥伴去試用。」
「它和深度學習加速器相比,沒有任何浮點運算——就像人腦裡面沒有乘加器。所以其學習和訓練方法是採用一種名為spike neutral network的路線,功耗很低,也可以訓練出做視覺辨識、語言辨識和其他種類的模型。」宋繼強認為,不採用同步時脈,「刺激的時候就是一個非同步電動勢,只有工作部分耗電,功耗是現在深度學習加速晶片的千分之一。」
「而且未來我們可以對不同區域做劃分,比如這兒是視覺區、那兒是語言區、那兒是觸覺區,同時進行多模態訓練,互相之間產生關聯。這是現在的深度學習模型無法比擬的。」宋繼強說。這種神經型態運算晶片,似乎也是Intel在XPU方向上探索不同架構運算的方向之一。
(2)微型化矽光:這個技術方向可能在層級上更偏高了一些,不再晶片架構層級,不過仍然值得一提。去年Intel在Labs Day上特別談到了自己在矽光(Silicon Photonics)的一些技術進展。其實矽光技術在連接資料中心的交換機方面,已有應用了,發出資料時,連接埠處會有個收發器把電訊號轉為光訊號,透過光纖來傳輸資料,另一端光訊號再轉為電訊號。不過傳統的光收發器成本都比較高,內部元件數量大,尺寸也就比較大。
Intel在整合化的矽光(IIIV族monolithic的光學整合化方案)方面應該是商業化走在比較前列的,就是把光和電子相關的組成部分高度整合到晶片上,用IC製造技術。未來的光通訊不只是資料中心機架到機架之間,也可以下沉到板級——就跟現在傳統的電I/O一樣。電互連的主要問題是功耗太大,也就是所謂的I/O功耗牆,這是這類微型化矽光元件存在的重要價值。
這其中存在的技術挑戰還是比較多,如做資料的光訊號調變的調變器調變器,據說Intel的技術使其實現了1,000倍的縮小;還有在接收端需要有個探測器(detector)轉換光訊號,用所謂的全矽微環(micro-ring)結構,實現矽對光的檢測能力;波分複用技術實現頻寬倍增,以及把矽光和CMOS晶片做整合等。
Intel認為,把矽光模組與運算資源整合,就能打破必須帶更多I/O接腳做更大尺寸處理器的這種趨勢。矽光能夠實現的是更低的功耗、更大的頻寬、更小的接腳數量和尺寸。在跨處理器、跨伺服器節點之間的資料互動上,這類技術還是頗具前景,Intel此前說目標是實現每根光纖1Tbps的速率,並且能效在1pJ/bit,最遠距離1km,這在非本地傳輸上是很理想的數字。
還有軟體…
除了AI晶片本身,從整個生態的角度,包括AI感知到運算的整個鏈條上的其他組成部分,都有促成性能和效率提升的餘地。比如這兩年Nvidia從軟體層面,針對AI運算的中間層、庫做了大量最佳化。相同的底層硬體,透過軟體最佳化就能實現幾倍的性能提升。
宋繼強說,「我們發現軟體最佳化與否,在同一個硬體上可以達到百倍的性能差距。」這其中的餘量還是比較大。
在AI開發生態上,雖然Nvidia是最具發言權的;但從戰略角度來看,像Intel這種研發CPU、GPU、FPGA、ASIC,甚至還有神經型態運算處理器的企業而言,不同處理器統一開發生態可能更具前瞻性。Intel有個稱oneAPI的軟體平台,用一套API實現不同硬體性能埠的對接。這類策略對廠商的軟體框架構建能力是非常大的考驗——也極大程度關乎底層晶片的執行效率。
在摩爾定律放緩、電晶體尺寸微縮變慢甚至不縮小的前提下,處理器架構革新、異質整合與2.5D/3D封裝技術依然可以達成1,000倍的性能提升;而一些新的技術方向,包括近記憶體運算、記憶體內運算和微型矽光,能夠在資料訪存、傳輸方面產生新的價值;神經型態運算這種類腦運算方式,是實現AI運算的目標;軟體層面的最佳化,也能夠帶動AI性能的成倍增長。所以即便摩爾定律嚴重放緩,AI晶片的性能、效率提升在上面提到的這麼多方案加持下,終將在未來很長一段時間內持續飛越。這第三(四)次科技革命恐怕還很難停歇。
資料來源:https://www.eettaiwan.com/20210726nt61-ai-computing/?fbclid=IwAR3BaorLm9rL2s1ff6cNkL6Z7dK8Q96XulQPzuMQ_Yky9H_EmLsBpjBOsWg
「圖 像 辨識 api」的推薦目錄:
- 關於圖 像 辨識 api 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
- 關於圖 像 辨識 api 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
- 關於圖 像 辨識 api 在 台灣人工智慧學校 Facebook 的最佳貼文
- 關於圖 像 辨識 api 在 Re: [請益] 如何選擇影像辨識工具? - 看板Soft_Job 的評價
- 關於圖 像 辨識 api 在 中央研究院資訊科學研究所- Google 新推出圖像辨識API 的評價
- 關於圖 像 辨識 api 在 deep-learning-with-keras-notebooks/README.md - GitHub 的評價
- 關於圖 像 辨識 api 在 如何使用辨識服務Computer Vision API (AI 圖片辨識) - YouTube 的評價
- 關於圖 像 辨識 api 在 手寫數字圖片辨識 API - HackMD 的評價
圖 像 辨識 api 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
日本智慧農業大步走 加速擴張帶動成本降低
農傳媒 20210529
內容提供/《農政與農情》 文/行政院農業委員會農業藥物毒物試驗所 陳彥佑、李春燕、陳思昀、行政院農業委員會臺南區農業改良場 張淳淳、工業技術研究院產業服務中心 林意潔
近年因資訊快速且多方突破發展,使其他可應用之領域及軟硬體同步帶動變化,除在網頁設計優化、開放資料多元應用、IoT、ICT、資料分析工具便利化及資料視覺化發展外,乃至高端如大數據、AI應用,也頻受矚目,本文將分享2019年日本農業Week活動資訊與及後續的發展方向觀點。
日本東京農業Week
2019年10月,農委會及工研院單位同仁於強烈颱風哈吉貝影響東日本時,自費前往日本東京農業Week參訪並收集資訊。這次展覽結合日本原有的國際農業資材展、國際次世代農業展、國際6次產業化展及國際畜產資材展,於千葉縣幕張展場合併為單一農業展 ,規模龐大,超過600家日本及各國廠商,3天展期近4萬人次登記參訪,展場中另有登記參觀的工具展和園藝展,三大展覽幅員非常廣闊,並結合不同農業發展方向,吸引各國的農資、機械開發公司、農企業、政府單位、研究單位等相關人員參觀,龐大的資訊量,如要仔細體驗及參與,勢必耗時一天半以上。
農業資訊的進階應用,目前可說是「百花爭艷」狀態,功能近似產品不斷推出並相互競爭,如各類無人機、辨識系統、管理軟體、機械外骨骼、管理連動應用平台等,各有特色,本展覽不僅止於展示農業相關資訊外,亦有各種農業資材的應用、新型態資材及栽培設施、農產品及農產加工器具、農具等展出,以「農業展」而言,可說非常完備,也明示了農業各領域將走向相互融合的方向。
接下來,筆者將就「無人載具、軟體、機械外骨骼、資材與技術」等主題,與各位讀者分享本次見聞。
無人載具
無人機為近年熱門發展的器械,包含水、陸、空形式及自動採收機等其他功能性的無人機械等,依需求而有不同的機型和設計,甚至有異業結合開發,如汽車企業結合飛行用藥無人機的共同開發,成為更便利作業的用藥組合,無人機發展方向為公分級精準定位及便利的自動作業,搭配遠端作業器具和軟體,可實現遠端作業、減少勞力及增進田間作業安全,達成精準農業及安全農業的目標,並減少農業缺工的問題。
軟體
2019年日本農業展展出的農業軟體,大多具整合及記錄性質,性質相似的軟體數量眾多,部分並搭配感測器械共同推出的軟體,如設施栽培內監測環境及疾病預測的軟體。另外,結合UAV多光譜拍攝做作物肥份影像解析的軟體,再以UAV定點調整施肥量;紀錄田間從業人員的工作與休息時間、體溫等紀錄和提醒的監測軟體;農產品行銷部分,不少廠商提供B2B 及 B2C類型的「農產品銷售管理系統」,提供生產者和消費者進行互動和販售;生產部分則提供生產者付費的管理解決方案(或稱營農指導員),內容類似國內植物醫生及農業張老師等,針對委託者進行客製化的栽培管理服務,提供者主要為日本國內廠商。展場另有攤位進行日本各地農產品、農藥施用講習、農產公司產品推廣。
機械外骨骼
機械外骨骼(又稱肌甲裝、動力服、Powered suit),主要以外骨骼模樣進行依使用需求設計,為著裝後可提升特定功能的裝備,在農業領域常見為提升搬運重物效率、避免重複動作造成職業傷害的外骨骼,對於務農人口老齡化及新農民的身體保護都有絕大幫助。而本次日本農業展令人印象最深刻的為著裝簡易化、輕量化的類型,甚至輕如一般大衣,且穿戴方式接近衣服的形式,展出國家為尼德蘭,筆者親自著裝試用後,明顯感覺提升搬運重量效果及作業時保護腰部的功能。未來外骨骼也將可結合或協同其他器械協同進行複雜作業,因應國內日益老化之農業從業人員及雇傭勞力減少部份,具有廣大的發展潛力與商機。
資材及技術
各式農業資材與技術亦是本次亮點,在栽培設備方面,有各種育苗材料、家庭用耕栽培裝置、高效能燈具、有機肥與土壤微生物商品、栽培介質,以及溫室建材組裝展示、植物工廠VR參訪、授粉資材等。防治資材方面,品項同樣繁多,除各類噴頭、農藥製劑及無人機用製劑外,在其他防治資材方面也具備高度多樣性,如生物防治罐、蟎類陷阱、安全可溶農藥包裝、費洛蒙產品、燻蒸器具、各色光波誘蟲、忌避燈、有害動物聲光忌避設備,及施藥專用口罩等。在採收及包裝的資材部分,則有透氣長貯包裝及包材等。上述資材多為跨領域合作開發,顯示農業研究相關人員可多與其他領域確切進行交流討論、研究協作,共創解決農業問題技術。
商業化生物防治天敵製劑罐。
農業科技因資訊技術的發展,有爆發性的成長,許多內容都逐漸貼合Global G.A.P及作業標準化、自動化、安全性提升的需求,從參訪各專案及產品項目來看,無論直接引進或進行跨領域開發合作,就「目的」、「經費」及「合作」、「商業模式」,皆須在不同領域的多方完整溝通理解後有明確同步,否則將易陷入單方利用;或因領域差異而限縮成果,浪費經費、時間,且無法解決問題或強化開發,因此未來農業資訊跨領域、組織合作時,必須更精實及對目標有共識。
2020年的日本農業展及日本農業發展政策,重點之一為智慧農業的成本降低及普及化(如搭配日本的準天頂衛星的精準定位,減少定位儀器成本),配合日本農林水產省針對智慧農業公告的政策「スマート農業推進総合パッケージ」(Smart Agricultural Promotion Comprehensive Package),並在資料格式規格化後與其中的WAGRI平台資訊連動(2020年開始公開OPEN API的服務),且於日本全國148個地區執行智慧農業實地作業示範推廣,無論從政策資料或展覽內容,均顯示智慧農業不僅只是單一的農業發展區塊,而是上述各類展出區塊內容的各項統整,也宣示了日本的智慧農業逐步走向橫向連結及加速擴張的階段。2021年開始日本農業展的其中一個展區「次世代農業EXPO」也將改名為「スマート農業EXPO」(智慧農業),可以想見智慧農業發展的比重越來越多。
本次除參觀展覽外,筆者亦前往大學拜訪開發茄科IPM技術的教授(前農研機構研究員),教授於對談中提到日本推廣IPM時,也遭遇農民傾向選擇簡單便利的害物防治方式(如單純使用農藥),使IPM即便效果卓越,但因操作相對複雜,降低農民採用意願,因此對於新科技或現有技術的推出,如能具備便利且直覺模式,將有機會提升利用率。
因應COVID-19疫情影響、氣候變遷及人力缺乏情形下,智慧農業企業加速選汰,筆者數年來參訪農業展及持續關注智慧農業演變,雖農業資訊更迭速度,不若科技業以「季」為計,也可略以「年」計變化,建議有興趣的讀者,可規劃每年或隔年參訪相關展覽,即可看見發展的趨勢及進度。待疫情趨緩後,無論公費申請或自費前往,日本農業展都非常值得前往參訪及收集各類資訊,或接洽引進適用國內的技術、資材,將有助持續強化國內農業競爭力及研究能力。
附圖:日本農業展於2019年開始將多個展覽一併展出。
東京農業展展場情形。
自動採收機器人示範採收蘆筍。
汽車企業與無人機公司的合作開發無人機用藥組合。
軟體應用種類多元(左至右為UAV應用、影像辨識、作物販售)。
月租型農業栽培管理軟體。
機械外骨骼輔具。
韓國企業的梨果類授粉用花粉噴射機(搭配噴藥車)。
農藥資材展示,提升安全性的可溶性農藥定量包裝(類似洗衣球)。
施用農藥使用口罩。
資料來源:https://www.agriharvest.tw/archives/59516
圖 像 辨識 api 在 台灣人工智慧學校 Facebook 的最佳貼文
轉發📣📣📣:【你,識字嗎?- 中文手寫影像辨識】
玉山人工智慧公開挑戰賽 2021夏季賽強勢回歸!
最高獎金達12萬元,即刻報名!
你知道,世界上找不到兩個人的手寫筆跡是一模一樣的嗎?
字跡除了可以作為識別身分的線索,更有可能看出一個人的人格特質。只是,多變又有個性的中文字卻成了機器學習圖像辨識中的一大難題。
本次玉山人工智慧公開挑戰賽提供中文手寫字體資料集,五花八門的中文手寫字跡等著高手來挑戰,快用你的技術與創意,活用各式影像辨識演算法,一同來「識字」!
✨三大亮點
1. 深入了解銀行AI應用:以AI代替人眼,優化銀行手寫字辨識相關作業,瞭解銀行是如何應用此項技術!
2. 擁抱實務資料集:珍貴中文手寫資料釋出,再也不只是用MINST來訓練模型!
3. 實戰建模服務一條龍:親手打造API,自己從零開始做出一個完整的模型服務!
📆比賽時程
報名期間:2021/4/12 ~ 2021/4/30
模型訓練階段:2021/4/12 ~ 2021/6/14
線上對決 – 模型準度爭霸戰(正式賽):2021/6/15 ~ 2021/6/18
報名挑戰賽以及詳細說明請見活動官網 >>>https://bit.ly/3g3LlTk
圖 像 辨識 api 在 中央研究院資訊科學研究所- Google 新推出圖像辨識API 的推薦與評價
Google 新推出圖像辨識API -- Cloud Vision API,可以清楚辨識物品、人臉、表情等,就算是computer vision 的苦手也可以在自己的應用中加入CV 的功能,目前Limited ... ... <看更多>
圖 像 辨識 api 在 deep-learning-with-keras-notebooks/README.md - GitHub 的推薦與評價
內容 · 0.圖像資料集/工具介詔 · 1.Keras API範例 · 2.圖像辨識(Image Classification) · 3.物體偵測(Object Recognition) · 4.物體分割(Object Segmentation) · 5.關鍵點偵測( ... ... <看更多>
圖 像 辨識 api 在 Re: [請益] 如何選擇影像辨識工具? - 看板Soft_Job 的推薦與評價
※ 引述《kingx163 (果醬貓)》之銘言:
: 各位版友好
: 小弟剛接觸影像辨識沒有多久
: 看到目前有yolo, Azure Computer Vision,
: Cloud Vision API等等可以選擇
: 請問各位年薪300w大大都用哪一種呢?
: 另外,應該如何判斷用哪家的呢?
: 謝謝!
YOLO是model
Azure Computer Vision跟Google Cloud Vision API都是platform
你應該先釐清你的需求,才知道要用何種工具/framework/model
不然就像是問網友出發要搭啥交通工具,卻連要去哪裡都沒說一樣
我最近也自學Computer Vision/Machine Learning,可以給你一點建議
有些需求AOI就可以解決,有些用CV效果會更好,有些需要用到ML其良率才能接受
如果剛接觸這塊,可以先玩一下OpenCV,看一些早期的論文
了解一下以前在做CV時是怎麼用GLCM,小波之類的特徵去辨識
現在如果不是自己從頭寫,已經不太會接觸到這塊了
直接拿現成Model network去使用或train都難度很低
剛好這幾天做了個投影片,你可以參考一下,簡單展示了CV跟ML可以做的東西
https://goo.gl/SYEvbe (一直按 > 就可以照著flow播了)
據我自學的認知,Machine Learning裡,
跟CV比較有關的就是Classification跟Object Recognition
簡單來說Classification就是辨識這張圖是啥
Object Recognition是認出圖內的物體位置與名稱,你說的YOLO就是這種
屬於R-CNN家族之一,它家族大概是這樣:
R-CNN, Fast R-CNN, Faster R-CNN, YOLO, SSD, R-FCN....(最後一個我沒試過)
如果只是想做Computer Vision,建議你玩OpenCV
如果要用Machine Learning,我前陣子有寫篇很雜的心得在fb社團
https://www.facebook.com/groups/616369245163622/permalink/1204406499693224/
那時候邊忙邊寫,寫得很亂也沒整理,簡單來說是這樣
平台: linux/ubuntu最多人用,windows資源比較少
語言: C++/python吃遍天下,其他語言看運氣
Framework:Caffe還是最多,tensforflow最近比較熱門,Keras似乎也不少人用
Torch有點老了,CNTK微軟努力推當中(至少社群回應蠻熱情的)
如果你只是想測效果,用OpenCV DNN Moudle去讀 Model來測
找到你需要的model再選擇要用怎麼環境改成production
這樣可以少花很多時間在建置環境上
大致上是這樣,如果要問怎麼建模的話我還沒學到那,只會很簡單的CNN,就幫不上忙了
--
上班不務正業的證據
https://died.tw
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 60.250.150.39
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1512121699.A.1D5.html
我沒看書,要補知識網路上不少course,上面這個可以看看
想快速瞭解可以看一下微軟的講解 https://goo.gl/64Pjse
篇幅不長,如果沒接觸過也蠻好懂的
... <看更多>