科技行者 11月6日 北京消息:汽車半導(dǎo)體供應(yīng)商恩智浦半導(dǎo)體NXP Semiconductors N.V.(納斯達克代碼:NXPI)推出汽車車規(guī)級深度學習工具包eIQ Auto,擴展了公司eIQ機器學習產(chǎn)品系列。該工具包旨在幫助客戶從開發(fā)環(huán)境快速地轉(zhuǎn)向滿足汽車行業(yè)嚴格標準的人工智能應(yīng)用集成。eIQ Auto能夠?qū)⒒谏疃葘W習的算法應(yīng)用到視覺、自動駕駛、傳感器融合、駕駛員監(jiān)控和其他不斷發(fā)展的汽車應(yīng)用。
eIQ Auto工具包使客戶能在PC端/云端/GPU環(huán)境下對汽車產(chǎn)品進行開發(fā),并將其神經(jīng)網(wǎng)絡(luò)集成到S32處理器上。恩智浦的工具包和汽車級推斷引擎使神經(jīng)網(wǎng)絡(luò)在具有嚴格安全要求的汽車應(yīng)用中更容易部署。一個很好的例子是,在基于計算機視覺的系統(tǒng)中,傳統(tǒng)計算機視覺算法加速向基于深度學習的算法轉(zhuǎn)變。
深度學習有望在目標檢測和分類中提供優(yōu)于“傳統(tǒng)”計算機視覺算法的檢測精度和可維護性,但復(fù)雜性和高昂的成本阻礙了全車規(guī)的集成和實現(xiàn)。
eIQ Auto工具包旨在降低為深度學習算法的每一層選擇,并集成嵌入式計算引擎所需的投資成本,從而幫助客戶縮短產(chǎn)品上市時間。與其他嵌入式深度學習框架相比,自動選擇過程使給定模型的性能提高了30倍。實現(xiàn)此性能的方式是優(yōu)化可用資源的使用,減少時間和開發(fā)工作量——這是基于恩智浦的內(nèi)部基準,使用單線程Tensor Flow(TF) Lite浮點模型與運行于S32V234雙APEX-2上的Auto eIQ量化版本進行比較。這些紅利可幫助開發(fā)人員對應(yīng)用進行評估、微調(diào)和部署,以獲得最大化的總體性能。
符合汽車車規(guī)級開發(fā)標準和功能安全要求是eIQ Auto和S32V集成的關(guān)鍵優(yōu)勢。eIQ Auto的推斷引擎遵照嚴格的開發(fā)要求,符合Automotive SPICE®標準。S32V處理器提供最高級別的功能安全,支持ISO 26262,最高滿足ASIL-C、IEC 61508和DO 178標準。
恩智浦副總裁兼高級駕駛員輔助解決方案總經(jīng)理Kamal Khouri表示:“新一代汽車應(yīng)用,比如當前自動駕駛測試車輛的集成方案,系統(tǒng)龐大,能耗高且不可能批量生產(chǎn)。新的eIQ工具包可幫助我們的客戶在具有最高級別安全性和可靠性的嵌入式處理器環(huán)境中部署強大的神經(jīng)網(wǎng)絡(luò)。”
恩智浦的Auto eIQ深度學習工具包和車規(guī)級S32V芯片共同為新一代汽車應(yīng)用提供性能、功能安全和質(zhì)量的強大基礎(chǔ)。
恩智浦eIQ Auto工具包包括:
eIQ Auto工具包亮點在于:
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓(xùn)練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。