硬件末端自律自学类脑神经元芯片发展，实际产业化应用。明确可分为两类:一类是专用的辅助处理器，其功能是在原主机处理器的基础上加快深度自学算法，在某些领域取得突出表现。这方面的大公司已经生产了谷歌的TPU，包括谷歌的TPU、英伟达的NvidiaTeslaP100芯片等，中国今年发表的星光智能、寒武纪等也是平均科。
星光智能是世界上第一个不具备深度自学人工智能的嵌入式视频收集传输代码系统级芯片，该基于深度自学的芯片应用于脸部识别，最低可超过98%的精度，达到人眼的识别率。寒武纪的优势集中在脸部识别、声音识别等方面。
两者可广泛应用于脸部识别、语音识别、无人机、智能驾驶辅助等。德勤预测，2017年，为了优化人工智能体验，经常出现安装辅助深度自学芯片的手机、照相机、无人机等移动终端设备。另一种脑神经元芯片是可独立国家运营仍需CPU的辅助处理器，如英特尔刚上市的KnightsMill芯片，可作为主处理器，需要终端RAM系统。
我国也经常出现独立国家的类脑神经元芯片，根据神经形态工程学的原理，利用电路模拟人类的神经元形态，模拟人类的大脑运营，其特征是没有网络就可以自律自学，比标准化处理器的功耗低，效率高。反对离线自学的芯片已经在计算机上运行试验，但是手机、无人机等更小的移动设备还没有映出来。德勤预测，2017年，希望这种芯片进一步改进，将来将装载在更小的移动终端。
末端智能化技术构建方向是更灵活的神经网络算法。特定移动端优化的紧凑型神经网络算法将于2017年诞生并活跃起来，这也将成为主要制造商的新战场。
例如，优化能够反对在智能手机上离线操作语言翻译、符号识别、语音识别等任务的小型神经网络算法。终端智能体验倾向是用户的目标优化。德勤指出，通过移动终端自律自学的能力，我们希望产生有针对性的优化体验。这种优化体验可以延伸到手写符号识别、自然语言解读、图像处理等领域。
自律自学的手机成为人们工作、自学、娱乐的助手。另外，移动终端的离线机械学习可以广泛应用于教育、医疗、智能家庭、物联网等行业。
结论:目前，我们现在谈到的智能应用大多是云整理和计算的模型。本地终端，如智能手机，在机器学习中扮演的角色不是最重要的。计算性能强，功耗有限，手机本身能超越的自学机制非常有限。
但是，随着半导体技术的发展，手机应用的智能化和个人拒绝的提高，手机机械学习能力的提高也成为未来无法回顾的方向。因此，对移动设备的硬件和软件等的拒绝，最终会在群雄逐鹿的移动终端市场上引起新的白热化竞争。
(公共编号:)指出，如果制造商有足够的支出和人才和可见的市场空间，自己决定规格，制造小费是不俗的方法。现在，intel、谷歌、苹果等大企业已经在这里投入了重书，试图先人一步。
但是，对于一般的中小型终端业者和方案设计业者来说，可能很难采取上述方法。此时，需要用于标准结构，在市场上寻找最佳的现成方案，增大与资金丰富的厂家之间的差距。明确如何自由选择，必须全面考虑应用于场景。
原始文章允许禁止发布。下一篇文章发表了注意事项。
本文关键词：‘,米乐,体育,app,网页,米乐体育app网页登录,登录,’,德勤,预测
本文来源：米乐体育app网页登录-www.menjinkaoqinji.com