基于VR技术的电力设备智能巡检系统有哪些独特之处?
由广州华锐互动开发的VR电力设备智能巡检系统是一种基于虚拟现实技术的智能化巡检系统，包含设备认知、巡视点学习、故障巡视、引导操作四大模块，涉及GIS组合电器、GW4-110型隔离开关、GW16-220型隔离开关、串级式电压互感器、串联电抗器、干式变压器等设备，该系统具有如下独特之处：
一、智能化识别
VR电力设备智能巡检系统可以通过图像识别、语音识别、自然语言处理等人工智能技术，对电力设备进行智能化识别，准确判断设备是否存在异常情况。系统能够对电力设备的温度、湿度、震动等各种参数进行实时监测，并能通过分析历史数据，进行故障预测和预警。
二、虚拟现实技术
VR电力设备智能巡检系统利用虚拟现实技术，能够将实际电力设备建模成虚拟设备，实现远程巡检和操作，避免了人工巡检的风险和操作的危险性。系统还能够实现故障预测、模拟维修等功能，提高了电力设备的运行效率。
三、实时监控
VR电力设备智能巡检系统能够通过联网设备实现实时监控，从而实现对电力设备的远程监控和实时反馈。系统还可以通过数据分析和挖掘，提供设备的实时运行情况，帮助电力企业进行更加精准的决策。
四、高效性
VR电力设备智能巡检系统的高效性表现在，系统能够实现对设备的自动巡检和分析，减少人力成本和巡检周期，提高电力设备的使用寿命和可靠性。系统还可以通过远程维护、升级等方式进行优化，不断提高系统的效率和可靠性。
总之，VR电力设备智能巡检系统具有智能化识别、虚拟现实技术、实时监控和高效性等独特之处，为电力设备的巡检和维护提供了更加先进、智能、高效的解决方案，对提升电力设备的运行效率和安全性具有重要意义
盘点人工智能发展史上的8个历史性事件
原标题：盘点人工智能发展史上的8个历史性事件人工智能被广大人民群众所熟知大概是从2016年阿尔法围棋（AlphaGo）与围棋世界冠军、职业九段选手李世石进行人机大战那次，并以4：1的总比分获胜。
不少职业围棋手认为，阿尔法围棋的棋力已经达到甚至超过围棋职业九段水平，在世界职业围棋排名中，其等级分曾经超过排名人类第一的棋手柯洁。此次人机大战，引起了全球前所未有的关注，开启了人工智能的新纪元。
实际上，早在上世纪40年代，人工智能的概念就已诞生。在那个时期的一些科幻小说、科幻电影里，就经常有关于人工智能的描述，如超级机器人、超级计算机、光脑等。
在人工智能的发展历程中，还经历了以下七个历史性事件：
一）1943年，WarrenMcCulloch和WalterPitts两位科学家提出了“神经网络”的概念，正式开启了AI的大门。虽然在当时仅是一个数学理论，但是这个理论让人们了解到计算机可以如人类大脑一样进行“深度学习”，描述了如何让人造神经元网络实现逻辑功能。
二）1955年8月31日，JohnMcCarthy、MarvinMinsky、NathanielRochester和ClaudeShannon四位科学家联名提交了一份《人工智能研究》的提案，首次提出了人工智能（AI）的概念，其中的JohnMcCarthy被后人尊称为“人工智能之父”。
三）1969年人类首次提出了反向传播算法（Backpropagation），这是80年代的主流算法，同时也是机器学习历史上最重要的算法之一，奠定了人工智能的基础。
这种算法的独特之处在于映射、非线性化，具有很强的函数复现能力，可以更好地训练人工智能的学习能力。
四）20世纪60年代，麻省理工学院的一名研究人员发明了一个名为ELIZA的计算机心理治疗师，可以帮助用户和机器对话，缓解压力和抑郁，这是语音助手最早的雏形。
语音助手可以识别用户的语言，并进行简单的系统操作，比如苹果的Siri，某种程度上来说，语音助手赋予了人工智能“说话”和“交流”的能力。
展开全文五）1993年作家兼计算机科学家VernorVinge发表了一篇文章，在这篇文章中首次提到了人工智能的“奇点理论”。他认为未来某一天人工智能会超越人类，并且终结人类社会，主宰人类世界，被其称为“即将到来的技术奇点”。
VernorVinge是最早的人工智能威胁论提出者，后来者还有霍金和特斯拉CEO马斯克。
六）1997年，IBM的超级计算机“深蓝”战胜了当时的国际象棋冠军GarryKasparov，引起了世界的轰动。虽然它还不能证明人工智能可以像人一样思考，但它证明了人工智能在推算及信息处理上要比人类更快。这是AI发展史上，人工智能首次战胜人类。
七）2012年6月，谷歌研究人员JeffDean和吴恩达从YouTube视频中提取了1000万个未标记的图像，训练一个由16，000个电脑处理器组成的庞大神经网络。在没有给出任何识别信息的情况下，人工智能通过深度学习算法准确的从中识别出了猫科动物的照片。
这是人工智能深度学习的首次案例，它意味着人工智能开始有了一定程度的“思考”能力。
人工智能未来的发展：
AI行业的六大发展趋势
·更聪明的机器人
·更快的分析
·更自然的互动
·更微妙的恐惧
·更智能的学习
·知识共享
人工智能的近期研究目标在于建造智能计算机，用以代替人类去从事各种复杂的脑力劳动。正是根据这一近期研究目标，人们才把人工智能理解为计算机科学的一个分支。当然，人工智能还有它的远期研究目标，即探究人类智能和机器智能的基本原理，研究用自动机模拟人类的思维过程和智能行为。这个长期目标远远超出计算机科学的范畴，几乎涉及自然科学和社会科学的所有学科。如今，人工智能已经进入21世纪，其必将为发展国民经济和改善人类生活做出更大的贡献。
来源：人工智能返回搜狐，查看更多
责任编辑：《FPGA在人工智能时代的独特优势》 转载声明：这篇文章是我在逛某乎看到的，由于是外行人，我并不知道这篇文章的准确性今天和大家聊一聊FPGA在人工智能时代特有
来源：雪球App，作者：反核先锋，（https://xueqiu.com/4423944766/241845225）
转载声明：这篇文章是我在逛某乎看到的，由于是外行人，我并不知道这篇文章的准确性
今天和大家聊一聊FPGA在人工智能时代特有的优势，由于我的工作性质，我也需要不断的了解这块的知识呃，并且分享给大家和大家一起学习。我们每天都在用手机，电脑发送信息和数据，那我们有没有想过这个人工智能时代，谁在发挥独特的优势呢？
那就不得不说芯片内部源于沙子的复杂体系，我们可以叫做建筑结构。其中道格.伯格尔就是这个伟大的建筑师的一员。也是现任微软技术院士，曾任德克萨斯大学奥斯丁分校的教授。
也是微软FPGA项目的首席架构师和主要负责人。
两年前，博格尔在微软研究院博客中分享了他对后摩尔定律时代芯片产业发展的观点和愿景。也展望了人工智能时代芯片技术的前进方向。
像微软这样的软件互联网公司为什么也要进军芯片行业，以及在微软眼中，什么才是FPGA在人工智能时代的独特优势。
今天我们可以谈谈这么几个内容。
首先，什么是所谓的暗硅效应，另外相对于CPU和GPU而言，FPGA这种芯片到底有哪些特殊之处。那我们可以讲讲来自微软的FPGA的两个主要项目，Brainwave和Catapult。最后我们在分析一下人工智能芯片发展路在什么方向。
什么是暗硅效应？
大约十几年前，学术界和工业界的主要发展趋势就是多核心架构，虽然当时没有成为全球共识，但在当时多核架构是非常热门的研究方向。
人们认为可以如果可以找到编写和运行并行软件的方法，我们就可以将处理器架构扩展到数千个核心。然而当时任德州大学奥斯汀分校教授的伯格尔却对此不以为然于是他在2011年发表了一篇论文提出所谓的暗硅效应，而这项研究也深深影响了整个芯片行业接下来的发展轨迹，那么什么是暗硅效应呢，暗硅效应就是虽然我们能不断的增加处理器核心的数量，但是由于能耗的限制，我们却无法让他们同时工作。这就好像移动大楼里有很多房间，但由于能耗限制，你无法同时开启所有大楼里的所有灯光，这样就使得这栋大楼里，在夜晚有很多看起来黑暗的部分。
而这就是暗硅得名的原因。
暗硅效应的本质是在后摩尔定律时代，晶体管的能效发展已经趋于停滞，这样即使人们开发出并行软件，并且不断增加核心的数量，所带来的性能的提升也非常的有限。所以业界还需要在其他方面带来更多的进展，以客服暗硅效应带来的问题。
如何应对暗硅效应？
很明显，传统的多核架构无法应对暗硅效应带来的功耗难题。那么有一个可行的解决方案，就是采用定制计算的方法。也就是说，为特定的工作场景和负载优化硬件设计，比如不使用通用的处理器，为应用场景优化计算结构，嗯，使用领域专用的一些处理器，嗯，这样能够达到高性能，低功耗的效果，然而，设计和制造定制芯片的最主要的问题就是高昂的成本，例如，对一个复杂的云计算场景，不论是使用者还是设计者，都不会采用一个由成千上万种不同芯片组成的复杂系统，因此，人们的视线集中到了一个名为FPGA的芯片上，FPGA全名叫做现场可编程门阵列，它的本质是一个可编程的芯片，人们可以把硬件设计重复烧写在她它的可编程存储器上，从而使FPGA可以执行不同的硬件设计和逻辑功能，另外，你也可以在使用现场动态的改变他上面的进行结构，这也就是为什么它被称为现场可编程的原因，事实上，你可以每隔几秒钟就改变一次FPGA上面运行的硬件设计，因此，这种芯片非常的灵活，基于这些特点，很多公司开始布局FPGA技术。这其中不乏微软，亚马逊，腾讯阿里等互联网与软件公司。
例如，微软就将FPGA广泛的部署到了他们的云数据中心里，与此同时，他们也开始将很多重要的应用和功能，从其软件的实现方式，慢慢的转移到了基于FPGA的硬件实现方式上，可以说这是非常有趣的计算架构，他也成为了微软基于定制化硬件的通用计算平台，Fpj的重要特点是什么呢？那么就是它的灵活性，例如，如果具体的应用场景或者算法发展的太快，或者硬件规模太小的时候，我们就可以使用FPGA用硬件来实现这些功能，当应用规模逐渐扩大时，我们就可以在合适的时间选择将这些已经成熟的硬件功能或者设计转化成定制化的芯片，以提高他们的稳定性和降低功耗和成本，我们要知道，FPGA芯片并不是一个全新的物种，事实上，目前FPGA已经在电信领域得到了非常广泛的应用，这种芯片非常擅长于对数据流进行快速的处理，同时，也被应用于流片前的功能测试等等，这些我们以后可以慢慢去说去了解。
FPGA和CPU和GPU
CPU和GPU都是令人惊叹的计算机架构。
他们是为了不同的工作场景和应用负载而设计。
拿CPU来说，它是一种非常通用的架构，它的工作方式基于一系列的计算机指令，也称为指令集，简单来说，CPU从内存中提取一小部分数据，放在寄存器或者缓存中，然后使用一系列指令对这些数据进行操作，等操作完毕后，将数据再写回内存，提取另外一小部分数据，再用指令进行操作，周而复始，不过，如果这些需要使用指令进行处理的数据集太大，或者数据值太大的话，那么CPU就不能很好的处理这种情况了？这也就是为什么在处理高速网络流量的时候，我们往往需要定制芯片，比如网卡芯片，而不是CPU，这是因为在CPU中，即使处理一个字节的数据，也要使用一堆的指令才能完成，而当数据流非常大，以每秒125艾字节流入系统时，这种处理方式，哪怕使用再多的线程也忙不过来。
那么，对于GPU来说。他所擅长的是被称作单指令多数据流的并行处理，这种处理方式的本质在GPU中有着一堆相同的计算核心，可以处理类似但并不完全相同的数据，因此，可以使用一条指令，就让这些计算核心执行相同的操作，并且并行的处理所有的数据，最后，对于FPGA而言，它实际上是CPU计算模型中的“转置”，在CPU中，数据即被锁定在架构上，然后使用一条条指令对其处理，FPGA则是将指令锁定在架构上，然后在上面运行数据流。FPGA这种计算方式的核心思想是什么呢？就是将某种计算架构用硬件电路实现出来，然后持续地将数据流输入系统并完成计算，在云计算中，这种架构对于高速传输的网络数据流非常有效，并且对CPU来说也是一个非常好的补充。
微软Catapult项目。
微软Catapult项目的主要目的是在微软的云数据中心中大规模部署FPGA，虽然这个项目涵盖了电路和系统的架构设计懂工程实践，但它的本质仍然是一个研究项目，在这之前，并没有公司能够真正成功的对FPGA在云数据中心里进行工业化的部署，从2015年末开始，微软在购买新服务器时，几乎都会在上面布置FPGA板卡，这些服务器被用于微软的必应搜索，Azure云服务以及其他的各种应用。到目前为止，微软已经在遍布世界各地的数据中心里部署FPGA，并且已经发展到了非常大的规模，这也使得微软成为了世界上最大的FPGA客户之一，在微软内部。很多团队都在使用kitephf增强自己的服务，比如FPGA可以对云计算的诸多网络功能，进行计算加速，这样就能为客户提供比以往更加快速，安全，稳定的云计算和网络服务，当网络数据包以每秒500亿比特速度进行传输时，我们可以使用FPGA对这些数据包进行控制分类和改写，相反的，如果使用CPU来实现这些功能的话，将需要海量的CPU内核资源，因此，对于这样的应用场景，显然，FPGA是一个更好的选择。
好啵，项目与实时AI
当前，人工智能有了很大的发展，而且在很大程度上归功于深度学习技术的发展，人们逐渐意识到，当你有了深度学习的算法模型，并构建了深度神经网络时，需要足够多的数据去训练网络，只有加入更多的数据，才会让深度神经网络变得，更大更好，通过使用深度学习，我们在很多传统的AR领域取得了长足的进展，比如机器翻译，语音识别，计算机视觉等等，同时，深度学习也可以逐步替代这些领域发展的多年专用算法。这些巨大的发展和变革，促使业界思考他们对，芯片架构和计算模式的影响，哦，再以微软为例，他们开始重点布局对AI机器学习，特别是深度学习的定制化硬件架构，这也是脑波项目产生的主要背景，脑波项目提出了一种深度神经网络处理器，也有人称之为神经处理单元或者npu，毕竟搜索这样的应用，需要很强的算力，这是因为只有不断的学习和训练，才能向用户，提供更优的搜索结果，因此，微软将大型的深度神经网络利用FPGA，进行加速并取得了很好的结果，目前，这种计算架构已经在全球范围内运行了一段时间，微软在2018年的开发者大会上正式发布了，脑波项目在Azure云服务的预览版。他们也为用户提供带有FPGA的板卡，使用户可以使用自己公司的服务器，从Azure上获取AI模型并运行。
那么，什么是评价实施AI的主要标准呢？
这里面主要的性能指标之一就是延时的大小，然而，延时究竟多小才够小？似乎是一个哲学问题，这事实上，取决于具体的应用场景，比如，如果在网络上监控并接收多个信号，并从中分析哪个地方发生了异常情况？那么几分钟的时间，可能就足够了，然而，如果你正在和某人通过网络进行交谈，哪怕是非常小的延时和卡顿，也会影响通话质量，就像很多电视直播采访里经常出现的两个人在，同时，讲话的情景，很多情况下，增加系统的处理速度，势必会带来更多的投入和成本的攀升，两者很难同时满足，但这就是脑波项目的主要优势所在，或使用FPGA，我们在这两个方面可以达到很好的平衡，也就是说，我们既可以得到很高的性能，也会有令人满意的成本和功耗。
$安路科技-U(SH688107)$ $科大讯飞(SZ002230)$ $寒武纪-U(SH688256)$
人工智能的研究路径和发展途径是什么
人工智能的研究路径和发展途径是什么？来源：中国教育信息化网作者：李志民自2016年以来AlphaGo接连击败顶级的人类围棋棋手之后，AI(人工智能)的能力和潜力再次刷新了我们的认知，并在全球掀起了一场人工智能大发展的热潮。人工智能到底会如何发展，一直都是媒体和整个社会讨论的焦点，AI研究人员是如何看待的呢？
最近，偶然在微信圈里看到北京大学的黄铁军教授为2018年图灵奖获得者、卷积神经网络之父 YannLeCun的自传写的序，其中既有不谋而合之处，又有发人深省的地方。摘编如下：
黄教授在文中写道：人类智能是地球环境培育出的最美丽的花朵，我们在为自己骄傲的同时，也要警惕人类中心主义。地球不是宇宙的中心，人类智能也没有类似的独特地位，把人类智能视为人工智能的造物主，曾经禁锢了人工智能的发展。沉迷于寻求通用智能理论，将是阻碍人工智能发展的最大障碍。这个思想基本上贯穿全文，也是非常值得深思的部分。
对于智能的定义，黄教授认为，智能是系统通过获取和加工信息而获得的能力。智能系统的重要特征是能够从无序到有序（熵减）、从简单到复杂演化（进化）的。生命系统是智能系统，也是物理系统；既具有熵减的智能特征，也遵守熵增在内的物理规律。人工智能是智能系统，也是通过获取和加工信息而获得智能，只是智能载体从有机体扩展到一般性的机器。就像人可以分为精神和肉体两个层次（当然这两个层次从根本上密不可分），机器智能也可以分为载体（具有特定结构的机器）和智能（作为一种现象的功能）两个层次，两个层次同样重要。
AI技术的传统研究路径有符号主义、连接主义和行为主义。
符号主义有过辉煌，但不能从根本上解决智能问题，一个重要原因是“纸上得来终觉浅”：人类抽象出的符号，源头是身体对物理世界的感知，人类能够通过符号进行交流，是因为人类拥有类似的身体。计算机只处理符号，就不可能有类人感知和类人智能，人类可意会而不能言传的“潜智能”，不必或不能形式化为符号，更是计算机不能触及的。要实现类人乃至超人智能，就不能仅仅依靠计算机。
连接主义采取自底向上的路线，强调智能活动是由大量简单单元通过复杂连接后并行运行的结果，基本思想是：既然生物智能是由神经网络产生的，那就通过人工方式构造神经网络，再训练人工神经网络产生智能。它的困难在于，不知道什么样的神经网络能够产生预期智能，因此大量探索归于失败。20世纪80年代神经网络曾经兴盛一时，掀起本轮人工智能浪潮的深度神经网络只是少见的成功个案。
行为主义是第三条路径。生物智能是自然进化的产物，生物通过与环境以及其他生物之间的相互作用发展出越来越强的智能，人工智能也可以沿这个途径发展。这个学派在20世纪80年代末90年代初兴起，近年来颇受瞩目的波士顿动力公司的机器狗和机器人就是这个学派的代表作。行为主义遇到的困难和连接主义类似，那就是什么样的智能主体才是“可塑之才”。
黄教授认为，展望未来，人工智能的发展途径有三条：
一是继续推进“大数据+大算力+强算法”的信息技术方法，从而得到信息模型。收集尽可能多的数据，采用深度学习、注意力模型等算法，将大数据中蕴藏的规律转换为人工神经网络的参数，这实际上是凝练了大数据精华的“隐式知识库”，可以为各类文本、图像等信息处理应用提供共性智能模型。
二是推进“结构仿脑+功能类脑+性能超脑”的类脑途径，从而得到生命模型。把大自然亿万年进化训练出的生物神经网络作为新一代人工神经网络的蓝本，构造逼近生物神经网络的神经形态芯片和系统，站在人类智能肩膀上发展机器智能。
三是通过“强化学习+物理模型+算力”的自主学习途径，从而得到自主智能模型。其技术路线的核心是建立自然环境的物理模型，通过强化学习训练自主智能模型。比如，构造地球物理模型，训练出的人工智能系统能够适应地球环境，与人类共处共融；构造高精度物理模型（例如基于量子力学模型构造出粒子、原子、分子和材料模型），可以训练出能够从事物理学和材料学研究的人工智能；构造出宇宙及其他星球的物理模型，可以训练出的人工智能则有望走出地球，适应宇宙中更复杂的环境。（参考全文可查阅：黄铁军：沉迷于寻求通用智能理论，将是阻碍AI发展的最大障碍|YannLeCun自传《科学之路》序）
从以上研究路径和发展途径看，对现阶段的人工智能毋须过分魔幻，AI只是众多科研方向的其中之一。其研究方向可以概括为：符号主义学派把人类的感知抽象成“符号”，使用逻辑推理和演算的方法，通过解析物理符号系统假说和启发式搜索原理去寻找智能，它关心的是承载智能的心理结构和逻辑结构，即符号主义学派是在研究“心智”(Mind)；连接主义学派使用生物仿生学的方法，通过构建模拟生物体脑部的组织结构去寻找智能，它关心的是承载智能的生理结构，即连接主义学派是在研究“大脑”（Brain)；而行为主义学派认为智能是由环境习得的，通过环境反馈和智能行为之间的因果联系去寻找智能，既不关心智能的载体和其内部的生理结构，也不关心智能的逻辑和心理结构，只关心智能的外部可观察到的行为表现，即行为主义学派是在研究“行为”(Action)。
可以看出，当前的人工智能还只能说是由自动控制向自动化的升级，本质上还是人的智能，仅仅也就停留在弱人工智能的初级阶段，离有知觉、有自我意识，可以独立思考问题并制定解决问题的最优方案甚至有自己的价值观和世界观体系的强人工智能更是相差十万八千里。
所以我们应该去思考，人工智能没有解决的是什么？智能的形成机制是什么？有没有脑科学和神经科学的可靠理论支撑？难道智能仅仅是算法吗？搞清楚这些问题，我们就不会陷入科幻的杞人忧天和恐慌之中而得出自己的判断。自然人的智能只是电信号吗，只是靠电力吗？没有电力供应的智能机器怎么运转，人类在发明电力之前可是有过几千年的文明史。
上一篇：预长聘制应以真正的同行评议为基础
下一篇：什么是碳达峰、碳中和