開箱評測 Google intel nvidia gpu cuda gpgpu 深度學習 機器學習 deep learning alpha go 機械神經網路 同樣的招式對聖鬥士是沒有用的！閒聊關於 Google AlphaGo 深度學習平台 今天科技業界發生一件有趣的大事，就是由 Google 的 AlphaGo 人工智慧與韓國棋士李世石的世紀對決，無論今天最終是人類獲勝或是電腦獲勝，都是相當值得玩味的。不同於當年 IBM 深藍超級電腦與俄羅斯國際象棋棋王卡斯帕羅夫的對決， AlphaGo 是以更新穎的機械神經網路架構的深度學習系統所打造的人工智慧，變數也會更多。過去的人工智慧是在系統所預設的邏輯內找尋對應方式，故需要給予超級電腦足以應對各種情況的邏輯庫，它才能夠持續變強，但問題在於過去的人工智慧只是按表操課，宛如早期的遊戲的 AI 一樣會有規律與破綻，也就是會有一定的套路。當然畢竟深藍是那個時代的超級電腦，能夠容納夠多的邏輯庫， Chevelle.fu 4 年前
新品資訊 Google nvidia machine learning 深度學習 deep learning alpha go 人類與電腦要於圍棋桌鬥智， Google AlphaGo 要挑戰圍棋天才李世石 Google 宣布旗下人工智慧公司所開發的人工智慧系統 AlphaGo 將與世界圍棋天才李世石進行五局的圍棋對弈，將在 3 月 9 日至 3 月 15 日分次於首爾舉行，同時李世石若是戰勝電腦，將可獲 100 萬美金獎勵，但若是 AlphaGo 獲勝則將把獎金捐給聯合國兒童基金會、 STEM 教育機構與圍棋。人工智慧是一直以來科技產業發展的重大技術與願景目標，而圍棋由於其多變性更被視為發展人工智慧演算法的終極目標， Google 認為 AlphaGo 若能在圍棋戰勝頂尖的人類高手，會是人工智慧技術後續發展與分析重要的里程碑。屆時直播將會透過 YouTube 上的 DeepMind 頻道進行直播 Chevelle.fu 4 年前
App AI im machine learning 即時通訊 APP軟體 深度學習 機器學習 deep learning 傳 Google 打算推出具人工智慧的通訊軟體 頂著搜尋龍頭的光環，但 Google 也不是做甚麼都無往不利，面對基於社群服務的 Facebook ，不僅 Google+ 雷聲大雨點小，就連 Facebook 延伸出的 Facebook Messenger 也讓 Google 的即時通訊服務黯然失色；而華爾街日報指出， Google 正打算啟動新的即時通訊服務，而且還加入可與使用者互動的人工智慧，讓使用者除了可以跟好友聊天外，也可以跟人工智慧互動。這項服務的基礎沒意外會建立在基於深度學習( Deep Learning )的機器學習( Machine Learning )平台上，藉由人工智慧的方式加上 Google 龐大的搜尋資料庫，變相的提 Chevelle.fu 4 年前
新品資訊 Facebook gpgpu maxwell 特斯拉 平行運算 深度學習 神經網路 異質運算 deep learning Facebook 開源深度學習機器 Big Sur 採用 NVIDIA Tesla M40 ，比現行平台提升兩倍 圖片來源： FacebookFacebook 宣布在全新的 Big Sur 運算平台導入 NVIDIA Telsa M40 加速卡，藉此作為機器神經網路的硬體基礎架構，且相較 Facebook 現行的深度學習平台， Big Sur 的速度快了兩倍，不僅加倍神經網路訓練數量，還助於發展更精確的模組與進階應用。同時 Big Sur 也是首個開放原始碼的 AI 運算架構，藉由與 Open Computer Project 以及其它合作夥伴，希望透過開放原始碼的方式使全球的 AI 研究人員能更方便的分享與改造技術，使基於 GPU 的機器學習能更為多元發展。而 Facebook 也成為首個訓練深度神經網 Chevelle.fu 4 年前
產業消息 nvidia gpu hpc gpgpu machine learning nvidia tesla 特斯拉 深度學習 機器視覺 機器學習 deep learning 針對網路資料中心機器學習處理， NVIDIA 推出 Hyperscale 級加速器 Tesla M40 、 Tesla M4 NVIDIA 針對近年網路數據中心在人工智慧、機器學習開發的需求，發表了 Hyperscale 等級的 Tesla 加速器 Tesla M40 ，主打最高效能、並可用於各類的深度神經網路；同時也針判讀影像串流、視訊處理等應用提供低功號加速器 Tesla M4 。Tesla M40 是一款基於 Maxwell 架構的加速器，具備 3,072 個 CUDA 核心，核心數量與 GeForce GTX Titan X 相同，應該是相同的核心，並也同樣搭配 12GB GDDR 5 記憶體，記憶體頻寬達 288GB/sec ，提供最高 7 TFLOPS 的單精度浮點運算效能。相較於 Titan X 特別強 Chevelle.fu 4 年前
新品資訊 nvidia gpu gpgpu machine learning GTC 深度學習 機器學習 deep learning NVIDIA GTC Taiwan 2015 ： Deep Learning 蓄勢待發，盼能帶動產業變革 NVIDIA 連續兩年在台灣舉辦 GTC 台灣場次，而今年的場次相較去年更為豐富，且也如今年在 San Jose 舉辦的 GTC 2015 一樣加入大量機器學習與深度學習的課程。在稍早的媒體見面會也把重點放在與機器視覺、機器學習相關的講者交流，並希望藉此更推廣 GPU 於深度學習相關領域的應用。當然以整體趨勢來說，機器學習與深度學習並不是新的概念，但就像今年 GTC 2015 主題演講所述，機器學習與深度學習在導入基於 GPU 的平行運算之後，效能與運算能力大幅提升，加上各類感測器蒐集大量的數據做為基礎資料庫，使機器學習與深度學習獲得驚人的突破，也更深深地影響日常生活。NVIDIA 今年在 G Chevelle.fu 4 年前
產業消息 GTC 深度學習 deep learning 加速深度學習開發， NVIDIA 推出全新工具挹注更高效能 NVIDIA 藉著 CUDA 成功的在超級電腦領域獲得不少國家級系統的青睞，而這幾年機器學習中的 Deep Learning 蔚為風氣， NVIDIA 今年在年度盛會 GTC 也將深度學習作為主打；稍早 NVIDIA 再度宣布他們針對深度學習需求推出多項新技術，包括新一代的深度學習中介軟體 DIGITS 2 ，以及針對深度學習的第三版 NVIDIA CUDA 語言 ( cuDNN3 )，以架構與語言使深度學習效能倍增。DIGITS 2 深度學習中介軟體具備全新的自動多重 GPU 擴充功能，可將深度學習訓練的工作負載進行自動分派到系統平台中所有的 GPU 進行運算，相較傳統藉由單一 GPU 運算 Chevelle.fu 5 年前
廣告 影像 平行運算 科技生活 深度學習 異質運算 機器學習 deep learning 微軟應該要感謝大家鼎力支持 How-Old.net ，因為他們因此獲得可觀的深度學習素材(更新：微軟強調不會保存與分享使用者上傳照片但保留分析資料) 微軟上週推出了基於機器學習的 How-Old.net 照片年齡分析服務，相信不少人也都玩的不亦樂乎吧？不過在大家對微軟推出這樣的服務感到新奇有趣時，微軟才真的是最該感謝上傳所有照片的使用者，因為機器學習的基礎，就是大量的有效素材。在今年 NVIDIA 舉辦的 GTC 活動當中，基於機器學習的深度學習 Deep Learning 議程是相當火熱的主要議題，而且可說今年在 GTC 所宣布的所有產品、技術，都與深度學習環環相扣；由於 2012 年深度學習被實證在技術上因平行運算得以突破，故被視為機器學習當中的顯學，也在這一兩年持續突破，幾乎各大網路服務都投入深度學習的技術開發。更新微軟聲明：微軟到底 Chevelle.fu 5 年前
Google nvidia 微軟 Facebook 搜尋 gpgpu kepler maxwell GTC 科技生活 百度 深度學習 Cortana deep learning Deep Learning 其實與我們沒有那麼遙遠，因為我們都在為其學習教材貢獻一份心力 今年在 GTC 活動上，將去年所談論的 Machine Learning 更進一步的提升到進階的 Deep Learning 深度學習，這也是由於今年初 Google 、微軟與百度透過深度學習在圖像辨識領域有了重大的突破，儼然掀起了深度學習的技術戰爭；乍看下深度學習與我們的生活好像有那麼些遙遠，但其實每個網路使用者幾乎無時無刻都在為深度學習貢獻素材。所謂的深度學習，是透過神經網路學 Neural Network 的運算模型的技術，關於深度的技術筆者也不是那麼了解，但該技術相較傳統熟知的人工智慧技術，重視的不是為了因應各種情形撰寫對應的邏輯，而是讓系統模仿人類的感知，透過不斷投入素材進而從中解析 Chevelle.fu 5 年前
產業消息 nvidia hpc cuda 超級電腦 baidu gpgpu GTC 百度 深度學習 deep learning GTC 2015 ：百度首席科學家談深度學習如何協助今日的圖像、語音與行為認知 在 GTC 第三日的主題演講，由曾參與建設 Google Brain 的百度首席科學家吳恩達再介紹百度的 Deep Learning 深度學習；目前的深度學習應用多半在解決三大類的問題，包括影像、語音與行為的三大類認知。為何深度學習適合解決這三大類問題？因為藉由自主學習能力，系統的辨識能力能夠越來越進化且精確，然而基於早期的系統架構建構的神經網路深度學習系統效果並不好，一直到 2008 年首度將 NVIDIA 的 CUDA 平行運算語言用於神經網路系統才開始獲得改善；而 2011 年則是將基於雲系統的分散式運算再度提升效能， 2015 年則將深度學習系統導入基於大量 GPU 的超級電腦，再度獲 Chevelle.fu 5 年前
