ZD至顶网服务器频道 01月07日 新闻消息: 英伟达公司联合创始人兼CEO黄仁勋在本周三晚身着大家熟悉的黑色夹克再度亮相消费电子展(简称CES),并致开幕主题演讲。
我们很难想象其它芯片厂商的CEO会像他这样,在全球最大的贸易展会之一上受到与会者产如此热情的迎接。正如黄先生所言,该公司所打造的GPU与AI技术力量将成为未来游戏、娱乐乃至交通变革的强大推手,而事实上参与者们也对他的每一项发言给出热烈回应。
除了黄仁勋明星般的力量之外,英伟达公司还在本届CES上展示了其在AI驱动型自动驾驶车辆领域的开发成果。
英特尔公司同样在努力推动自己的开发平台,并已经与Mobileye以及宝马建立起同盟关系。不过芯片巨头的自动驾驶车辆发展前景,仍然取决于过去12个月来英特尔所积累相关车辆技术的执行与集成效果。
在黄仁勋的主题演讲中,英伟达公司公布了Xavier(最初于去年秋季发布),并将其描述为一台“AI车载超级计算机”。
英伟达公司CEO黄仁勋在CES主题演讲中。
虽然展示的装置仅是一块比他手掌稍大一点的单板,但黄仁勋表示Xavier能够以30瓦功耗每秒处理30万亿次运算。其内置有一块八核心定制化ARM64 CPU再加512核Volta GPU。这位英伟达掌门人同时在演讲中指出,Xavier芯片本身为ASIL C,但其模块可通过设计实现ASIL D安全功能。
而在该硬件基础之上的则是一套全新操作系统,名为DriveWork,黄仁勋介绍称。这套操作系统能够将来自高清地图中的位置信息与不同传感器的数据加以结合。
英伟达公司还发布了一条视频剪辑,其中该公司的BB8自动驾驶车辆在加利福尼亚州的街道上顺畅前行。
自动驾驶与辅助驾驶
英伟达公司解释称,这辆车能够理解司机的自然语言表达并与其交互。其可通过协商识别红灯、停止标志、十字路口以及前往高速公路等一系列操作,整个过程无需司机进行操控。
DriveWorks操作系统之上的各层包括Auto-Pilot DNN与Co-Pilot DNN。在谈到BB8自动驾驶车辆的感知能力时,黄仁勋表示:“我们使用两种类型的人工智能方案。其一作为自动驾驶型AI将您当作乘客,其二则作为辅助驾驶AI帮助您操纵车辆。”
除了Xavier之外,英伟达公司还公布了一系列新的合作关系。其中包括与奥迪、博世以及ZF间的协议。黄仁勋同时指出,英伟达公司的高清地图映射战略还吸引到了中国的百度、Tom Tom、日本的ZeNRIN与HERE等厂商的参与。
英伟达与奥迪公司过去十年来一直共同合作。黄仁勋提醒称,奥迪公司早在七年前就成为第一家参与CES的汽车企业,并在当时即宣布采用英伟达技术方案。为了庆祝双方的合作伙伴关系,黄仁勋在舞台上还请来了奥迪公司美国分部负责人Scott Keough。
奥迪公司美国分部负责人Scott Keough(图左)与英伟达公司CEO黄仁勋。
在新的合作关系之下,两家公司将把关注重点放在“从2020年开始逐步将高级AI车辆投入实际路面,”黄仁勋解释称。
双方协作的第一阶段将主要着眼于英伟达公司的Drive PX AI平台,其专门为自动驾驶车辆所打造。在此之后,奥迪汽车各车型将采用深度学习技术以处理驾驶中的各类复杂难题。
奥迪公司的Keough在舞台上谈到了其带来拉斯维加斯的自动驾驶车辆。“当大家在Gold Lot试驾我们的Q7时,其会自动进行驾驶,”他表示。Q7只用了三天时间就通过AI学会了如何自动驾驶,他进一步补充称。
奥迪公司相信,这一成果在未来三年内就将成为4级自动化方案。
好文章,需要你的鼓励
计算机历史博物馆软件馆长Al Kossow成功恢复了上月在犹他大学发现的半世纪前磁带内容。UNIX V4是首个内核用C语言编写的UNIX操作系统版本,已从1970年代九轨磁带中成功恢复。现可从互联网档案馆下载并在SimH中运行。该版本包含约5.5万行代码,其中2.5万行为C语言,内核仅27KB大小。恢复过程使用了readtape程序采样原始磁通变化进行数据重建。
新加坡南洋理工大学研究团队提出"棱镜假设",认为图像可像光谱一样分解为不同频率成分,低频承载语义信息,高频包含视觉细节。基于此开发的统一自编码系统UAE,通过频率域分解成功统一了图像理解和生成能力,在多项基准测试中超越现有方法,为构建真正统一的视觉AI系统提供了新思路,有望推动计算机视觉技术向更智能统一的方向发展。
亚马逊云服务宣布其存储网关现已支持Nutanix的AHV虚拟化管理程序,进一步扩展混合云存储解决方案。此前AWS存储网关已支持VMware ESXi、微软Hyper-V和Linux KVM。由于AHV基于KVM架构,AWS表示添加支持相对容易。随着Broadcom收购VMware后策略调整,许多企业正寻求替代方案,Nutanix成为热门选择。分析师预测VMware可能在三年内失去35%的工作负载。
芝加哥伊利诺伊大学团队提出QuCo-RAG技术,通过检查AI训练数据统计信息而非内部信号来检测AI回答可靠性。该方法采用两阶段验证:预检查问题实体频率,运行时验证事实关联。实验显示准确率提升5-14个百分点,在多个模型上表现稳定,为AI可靠性检测提供了客观可验证的新方案。