该模块可在手掌般大小的方寸间提供高达32TOPS的卓越性能
无论是将订单快速投递到家门口的快递机器人、协助人类的制造机器人、还是帮助科学家让农作物免遭病虫害的手持式DNA测序分析仪,在人工智能与NVIDIA Jetson AGX Xavier平台的推动下,上述这些机器将不再只存在于科幻小说,而是正在逐渐成为现实。
现在,在处理这些工作方面,有了一款强大工具,那就是Jetson AGX Xavier模块。该模块自今日起推出,并被纳入Jetson TX2与TX1产品系列。
开发人员可以使用Jetson AGX Xavier来构建自主机器,这些机器将解决世界上一些最棘手的问题,并帮助改造广泛的行业。在未来的几年里,预计将有数百万人会进入这个市场。
拥有工作站的性能,却仅仅需要时钟收音机的能耗
Jetson AGX Xavier模块可被用于您所想象的任意一款机器人的强大大脑。它将通过手掌般大小的微型电脑,提供如工作站服务器般的非凡性能。
该模块耗电量仅为10瓦——大约相当于一个时钟收音机的耗电量——该模块使公司能够在Jetson AGX Xavier开发工具包上开发应用程序,从而进入批量生产阶段,将下一代机器人和其他自动化机器带入人们的生活。
软件带来切实影响
Jetson AGX Xavier模块利用了NVIDIA的世界级人工智能平台,该平台被用于许多人工智能应用程序。其中包括一套完整的工具和工作流程以帮助开发人员快速培训和部署神经网络。
它支持使用JetPack和DeepStream软件开发工具包开发的应用程序。JetPack是NVIDIA的自主机器SDK,支持AI、计算机视觉、多媒体等。
Jetson AGX Xavier的DeepStream SDK支持流媒体分析,将AI引入物联网和智能城市应用。开发人员可以构建多摄像机和多传感器应用程序来检测和识别感兴趣的对象,如车辆、行人和自行车。
这些SDK能够节约开发人员与各企业的时间与金钱,同时又可轻松为各类机器添加新特性与功能,以提高性能。
这种新型软硬件组合现可支持大规模部署由人工智能驱动的机器人、无人机、IVA应用及其他智能设备。
行业支持
Jetson AGX Xavier的早期用户纷纷称赞其惊人的处理能力和功率效率。
它是英国医疗技术初创公司Oxford Nanopore实时处理DNA测序的核心。
Oxford Nanopore首席执行官Gordon Sanghera表示: “我们正将Jetson AGX Xavier应用于我们的MinIT手持人工智能超级计算机,该计算机可以与功能强大的手持DNA测序仪MinION一起工作,进行实时分析。MinIT的功能比普通笔记本电脑强大近10倍,可以为更多地方的更多人提供便携、实时的测序服务。”
全球汽车零部件制造商DENSO认为,Jetson AGX Xavier将是帮助其在运营中引入新一波能效的关键。
DENSO公司执行董事Katsuhiko Sugito表示: “DENSO可以利用其在汽车零部件制造方面的悠久历史,将人工智能引入工厂,提高生产率和效率,同时提升工作场所的安全性。我们相信,Jetson AGX Xavier将是推动这一举措的关键平台。”
Jetson系列产品满足自主机器各种需求
Jetson AGX Xavier模块为Jetson系列带来了前所未有的性能,该系列包含不同性能水平与价格的解决方案,以满足各种自主机器人的应用需求。
面向边缘人工智能应用的Jetson TX2嵌入式模块现分为3个版本:Jetson TX2、Jetson TX2i与成本更低的新款Jetson TX2 4GB。基于Jetson TX1的产品能够以相同的价格迁移至更强大的Jetson TX2 4GB。
NVIDIA开发套件现可用于Jetson系列内的各个产品。借助这些套件,各企业可以利用一体化软件架构面向各种使用案例而创建并部署多种应用。
Jetson AGX Xavier模块现已通过全球经销商发售。1000件以上的批量定价为1099美元。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
这项研究由香港理工大学和新加坡国立大学的团队共同完成,提出了R?ec,首个将推理能力内置于大型推荐模型的统一框架。与传统方法不同,R?ec在单一自回归过程中实现了推理生成和物品预测的无缝整合。研究者还设计了RecPO优化框架,无需人工标注即可同时提升模型的推理和推荐能力。实验结果显示,R?ec在三个数据集上显著超越现有方法,在Hit@5和NDCG@20指标上分别提升68.67%和45.21%。这一突破为下一代智能推荐系统开辟了新方向。
这项研究提出了CURE框架,通过强化学习让大语言模型同时学习编写代码和生成单元测试两种能力,无需使用标准代码作为监督。团队开发的ReasonFlux-Coder模型在仅用4.5K编程问题训练后,便在多个基准测试中超越了同类模型,代码生成准确率提高5.3%,最佳N选1准确率提高9.0%。该方法不仅提升了模型性能,还提高了推理效率,同时为降低API调用成本和无标签强化学习提供了新思路。