突破人工智能研究的界限

heyjoypaul

人工智能(AI)正在通过提供显着增强的体验来彻底改变行业、产品和核心能力。然而，这只是人工智能革命的开始。人工智能领域，尤其是深度学习，仍处于起步阶段，有巨大的探索和改进的机会。例如，当今的深度神经网络的规模正在迅速增长，并且使用过多的内存、计算和能源。为了让人工智能真正无处不在，它需要在严格的功耗和散热预算内在终端设备上运行。人工智能需要新的方法和基础研究以及应用该研究，以进一步推进机器学习并加速采用。这就是高通人工智能研究中心的用武之地。高通技术公司拥有丰富的跨技术基础研究历史，这些技术带来了突破性创新。高通人工智能研究中心汇集了整个组织的机器学习研究人员，研究从基础深度学习研究到应用人工智能的广泛机器学习主题。在这篇博文中，我将简要讨论一些值得注意的主题，这些主题展示了我们研究的广度，从量化和无监督学习到量子人工智能等基础长期研究。如需更深入的讨论，请参加我即将举行的网络研讨会。8突破人工智能研究的界限网络研讨会与axWelling博士一起深入探讨人工智能主题。观看网络研讨会高通人工智能研究推动整个人工智能领域的领先研究和开发。高通人工智能研究推动整个人工智能领域的领先研究和开发。点击查看大图神经网络功效的量化研究我们持续投入大量。

精力的一个领域是神经网络模型优化研究，以提高能效和性能。缩小神经网络模型的大小将使人工智能能够扩展并变得无处不在。量化降低了神经网络权重和激活计算的精度，从而降低功耗、降低内存带宽、降低存储空间并提高性能。量化的挑战是保持模 印度尼西亚电报数据 型的准确性和自动化流程。我们在这两方面都取得了重大进展，并且正在突破量化的极限。我们的目标是量化到较低的位宽，同时保持准确性、提高自动化程度、减少所需数据并最大限度地减少培训。在过去的一年里，我们引入了三种量化方法来解决这些问题无数据量化(DFQ)是一种解决体重范围偏差和不平衡问题的自动化方法。它不需要训练，没有数据，并且允许我们在不损失太多精度的情况下实现8位量化。AdaRund自适应舍入质疑常见的舍入方法，并创建了一种自动方法来查找最佳舍入选择。它建立在无数据量化方法的基础上，不需要训练，并且只需要最少的未标记数据。它使我们能够在不损失太多精度的情况下实现位权重量化。贝叶斯位是一种学习混合精度量化的新颖方法。它需要训练和训练数据，但它允许我们共同学习位。



宽精度以及是否修剪节点。它自动执行混合精度量化，并实现精度和内核位宽之间的权衡，从而产生最先进的结果。我们非常高兴看到量化方面的这一惊人进展。通过这些不同的量化选项，人工智能工程师和开发人员可以选择适合他们需求的方法并做出适当的权衡。我们更接近于让量化成为神经网络推理的理所当然的事情。我也很高兴看到我们领先的量化研究商业化并通过论文、开源或SDK与社区共享的速度。例如，DFQ已经存在于人工智能模型效率工具包AIE、高通创新中心在Giub上的开源项目以及高通神经处理SDK中。我们领先的量化研究正在快速商业化并与人工智能社区共享。我们领先的量化研究正在快速商业化并与人工智能社区共享。点击查看大图RF无监督学习实现精确定位人工智能是一个强大的工具，但关键是智能地应用人工智能来解决正确的挑战——例如，用传统方法难以解决但用人工智能更容易解决的挑战。其中一项挑战是根据射频(RF)信号确定接收器的精确位置。无线电波就在我们周围，我们有机会向它们学习。在这个研究领域，我们正在将无监督学习应用于射频信号，以实现厘米级精度的定位。考虑下图中的这条汽车装配线，其中GS和其他技术不可行。环境复杂，有许多不规则形状和移动设备。