人工智慧
AI假評論風暴來襲
不僅是旅遊評論訊息的可靠度遭受衝擊,在2016年的美國總統大選以及2018年台灣選舉,皆有許多造假網路聲量影響選民行為的討論。先前我曾著文提到,生成式對抗網路(Generative Adversarial Networks, GAN)的神經網路訓練技巧,將能夠生成難以分辨真偽的假圖片與假影片,甚至在網路上出現以深度學習製造出來的假成人片。
人工智慧的發展會為人類生活帶來許多便利,但是也將出現越來越多真假難辨的假資訊;我想這就是人工智慧在未來會帶來的樣貌。
AI假評論再進化
最近我更注意到一篇論文,是由北京大學孫栩老師和微軟亞洲研究院於AAAI 2019上發表。標題名為「LiveBot:Generating Live Video Comments Based on Visual and Textual Contexts」。
相信大家在觀賞網路影片時,常可以看到一種「彈幕」功能(圖1)。即為影片在播放時,允許觀眾的即時評論像子彈一樣或是用滾動的方式飛過螢幕。這些由觀眾所發表即時評論,內容可能包含了觀眾對於影片內容的意見,或是與其他評論的對話互動。而這篇論文的內容即為利用人工智慧,做到「自動即時評論」。
圖1 愛奇藝近期推出AI加持過後的彈幕功能,能避開影片中人物的臉龐。
在圖2中可以看到,上方的三個圖片是由餵貓咪影片中選定的三個定格畫面;下方則是表列出幾個選定的即時評論以及相對應的時間點。該篇論文以此方式建構了一個大型的數據集(Dataset),其中包含了2,361部影片與895,929個即時評論。接著,論文發表者基於這些影片以及評論的上下文,並使用了兩個神經模型來生成更好的效果,最後生成一個可以針對影片內容自動發表即時評論的「LiveBot」。
圖2 近期北京大學老師發表了一篇論文,生成可以針對影片內容自動發表即時評論的「LiveBot」。
假評論再升級
回到最初提到的,無論是虛擬的真人影片,或是即時性極高的線上彈幕,在人工智慧科技的加持之下,要做出假的評論都是非常快速且容易的事情;而且我們都將很難分辨這些訊息的真偽。
如今,「真假難辨」恐怕已經是世界的真實樣貌,更不幸的是此一趨勢在未來只會越來越嚴重。除了必須要加審慎的看待各種資訊,並且培養獨立思考的能力,恐怕還沒有其他能夠避免假評論的辦法。
四大優勢助陣 NVMe讓AI更聰明
上述這些AI生命週期的步驟若運用NVMe,都可受益於其效能而呈指數型的成長。有鑒於此,本文將深入探討如何善用現代式的NVMe介面儲存方案,從而促進更快速的周轉效率,來實現下一階段的AI突破。
各行各業正在將機器學習技術導入其商業流程,旨在為客戶提供更好的產品,並為股東帶來更好的獲利。不過,若要有效地部署AI,就需要客製化的機器學習模式、大量運算及無法估量的數據。未來從最小的物聯網設備到最大的城市級數據,都驅使我們必須處理PB單位的資料量,而這將對在傳統上以MB單位量及毫秒運算時代所設計的儲存技術帶來很大的挑戰。
機器學習需要消化龐大的數據量,因此需要NVMe,一種專為傳輸速度所設計的全新儲存介面技術。與SATA及SAS不同,NVMe捨棄了以傳統硬碟設計的協議與構造,取而代之的是通用處理器連接技術中速度最快的PCI Express(PCIe),藉此減少延遲(Latency),並提供每個裝置強大的頻寬。這種PB單位量以及微秒時間處理能力的特性需求,讓NVMe儲存技術成為最能符合機器學習需求的不二選擇。
實現AI仰賴周全數據管道
機器學習的關鍵在於數據,若要透過處理數據獲得有意義的結果,須要考慮周全的數據管道。每家企業的數據管道因自身業務需求而各有不同,但一般來說,所有的數據管道可被分解成收集、準備、設計及訓練四個階段。經歷四個階段後的輸出結果將建構一個模型,可在邊緣或核心推算新數據。
由於這個過程通常需要大量數據,每一個階段都必須針對數據流進行優化,以避免產生瓶頸。NVMe介面就是專為這種任務而設計,並能夠透過下列四種方式來協助優化AI數據通道:
.更快速、更具成本效益的數據收集
.更快的數據集準備與運算時間
.更短的模型設計週期時間
.訓練模型時,硬體運用更有效率
NVMe助力 收集數據更智慧
部署AI的第一個挑戰就是收集原始資料,並匯入集中式的儲存中心,而這些原始資料的種類多樣性十分繁雜,可說是廣大無邊。例如:物聯網裝置傳來的感測報告、網路日誌、生產品質報告等。在實際運用上,Apache Spark等商用服務工具可處理這些任務,並對匯入的資料加以過濾,最後累積成未經結構化的數據,再存入NoSQL的數據叢集中。NVMe可協助減少這類伺服器占用的實體運算時間,同時提高反應速度。
傳統的NoSQL叢集都經由多個SATA介面硬碟伺服器所組成,而在儲存PB單位量數據時,傳統硬碟確實是一個經濟實惠的方法。不過若要再進一步提供與達到最大頻寬,每個伺服器通常必須再結合數十個SATA或SAS硬碟。這種架構顯然會增加個別伺服器的體積,並很快就會填滿資料中心的機房,但在此情況下,伺服器的CPU卻大多是閒置且未加利用的。
相形之下,單一的NVMe介面,就能夠取代多個SATA或SAS介面並且提供相等的頻寬,而且只須要插入一片AIC板卡(Add-in-card)或是2.5吋外型規格。換言之,以體積更小的NVMe SSD來取代原本NoSQL伺服器的大型硬碟陣列,就能夠縮小NoSQL節點,並大幅減少整個硬碟叢集占用的機架空間。
如今要訓練人工智慧前,先決條件必須有TB或PB單位量的大數據,然而如此大量的數據,其格式結構通常並非立即可用。因此我們必須先將數據轉換為AI更容易處理的格式結構。太極端的異常值和雜散數據須加以濾除;不適合運用或是不符合法律規範的數據,也須在這個階段先剔除。
NVMe提升數據準備效率
面對這樣的處理需求,非專為高流量設計的儲存系統極有可能因負荷過量而當機。傳統的SAS和SATA每個介面的頻寬有限;相比下,以PCIe為基礎的NVMe介面,頻寬可達6.4GB/s或更高,頻寬優勢更為顯著。在數據準備的階段,頻寬並不是儲存系統的唯一要求,並行性也很重要,由於處理的數據量非常大,需要單個伺服器之內的多個核心及多個伺服器同時平行運算。NVMe最高可支援64K的等候中指令集和64K指令,因而讓伺服器內以及跨伺服器的平行運算更為流暢。
具高頻寬/並行性 NVMe讓模型設計更智慧
將數據整理完畢,並轉為單一易處理的格式結構之後,資料科學家才能開始大顯身手。然而資料科學家要解決的每個問題都不一樣,也因此每次都要透過往復的過程,才能開發獨特的機器學習架構。唯有針對小量的數據子集進行不斷的測試驗證,才能得到一個待選的訓練模型,再進入下一階段。所有科學和工程專案的道理都一樣,一開始會走很多冤枉路,才能找到最終解決方案,也就是需要多次嘗試才能有所結果。
在這個反覆試驗的過程中,單一測試週期的速度會影響最終模型的架構以及機器學習模型的品質,若能將設計及測試週期從10小時縮短為8小時,資料科學家的效率就能提高2倍。過去資料科學家可能一早開始工作,須等待至隔天才能看到數據結果;如今卻能在一天之內完成一項測試,也就是早上先設計模型並進行測試、取得結果,並即時調整參數,然後下午離開辦公室前跑另一次測試,在一天之內執行兩個測試週期。
和前幾個階段一樣,NVMe的頻寬和並行性,在此也可發揮作用,協助資料科學家提高效率。資料科學家的個人工作站、在專屬沙盒(Sandbox)中進行的模型測試,都能利用NVMe的低延遲性,讓作業系統和測試數據集更為順暢,同時還能提供快速效能與頻寬,供分析和測試之用。
記憶體轉換效率高 模型訓練負載量再降低
資料工程師將數據轉成機器學習易於讀取的格式結構和設計出對應機器學習的模型架構之後,接下來就要展開訓練「網路」的實際作業。配有加速器的成千上百部機器開始運作,將格式結構化的資料匯入模型,並在過程中微調模型的參數,直到能夠匯聚成為一個可用於實際應用推斷的模型。
以往的加速器技術是以繪圖處理器(GPU)為基礎,因此儲存效能不構成問題。在此情況下,在伺服器上運作的通用中央處理器(CPU)都有綽綽有餘的時間,處理GPU之間的I/O作業,並且替它準備好下一批數據。然而這種情況已不再適用,如今是交由FPGA或客製化的ASIC來負責執行模型的訓練。
現今的機器學習加速器與過往技術相比,其處理資料的速度呈指數級成長,因此通用CPU在伺服器上運作時,必須更有效率的處理呈指數級成長的I/O。傳統的I/O架構(如SATA及SAS)須轉換為舊有協定,耗費CPU週期運作資源,這會增加I/O指令的延遲性,直接影響加速器的利用率。傳統I/O堆疊也會增加CPU主機的負擔,導致每部處理器所能運作的加速器數量受到限制。
由於NVMe從一開始就是以記憶體傳輸速度儲存概念來設計的協議規格,因此不會發生必須轉換協定而大量耗費運算資源的問題,這可將處理器的負擔降到最小,並確保資料能即時匯入以供下一代的加速器使用。更令人興奮的是,目前正在審查中的擴大版NVMe協定,或稱為控制器記憶體緩衝區(CMB),可透過NVMe處理這些直接記憶體轉換而不需主機的介入,以進一步降低負載量。
NVMe成AI聰明選擇
機器學習與人工智慧應用都圍繞在數據上。收集資料、將其轉換為可用格式結構、再開發學習架構,乃至於最終訓練出一個模型來判讀數據,都需要有效的儲存介面,才能處理PB單位規模的數據量,同時又能將延遲性大幅優化、降至微秒以下。NVMe是專為記憶體速度儲存而設計的技術,可提供最佳儲存介面,供機器學習和更多其他應用使用。
(本文作者為Western Digital企業產品管理部門副總裁)
乘AI風潮力拓市場版圖 MIPS指令集架構宣布開源
瞄準人工智慧(AI)商機並趁勢拓展市場版圖,Wave Computing日前宣布即將開放MIPS架構(ISA),為全球的半導體企業、開發人員及大學提供免費的MIPS架構,以開發新一代的系統單晶片(SoC)。根據此一架構開放計畫,Wave Computing將為所有參與者免費提供最新的32位元和64位元的MIPS架構,且不會有架構授權費和版權費,並同時為全球所有MIPS架構的使用者提供幾百項現有專利的保護。
Wave Computing AI-IP事業部總裁Art Swift表示,由群體主導的解決方案(Community-driven Solutions)已成為技術架構創新的主流趨勢,然而,到目前為止,真正符合行業標準、受專利保護且已被大量驗證的RISC開放架構還沒有發生。為此,我們宣布即將開放MIPS架構,期待更多基於MIPS的創新不斷出現。到目前為止, MIPS架構開放計畫得到許多企業積極和正面的回饋,相信該計畫未來將對科技行業產生巨大的影響。
據悉,此一開放架構計畫將大幅推動全球半導體企業為各種新興市場應用開發與MIPS架構相容的全新解決方案,從而進一步推動MIPS架構與生態系的發展,為協力廠商、工具供應商、軟體發展人員以及學校帶來更多的市場機會;也將確保MIPS用戶在生態圈內可得到新的開發工具、軟體以及服務。另外,MIPS架構開放計畫也將包括認證夥伴體系,確保相容性及避免碎片化。
Wave Computing高級副總裁兼首席業務官Lee Flanagin指出,MIPS是該公司實現「AI無處不在」願景的重要戰略。MIPS架構開放將催生更多基於MIPS架構的解決方案出現,這將大大補充現有和未來的MIPS內核產品。未來MIPS架構開放之後,Wave旗下的MIPS IP產品仍是我們整體產品(包括系統、解決方案和IP)的一部分,同時,Wave也將繼續開發新的IP並推向市場,繼續為MIPS用戶提供廣泛的方案選擇,並與業界夥伴一起共建MIPS開發社區和生態系統。
ADI揭櫫2019年將改變生活之科技
ADI總裁暨執行長Vincent Roche日前揭櫫2019年將改變生活之科技,相關範圍涵蓋邊緣節點、人工智慧、汽車、機器人、可預知型醫療保健及5G技術等,預計在2019年的發展將超出人們的預測,甚至某些技術將悄然無聲地邁過轉捩點,在幾乎不被察覺的情況下成為日常生活的一部分。
隨著物聯網和基於網路邊緣的應用變形普遍,邊緣節點的處理能力正大幅提升。2019年時,「智慧感測器」將取得進展,屆時,感測器只有在感應到值得關注的事情時才會被喚醒,並且對輸入的資訊進行篩選後僅向雲端傳輸相關資訊。而邊緣節點設備中的高效電源管理,以及資料安全將同樣引人關注。
另外,以汽車應用為例,由於需要低延遲及即時決策,其人工智慧處理主要在邊緣而非雲端進行。但在不同產業應用中,邊緣和雲端運算間的架構之爭並無定論,需根據應用而定,例如遊戲與工業自動化等不同的應用場景具有不同的需求。所有市場都面臨著棘手的問題,特別是在無監督訓練方面,以及驗證人工智慧系統在訓練後能否真正發揮作用。
車輛電氣化也將繼續保持兩位數的增幅,並在2019年從小眾市場轉變為主流市場。新的化學元素使電池能量密度大幅提升,從而在電池化成和生命週期管理領域催生出更多創新。電子和架構方面的進展關係著能否感知、測量、解析和安全傳輸電池狀態資訊,從而最大限度地優化下一代電池的效能、使用壽命和安全性。
敏博新品攻AIoT智慧監控存儲市場
Flash儲存裝置與DRAM模組整合方案的敏博(MemxPro)近日推出新一代智慧儲存裝置監控軟體服務mSMART 4.0,不論是敏博或其他廠牌的記憶體模組與儲存裝置,mSMART 4.0都能加以偵測其主控資訊、生命週期、讀寫表現、系統資訊、磁碟健康狀態等資訊,使用者皆可自行上網供免費下載。在智慧物聯(AIoT)智慧預測分析時代,不但能偵測問題並進行警示,減少客戶端設備巡檢次數與營運管理成本,更能即時擷取儲存裝置關鍵資訊,結合企業資料庫,協助大數據分析應用與決策制定。
敏博mSMART 4.0功能強大且易於使用,相較其他工控儲存監控軟體,最大特點在於mSMART整合了市面上各大工控模組廠商之SSD詳細資料。許多工控使用者都希望對SSD本身的主控制器能有更進一步的瞭解,然而有些模組廠商會以打磨重印(Remark)方式遮蓋原生主控型號,使用戶受騙與產生混淆。mSMART能真實顯示原生主控型號資訊,超越現有工程人員倚賴的測試工具crystaldiskinfo之功能,藉由先進的演算法計算其使用壽命,預防後續相關的損害。
人工智慧(AI)與物聯網(IoT)匯流進入AIoT的時代,各種智慧應用發展出其邊緣運算的AI系統,可實現秒或微秒的即時運算需求,避免時間延遲而產生問題。以自駕車為例,用戶端的終端裝置、感測系統、閘道器、邊緣伺服器等,搭配路側端設備,負責擷取路況車流和鄰近街區資料並執行演算法,做出快速判斷和反應,保障行車安全。
落實AI產業價值 效率/體驗/自動化為三大關鍵
人工智慧(AI)為各式新興技術中一大明星技術,而如何將此一技術落實在各產業應用,推升產業發展,成了各領域企業接下來的發展重點。對此,Gartner認為,企業不該是為了「追隨潮流」而導入AI,而是要思考如何透過AI實現「增加效率」、「強化顧客體驗」、「透過自動化減少成本」三大目標,如此一來才能真正落實AI產業價值。
Gartner資深研究總監呂俊寬表示,根據Gartner的CIO調查顯示,全球各行各業的受訪CIO中,有14%表示已開始部署AI,23%計畫在未來一年之內會用AI,9%對AI沒興趣;而大部份的CIO都計劃在接下來的1~3年中開始使用。
然而,呂俊寬指出,AI雖對於企業而言有著高重要性,但目前也有許多企業對AI有錯誤的觀念,例如想透過AI顛覆世界,或是僅是追隨潮流。這些都非導入AI的最主要考量因素,如何提升增加效率、從資料中獲取洞察、增加用戶體驗,才是企業透過AI所該實現的目標。
例如,中國大陸最大的線上課程教育公司新東方,利用自然語言處理錄下學生聲音,觀察並記錄學生的發言次數、發音是否標準,並提供相關後台數據,讓老師了解學生真實學習狀況。同時藉由AI技術觀察每個學生的表情,以及學生上完課後的狀況,進行判斷與預測,為學生客製化不同的學習規劃。
或是業務/行銷部門應用AI最多的就是聊天機器人,只要打出關鍵字即出現正確的答案;或是以「常見問題(FAQ)」為基礎的機器人,註記客服常被問到的問題並提供同樣問題的回覆。另外,新一代聊天機器人則以語意為出發點,能結合語言學、美學、藝術學、統計學,了解各式各樣的問題、不同方言下的問法。
從上述兩個例子可看出,協助企業決策、虛擬助理和流程自動化等,是AI最常被使用在企業的三個部分。換言之,企業若想落地執行AI並贏得成功,關鍵是該思考如何透過AI增加效率、強化顧客體驗、達到流程自動化以減少成本,而非盲目跟隨潮流或想藉由AI顛覆世界。
IEK迎2030年人才大勢 AI驅動新就業市場
有別以往以歐美先進國家為主的觀點,工研院近日於亞洲國家調查各國對2030年各領域前瞻科技的布局與影響,藉此了解亞洲與全球在中長期技術前瞻與市場需求之差異,期盼以科技創新帶動產業翻轉,進一步打造台灣產業競爭力。
科技人才的培育與人才及產業之間的銜接,亦是未來將面對的重大課題。展望2030年,國際人力資源與企業管理顧問公司萬寶華認為,有將近七成的未來工作至今尚未出現。儘管如此,但隨著科技創新已經可以明顯感受到企業營運、人才職能與學院教育皆已開始隨之變化。
AI創新工作型態
工研院產業科技國際策略發展所產業分析師黃筱雯(圖1)指出,透過輔助型人工智慧(AI),能夠為人類節省更多時間心力,快速完成SOP工作。然而,隨著人工智慧自主能力越來越強,會由現在正蓬勃發展的人機協作,逐漸走向機器自主的時代,屆時,人類與機器之間的角色將出現大變動,可自主感知、分析、評估與決策的機器將成為主流。
工研院產業科技國際策略發展所產業分析師黃筱雯指出,透過輔助型人工智慧,能夠為人類節省更多時間心力,快速完成SOP工作。
儘管AI將在某部份取代人力,然而,AI也將驅使創新工作型態出現,創造更多工作機會。根據麥肯錫全球研究院(MGI)研究指出,科技創新對於就業機會將造成影響,其中由短期看來確實會帶來工作消失、人類失業等衝擊;然而若以長期影響看來,科技創新所創造的工作數將遠勝於消失的工作數。原因就在於科技創新除了催生原產業的新商機,還會促使其他產業轉型升級,創造新的工作機會。
黃筱雯舉例,個人電腦的出現曾為就業市場帶來了龐大的衝擊。然而回顧這段歷史,我們可以看到自1980年代至今,這40年來美國當地所創造的淨工作數達到1,575萬;其中,在PC產業出現的全新型態工作大約占了其中的20%,若是將範圍擴大到所有產業來看,其實個人電腦創造了將近八成的全新型態工作。
麻省理工因應AI需求打造學院
根據PwC資誠研究報告指出,近年來,有越來越多的全球企業執行長開始擔心無法獲得數位經濟時代所需要的關鍵技能;並且有超過九成的執行長認為,現今人才需要特別強化快速學習、傾聽與溝通這類的職場軟技能;除此之外更有過半數的執行長擔心無法招募到優秀的數位人才。在數位經濟、科技創新浪潮下,企業該如何掌握商機成為關鍵所在,對於人才而言亦是如此。
在產業的變動下,未來企業所需要的職務分類、工作內容、人才價值皆必須重新定義。「人機協同而非取代」將是未來產業發展的重要關鍵因素。端看企業如何在數位科技與人之間取得最佳平衡點。
黃筱雯進一步分享,為因應未來的工作環境,跨足雙重領域的整合型人才在未來將更加重要,也因此,美國麻省理工學院(MIT)於今年開始,耗資10億美元打造AI學院。該學院的目標在於將AI應用於所有研究領域,並鼓勵學生雙重領域的學習與應用,同時幫助學生系統性學習與思考。該學院企圖打破傳統大學教職聘僱的傳統機制與思維,同時打造MIT全學院的共享結構。也就是說AI學院將扮演其他五所學院(理學院、工程學院、建築學院、管理學院、人文藝術與社會科學院)的跨域橋樑。該學院預計將於2019年9月正式招生營運,屆時便能看到人工智慧教育的新典範出現。
專訪資策會智慧系統研究所所長馮明惠 跨域共通平台推動製造業升級
傳統中小型製造業者,在科技發展的腳步下,是十足的弱勢族群,不僅製造方法落後、效率低,對於生產資訊的蒐集與經驗累積,都極為土法煉鋼。工業4.0智慧製造的內涵,非常重要的精神就在於少量多樣的彈性化智慧生產,此也契合中小型製造業生產模式。然而,資源相對缺乏的中小企業在導入新興資訊科技的過程中相當無助,政府與法人的協助更加重要。
跨領域合作為王道
物聯網的興起正式推動資訊科技產業的第三波變革,資策會智慧系統研究所所長馮明惠表示,從四、五十年前第一波以PC為主的資訊硬體到第二波的App經濟,近年走入全聯網時代,裝置多了感應、通訊、控制甚至分析的功能,於製造業就是提供製造設備單機、產線、整廠的聯網,然而推動的真正關鍵成功因素必須兼顧深度與廣度,除了整合水平領域的資源建立具互通性的平台之外,也要深入垂直產業的領域知識,建立夥伴關係,以共享、共創的精神發展平台,最後發展適當的商業模式,讓解決方案可以實際運作、持續成長。
資策會系統研究所長期發展資訊軟體技術,在智慧製造的推動上,馮明惠強調,為建構工業物聯網完整價值鏈,開發公版聯網平台NIP EI-PaaS核心技術,運用共同的網路、管理等模組,設計可視化的分析平台,將重要的生產訊息簡易呈現,並具備完整的管理功能,物聯網雲平台是智慧製造生態系統的骨幹,可以協助台灣製造業快速的邁向智慧製造。
摒棄過去單兵作戰的思惟,為了解決物聯網應用破碎化的難題,馮明惠強調,該平台發展的過程中,為了擴大技術廣度,網路安全功能與該會資安所合作,領域知識與數位所合作,硬體技術與工研院資通所合作,產業應用則與研華一起,共同發展NIP EI-PaaS平台。為了深入垂直產業,也與手工具公會、機械公會、工具機公會等攜手,完成平台的共通性與垂直領域深化。
按部就班推動產業轉型升級
另外,資策會系統所為提供機台、設備連網,也發展了機台聯網閘道器軟體Chameleon,專門用於連接產線PLC設備並將資訊回傳至後端資料庫,大幅降低生產資訊取得門檻,更新、自主維護容易。結合物聯網雲平台,協助在產線上的業者進行轉型,包括擁有產線的製造業者與產線設備供應商,從生產面與設備面同步進行提升與轉型。總結發展的過程,深入領域知識並進行跨領域結盟才能真正發現產業需求,透過不斷地溝通、分工與合作的手段達成預期的目標。
在平台就位之後,產業轉型升級之路才要正式展開,馮明惠說明,包括人才培訓、提出廠商投入誘因如補助也很重要,而嚴謹的推動步驟包括:前期的技術研發,提出產業可用的解決方案;第二步是發展試行場域,並組織產業聯盟,以打群架的概念,讓更多志同道合或有共同需求的廠商可以導入;再與策略合作夥伴建立可營運的機制,讓政府科專計畫可以商業化,並且建立可獲利的商業模式。
前述步驟可以說是加速階段,如果能夠順利推展已是成功模式,接下來就可以大幅發揮產業轉型效益,正式進入起飛的階段,馮明惠說明,第五個步驟就是產業鏈(Eco-system)的發展,包括產業上下游與產業群聚,可以發揮產業成長綜效,至此產業轉型可以宣告成功。最後一個階段是發展產業標準,將產業實力進行大規模的擴散與輸出,若能成功推展有機會建立產業典範,只是就目前看來還有很多值得努力的地方。
持續發展平台/連網/運算技術
物聯網時代垂直領域是技術應用主要的對象,所以深入了解領域需求,而且尊重該領域的專業是一大重點。展望未來,馮明惠說明,台灣有很好的霧端或邊緣(Edge)端的技術,如何在與領域需求結合的前題下,透過邊霧運算,讓裝置的價值更為凸顯,雲霧協作非常重要。另外,物聯網本身是一個龐大的網路,在5G的架構下,大規模物聯網通訊與低延遲、高可靠度的通訊技術是各界現階段發展的重點,著名的「電車難題」就需要低延遲網路與高效能運算技術合作解決,也是系統所接下來主要的任務之一。
未來高效能運算技術像是「量子電腦」已經有很多研究單位投入,系統所會結合平台與運算技術,配合長期以來公部門,包括中央部會與地方政府的支持,提供國內產業發展所需的解決方案,持續協助國內產業升級。
資策會智慧系統研究所所長馮明惠表示,物聯網平台NIP EI-PaaS,與水平、垂直領域專家合作,完成共通性與垂直領域深化。
ANSYS獲台積電開放創新平台生態系統論壇三大獎項
台積電(TSMC)與ANSYS提供先進的電源與可靠度分析解決方案,讓客戶深具信心地開發新世代人工智慧、5G、行動、高效能運算和車載應用。ANSYS於台積電開放創新平台(Open Innovation Platform, OIP)榮獲三大獎項,代表台積電對ANSYS完整解決方案的肯定。
ANSYS榮獲2018 OIP年度夥伴獎的合作開發5奈米設計基礎架構及合作提供WoW設計解決方案兩大類別。針對使用台積電5奈米FinFET技術的半導體智慧財產權(IP)與系統單晶片(SoC),ANSYS提供晶圓廠認證的電源完整性和可靠度分析解決方案,因此獲頒合作開發5奈米設計基礎架構獎項。ANSYS亦因提供共同模擬及分析從晶片到封裝的電源完整性、訊號完整性、電子飄移(Electromigration, EM)及熱可靠度解決方案,榮獲合作提供WoW設計解決方案類的獎項。
在2018 OIP論壇客戶首選獎(Customers' Choice Award)的最佳論文類,ANSYS以「台積電7奈米技術的車載可靠度挑戰和解決方案」(Automotive Reliability Challenges and Solutions for TSMC 7nm Technology)論文獲獎。此論文於台積電2018 OIP生態系統論壇北美場發表,獲得與會者最高平均分。其探討運用先進台積電7奈米設計於要求嚴格的車載可靠度需求上,面臨的各種挑戰與解決方案,包含電子飄移(EM)、熱分析、統計電子飄移預算和靜電放電分析(Electrostatic Discharge Analysis)。
賽靈思連續12季度營收正成長
賽靈思亞太地區的營收占其全球總營收的44%,穩居第一。近日賽靈思分享2019會計年度第二季財報資訊:第二季,達到季度性收入最高紀錄7.46億美元,比去年同期成長19%。達到了賽靈思連續12個季度的正成長記錄。
賽靈思於亞太地區高達44%的市占率,穩居第一。賽靈思在所有的終端應用領域均保持正成長趨勢,在資料中心和通訊領域,與去年同期相同,持續保持大幅增長。近期開發者大會上,資料中心領導廠商華為、阿里巴巴及浪潮的展示也證實了賽靈思在超大型資料中心領域的業務正在從公測到開放給大眾,前景可期。賽靈思在保持核心產品穩定成長的同時,領先的先進技術已成為業務增長的主要來源。
針對下一季度的財報預測也當樂觀。從近期的主題演講和重要宣布中可以感覺到,深鑒的收購、兩款針對人工智慧和資料中心加速產品的宣布,都將為賽靈思進一步的發展提供強大的動能。