<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <p><span style="color: rgb(0, 0, 255);">重點新聞(0930～1006)</span></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">逢甲大學 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 電子避震系統 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 道路缺陷 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>逢甲大學打造國產AI避震系統，更開發全球首款道路缺陷樣本資料庫</strong></span></p>
<p>在國科會4年資助下，逢甲大學副教授林昱成團隊打造出國產自駕車電子避震系統，結合AI道路缺陷感知系統和AI決策控制晶片系統，可即時辨識車前20公尺的6種道路缺陷（適用於車速100km/hr以下），讓避震系統根據不同路況來動態調控，更通過ISO26311乘坐舒適性測試，滿足乘車體驗和車輛操作穩定性要求。該系統的出現，意味著臺灣有能力自產車電尖端感知和控制技術，也代表國產技術融入車輛產業供應鏈。</p>
<p>進一步來說，為訓練道路缺陷感知AI，團隊收集了常見的6種道路缺陷影像作為訓練資料，包括坑洞、人孔蓋、減速坡、積水、伸縮縫、水坑，共89,723張照片，打造出全球首套道路缺陷樣本資料庫（TPDID），未來還能延伸應用至東南亞複雜的交通情況。團隊也透露，未來也可透過道路缺陷感測，即時將缺陷資訊通報給道路養護單位，提高道路修補效率。</p>
<p>另一方面，團隊開發出的強化學習決策控制系統，能根據道路缺陷偵測結果來調整避震系統。比如，當車輛行經坑洞或減速坡時，系統會動態調整避震器，來提高乘坐舒適性和懸吊耐久性。此外，這兩套AI系統所搭配的硬體零組件皆為國產，如電磁閥可調阻尼驅動電路、空氣彈簧驅動電路；這些系統也已導入Nissan系列車種。<a href="https://www.nstc.gov.tw/folksonomy/detail/77e7ec0d-010c-4f6f-8454-b15678579dcd?l=ch">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/Screen%20Shot%202022-10-10%20at%201_51_26%20PM.png" /></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/Screen%20Shot%202022-10-10%20at%202_03_50%20PM.png" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> DeepMind </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 矩陣乘法 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 演算法 </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>DeepMind新AI系統可找出更快的矩陣乘法新演算法</strong></span></p>
<p>DeepMind打造一款AI系統AlphaTensor，以擊敗全球三大棋藝AI的AlphaZero為基礎，可用來找出更有效率的矩陣乘法演算法。DeepMind認為，AlphaZero不只可用在遊戲上，也能用來解決懸而未決的數學問題。</p>
<p>AlphaTensor是AlphaZero的延伸，AlphaZero是個完全未經訓練的神經網路，經自我對戰來進行強化學習，而奠基於此的AlphaTensor，一開始也未被灌輸任何既有的矩陣乘法演算法，而是藉自我學習，來重新發現歷史上各種快速的矩陣演算法，且最終超越人類，找到比現今更快的演算法。不只如此，DeepMind也用AlphaTensor來替特定的硬體尋找最佳演算法，像是Nvidia V100 GPU與Google TPU v2，而AlphaTensor也在同樣的硬體上，在乘以更大矩陣的速度上比常用的演算法快了10%~20%。<a href="https://www.deepmind.com/blog/discovering-novel-algorithms-with-alphatensor">（詳全文）</a></p>
<p><img alt="" src="https://assets-global.website-files.com/621e749a546b7592125f38ed/633c31b82381e038cc3a90ea_633c1d0f5ed3f701034748c5_MM_Fig2.svg" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> IBM </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 邊緣運算 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 裝置端訓練 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>IBM聯手MIT打造邊緣運算新方法，在裝置用新資料微調模型只需256KB記憶體</strong></span></p>
<p>IBM與MIT發表一系列邊緣運算輕量級技術，在裝置端微調預訓練模型只需256KB記憶體。團隊表示，一般來說，小型IoT設備難以直接利用裝置端感測器搜集的新資料，來更新模型；這包含兩個問題：類神經網路量化圖因混雜的單精度和缺乏正規化，而難以優化，另一個是硬體資源（如記憶體和算力）不足以用於反向運算。</p>
<p>為解決問題，團隊先設計稀疏更新（Sparse Update）演算法，來跳過不重要的層與子張量梯度運算，再用自建的訓練系統Tiny Training Engine來實作。該系統修剪了反向運算張量，來支援稀疏更新，並將執行時間的自動微分卸載到編譯時間。團隊表示，他們的框架可用於IoT裝置（如SRAM只有256KB的微型控制器），來透過遷移學習執行視覺辨識任務，所使用的記憶體是現有框架的百分之一，但準確度與雲端訓練、部署在邊緣的tinyML應用程式VWW一樣。特別是，這款框架不僅能讓IoT裝置推論模型，還能讓模型在裝置端，根據新資料來微調，實現不間斷的學習。<a href="https://arxiv.org/abs/2206.15472">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/Screen%20Shot%202022-10-10%20at%201_48_18%20PM.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 漢莎航空 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Google </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 準點率 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>漢莎航空運用深度學習預測瑞士白斯風提高航班準點率</strong></span></p>
<p>漢莎航空與Google公開新一波合作成果，透過預測機場跑道的風速，來提高航班準點率，不只降低營運損失，也提升乘客體驗。風的大小和風向對機場運作有重大影響，在瑞士有種白斯風（BISE），又冷又乾，會嚴重影響航班時刻、迫使飛機改道，甚至導致航班延誤、取消。</p>
<p>這種狀況在蘇黎世機場特別嚴重，不只對漢莎航空造成數百萬美元的損失，同時也會引發乘客不滿。於是，漢莎航空和Google採用Meteoswiss模擬資料，也就是瑞士多個氣象站過去5年來收集的氣象測量值，以每10分鐘的解析度，獲得風向、速度、壓力、溫度和濕度等天氣資料，以及氣象站位置海拔高度等資訊。但因為白斯風並非直接可用的變數，因此團隊設計跑道周圍的順風速度作為代理目標變數，當此數值高於特定閾值，就表示跑道會出現白斯風。</p>
<p>雙方也在Google全託管機器學習平臺Vertex AI建立專案，實驗結果顯示，新系統給出的預測，優於漢莎航空原有的啟發式演算法，且隨著預測的時間加長，出現了明顯的效能差異，新系統能夠獲得更高的召回率和精確度。漢莎航空計畫將這個預測白斯風實驗性專案，整合到營運決策支援套件中，供蘇黎世克洛滕機場營運控制中心使用。<a href="https://cloud.google.com/blog/products/ai-machine-learning/how-lufthansa-reduce-flight-delays-with-google-cloud-ml">（詳全文）</a></p>
<p><img alt="" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_Lufthansa.1000065320000935.max-2000x2000.jpg" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 文字轉影片 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Imagen Video </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Phenaki </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Google發表兩款文字轉影片工具</strong></span></p>
<p>Meta上周才發表文字轉影像AI系統，Google近日也推出兩款文字轉影片工具：<a href="https://imagen.research.google/video/">Imagen Video</a>和<a href="https://phenaki.github.io/">Phenaki</a>，分別主打影片品質和長度。其中，Imagen Video是以Google先前開發的Imagen文生圖模型為基礎，採串連擴散模型來產出高解析度的影片。具體方法是先透過自然語言預訓練模型T5嵌入使用者輸入的文字，再由一個基本的影片擴散模型，以每秒3幀的速度產生一個解度析為24x48的16幀影像，之後再用多個TSR與SSR模型，最終產生每秒24幀、總長128幀且解析度高達1280x768的5.3秒影片。</p>
<p>至於Phenaki則可產出總長數分鐘的影片，只是影像品質不如Imagen Video。Phenaki可將一段特定長度的提示文字，轉換為任意長度的影片。不過，Phenaki產出影片非常貼近文字敘述，且Google認為它不僅可用來產生描述單個概念的影片，還能可根據一系列文字，產生連貫的多個影片。有鑑於用來訓練Imagen Video的資料中可能含不適當的內容，Google目前不打算開源該模型。<a href="https://imagen.research.google/video/">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/Screen%20Shot%202022-10-10%20at%201_56_43%20PM.png" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Meta </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 加速推論 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AITemplate </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Meta開源可加速程式碼執行的推論系統AITemplate</strong></span></p>
<p>Meta最近開源一款服務AITemplate（AIT），可將深度神經網路轉為C++程式碼，來加速模型推論。AIT是一個Python框架，目前支援Nvidia、AMD的GPU，未來也可能支援英特爾GPU產品。</p>
<p>Meta AI研究院指出，目前AI業者的高效能GPU推論解決方案選擇非常有限，且AI正式部署流程需要快速開發，因此他們開發一套加速系統，來解決問題。AITemplate有2大特色，分別是高效能，以及統一、開放與靈活。它在Nvidia TensorCore GPU和AMD MatrixCore GPU上執行各主要模型的效能，都達到Roofline FP16，如ResNet、MaskRCNN、BERT、VisionTransformer與Stable Diffusion等。此外，它適用於Nvidia GPU或AMD GPU的FP16深度神經網路模型，且完全開源。這意味著AITemplate在Nvidia與AMD的GPU上執行各種AI模型時，可達到近似於原生硬體的效能，相較於PyTorch中的Eager模式，AITemplate在Nvidia CPU的效能改善了12倍，在AMD GPU上改善了4倍。<a href="https://ai.facebook.com/blog/gpu-inference-engine-nvidia-amd-open-source/">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI權利法案 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> OSTP </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 退出權 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>美發布AI權利法案藍圖，5大指引保障人民權利</strong></span></p>
<p>美國白宮科技政策辦公室（OSTP）最近發布AI權利法案藍圖，要來引導AI與其它自動化系統的設計、發展與部署，保障美國人民的權利。該法案最終目標在於，利用AI推動進步和保護人類之間取得平衡。該法案藍圖包含5大保護原則，也就是建立安全與有效的系統、避免演算法歧視、保護個人隱私、闡明自動化系統的依據與用途，以及允許使用者退出。OSTP希望，此一藍圖在AI系統建置之前，就嵌入對人類的保護，讓被邊緣化的社群於開發過程中擁有發言權，也讓設計者可確保AI技術能嘉惠所有人。<a href="https://www.whitehouse.gov/ostp/news-updates/2022/10/04/blueprint-for-an-ai-bill-of-rightsa-vision-for-protecting-our-civil-rights-in-the-algorithmic-age/">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 吳恩達 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 機器學習 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 迭代 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>吳恩達：迭代是開發ML產品的關鍵</strong></span></p>
<p>AI專家吳恩達指出，打造AI產品的一大關鍵是迭代。因為，開發機器學習系統，本身就是一個高度迭代的過程，比如先建立一個雛形，再做實驗衡量其表現，接著分析結果，以此為基礎、打造更好的系統。甚至在資料收集、訓練模型、開發系統等階段，都得不斷重複這個輪迴，直到產品成形。</p>
<p>他點出，開發ML系統需要迭代是因為，剛展開一個專案時，開發者並不知道會從資料中找到什麼奇怪或讓人驚豔的結果，因此需要一直探索，才能做出改善模型的好決策。再來，嘗試不同模型既快速又低成本。特別是，迭代在3種情況下更能體現好處：當開發者面對不確定性或風險時，又或是在建置系統、可提供有意義的回饋來降低不確定性或風險時，以及每次迭代的成本不高時。</p>
<p>這也是吳恩達推崇「最小可行性產品」（MVP）的原因，因為它講求用最低成本快速推出一項產品，與開發軟體一樣，可幫助開發者在開發過多無用的功能前，透過使用者回饋先來修正產品。<a href="https://www.deeplearning.ai/the-batch/issue-165/">（詳全文）</a></p>
<p>圖片來源／逢甲大學、Google、IBM、DeepMind</p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI近期新聞 </span></strong></span></p>
<p><strong>1. 特斯拉推出人形機器人，最快明年量產</strong></p>
<p><strong>2. Google打造音檔生成AI系統AudioLM</strong></p>
<p>資料來源：iThome整理，2022年10月</p>
</div></div></div>
