tag 标签: 英伟达

相关帖子
相关博文
  • 热度 4
    2015-12-17 14:37
    835 次阅读|
    2 个评论
    据国外媒体报道,智能手机制造商小米对于如何赚钱并不陌生,上个月当全民疯狂在双十一剁手的时候,小米就宣布公司销售额达到1.8亿美元。但是当小米意欲在笔记本电脑市场分得一杯羹时,这家公司像是要采用不同策略来取胜。   在智能手机市场上,小米向来以高配低价抓牢用户。而在笔记本市场,小米并未将竞争对手锁定在MacBook等高端笔记本,而是更加依赖性价比较高的硬件。 泄露的消息显示,15.6英寸小米笔记本配置英特尔Haswell(第四代)酷睿i7处理器和英伟达GeForce GTX 760M显卡。而英特尔已经推出Skylake(第六代)处理器,英伟达更是在2013年就公布了GTX760M,小米的策略显而易见。 小米希望向用户提供性价比更高的产品,但这家公司似乎认为提高性价比的最好途径是——选择已经普及的硬件。 消息称,上述配置的小米笔记本零售价不足3000元人民币——约450美元,如果消息属实,那么小米笔记本的策略可能会奏效。对于一款性能相对强劲的笔记本来说,3000元的价格不算高。 泄露消息称,小米会开发多个不同型号的笔记本,除了15.6英寸型号外,还会有12.5和13.3英寸笔记本。外界普遍认为,小米笔记本可能在2016年初发布。  
  • 热度 9
    2015-5-7 10:35
    2520 次阅读|
    7 个评论
    据PCWorld报道,英伟达将放弃移动设备市场出售3G和LTE调制解调器业务。英伟达周二表示,将在2016财年第二季度前关闭Icera调制解调器业务,并出售其资产。英伟达将许可第三方的调制解调器技术,为其Tegra芯片搭配LTE连接技术。 2011年,当英伟达斥资3.67亿美元(约合人民币22.44亿元)收购Icera的调制解调器业务时,人们一度对其前景非常看好。 如今却沦落成打包出售的处理品,当年的小甜甜是如何变成牛夫人的呢?我们来看一下。   一、当年的小甜甜 2011年距离现在并不算太远,我们回顾一下当年的形势。当年nVIDIA在桌面已经君临天下,同时非常看好移动领域的发展(这是绝对正确的,2011年移动领域确实潜力满满) 在从单核心到双核心手机的过渡中,nVIDIA首先开发出来Tagra2处理器,并且获得摩托罗拉的选用。而当年的高通还是一家提供基带的厂商,当年的MTK刚刚从WM的泥潭中爬出来,还没有学会安卓怎么玩,整个移动领域市场潜力非常巨大。 而nVIDIA当年只有应用处理器技术,没有基带处理器技术,无法单独作为智能手机或者平板的处理器,它还需要第三方的基带芯片配合,这让nVIDIA很不爽。 因为在PC平台,nVIDIA有过惨痛的历史教训。 NVIDIA从创立开始,做的是显示芯片,靠技术,靠速度,在早年的3d芯片战国时代脱颖而出。 当Intel开始推集成显卡之后,显卡被集成了,于是NVIDIA不得不推出了芯片组业务。几代之后,NVIDIA的芯片组做的非常出色,即使不算集成显卡,单纯说芯片组功能,无论是Intel平台还是Amd平台,nVIDAI都不逊于原厂产品。 但是,几年后AMD收购了ATI,Intel的CPU开始集成GPU,对手做了一个从CPU到芯片组再到GPU的平台,nVIDIA发现自己技术领先拯救不了被边缘化的地位。 你的产品做的再好,也是基于竞争对手的平台,对方一旦加以限制和不公平竞争,华丽的大厦就瞬间倒塌了。 而在移动领域,平台是基带芯片,当年的高通正在推出基带和应用处理器一体的解决方案(也就是后来小米用的芯片),单独做应用处理器做得再好也无法竞争,这就需要收购一家做基带处理器的来完成融合,做自己的平台。 于是,nVIDIA看上了小甜甜Icera。这家公司2003年完成首轮融资,2005年就开始做基带芯片。在2009年的第三方测试当中,它的Livanto系列芯片性能最优,超过爱立信和高通。其完整的基带和射频生产线。恰好可以弥补NVIDIA的不足。 这桩交易当时看起来很有点天作之合的意思,如果一切顺利,nVIDIA在收购Icera后能在短期内推出整合的SOC,那么在智能手机大发展的2012年、2013年,nVIDIA将和高通、MTK展开激烈竞争,而当年的nVIDIA在双核、四核上都比高通快一年,胜算很大。一切看起来都很美好。 二、拖延症发作的nVIDIA 理想很丰满,而现实总是很骨感。2011年5月,nVIDIA收购了Icera,当时nVIDIA还在做Tegra2,Tegra3还在开发之中。 而直到2015年5月,Tegra3、Tegra4、TegraK1、TegraX1四代产品都过去了,nVIDIA依然没有完成基带和应用处理器的整合。 而市场一日千里,虽然高通起步晚,但是到了2012年,高通的8260就已经展露头角,到了骁龙800就俨然是王者归来了。 MTK也没有闲着,从MT6577开始渐入佳境,到了MT6589初步奠定江湖地位,当年的丑小鸭已经是白天鹅了。 更让nVIDIA尴尬的,本来基础极弱的华为海思都在2014年拿出来了麒麟920这种高端性能,集成基带的SOC,而起点高很多的nVIDIA还没有看到成果。 到了2015年,从最低端的展讯、联芯到高端的高通、三星,市场上基本已经没有空隙了。即使nVIDIA完成了研发,也只能当一个市场份额不断萎缩的后来者,继续投入意义已经不大了。 长达4年的拖延,让一个极有希望的项目变成了昨日黄花,小甜甜变成了牛夫人,拖延症害死了nVIDIA,也害死了Icera。 当然,拖延症不是nVIDIA一家,Intel在2010年收购英飞凌,也是直到2015年才在瑞芯微的帮助下拿出来整合基带的低成本方案,还是3G的,4G得再等几个月,这两家可谓是难兄难弟,他们都错过了这一轮移动浪潮。 三、退一步海阔天空 对nVIDIA来说,在移动领域起大早赶晚集虽然有些令人遗憾,但是失去的就是失去了。 到了2015年,壮士断腕虽然疼,但是也不失为一个选择,因为nVIDIA找到了新的金矿。 最近两年,随着智能手机和平板电脑价格快速下跌,中国芯片厂商的加入,芯片也已经是白菜价了。英伟达开始放弃低利润率的移动设备市场,把业务重心转向图形处理器、汽车和超级计算。 在2015年的CES上,nVIDIA发布了Tegra X1处理器,而演示的应用场景是新近发布的NVIDIA DRIVE汽车电脑中。nVIDIA还拿出来DRIVE PX汽车自动驾驶计算平台,靠强大的计算能力,可以处理来自12 个车载摄像头的视频,以便实现环绕视觉 (Surround-Vision) 和自动代客泊车 (Auto-Valet) 等功能。 汽车一年也有数千万的销量,而汽车的价格比智能手机贵多了,nVIDIA完全可以把芯片卖得贵一点,价格定的高一点。拼高科技的图形能力,通用计算能力,业内没有几个对手,这比智能手机赚钱多了。 同样,超级计算机对成本也不敏感,nVIDIA的一块通用计算卡动辄数千美元,这要比几十美元的手机芯片高端多了。 于是,nVIDIA放弃利润已经微薄的移动领域,重新聚焦,而Icera也就成为了弃子。 回顾nVIDIA从收购Icera到出售的全过程,不禁令人唏嘘再敏锐的眼光也需要执行力来保障,正确的决定最后未必有理想的结果。 在决定世界百年命运的特拉法尔加海战之中,拿破仑敏锐的捕捉到了打破封锁,击败英国大舰队的机会,但是他的海军将领却错失了时机,最终在海战中一败涂地。机会不属于最早看到它的人,而属于抓住它的人。
  • 热度 3
    2015-3-23 10:24
    539 次阅读|
    0 个评论
    今天的新闻很简单:英伟达老黄(黄仁勋)在GPU技术大会上放话说自家的Drive PX平台能够支持无人驾驶车自学成才。换句话说,驾驶计算机不需要严密软件编程来规定它遇到行人或是信号灯该怎么做,直接跟随人类驾驶员上路学习即可。什么?无良媒体黑科技?洗洗睡?! No,no,no,黄老板此次力推Drive PX平台,旨在体现Tegra X1在运算能力上的强悍——两片这货组成一个深度学习平台,也是碉堡了。而机器学习领域最抓眼球且能给围观群众带来直接影响的实例便是自动驾驶系统,没有之一。新年伊始,老黄在CES上就为Tegra X1点赞无数,说好5月份正式开卖;不用说铁杆小伙伴奥迪早已出面站台,拍胸脯说自家的智能驾驶系统绝对跟上Drive PX。 机器人如何看世界 一台设计了神经网络算法的计算机,如同第一次走进驾校的学员,完全不知方向盘为何物;但在观察人类驾驶员随着前方路面转动方向盘仅仅2分钟后,计算机给出的转向角度就与人类驾驶员基本一致,虽然这只是在封闭且单一的路面环境下进行的试验。而此后人类驾驶员继续带计算机去多种路面环境“兜风”,在获得足够training set(训练集)后,拨动切换开关,将方向盘交给计算机,结果大家都看得到,每秒12次的转角更新,让机器人把一辆悍马开得无比平顺。对了,视频2分20秒有项目时间,这是在1992年,小编届时还在上小学。 再多说一句,Coursera的机器学习课程讲师是吴恩达,中文名不为人所知,但英文名Andrew Ng就响亮多了,Google大脑创始人,目前是百度首席科学家,负责deep learning(深度学习)方向。 老黄花了很长的篇幅解释这个过程,虽然在技术宅出身的阿菌看来并无多少必要。一个刚刚运行的神经网络系统可以视为呱呱坠地的婴孩,懵懂地看着周围一切却一无所知。因此第一步就是喂它,当然不是牛奶,而是数据。 对Drive PX这个例子,带标签的数以百万计的图像输入到神经网络,等价于爷爷拿着画了红番茄的卡片教小孙子读“洋!柿!子!”……随着各种各样的西红柿的照片出现,小男孩心中的西红柿就不再是严格的图像,而是此物的典型特征,红果绿茎,球形或近球形,切开后有特殊纹理且多籽多汁,等等。神经网络也以同样的方式工作,将输入的图片按照其特征和纹理进行分析,从而学习识别路面上的常见物体,道路,车辆,交通信号,动植物,建筑,乃至气象实况。当计算机采集到无法准确辨认的图像,会尝试先将其分解,然后与自己存储的模式和纹理进行比对,以期识别,这与人的学习方式非常相近。 DrivePX神经网络计算机 图像识别技术迄今已有50多年的发展史,而黄老板对2012年英伟达所做的革新非常自豪。目前,使用AlexNet进行测试,机器人对含有特定目标的图像识别率已超越人类。台上老黄拿出一幅猫的图片,计算机不仅轻松作答,还指明了其品种。这种精度的物体识别能力对自动驾驶汽车尤为重要,否则天知道横穿马路的是苏格兰绵羊还是美国龙卷风! 机器人如何驾车 上一个标题,说的是“机器人如何看世界”,但读者会发现其实是“机器:人如何看世界”。神经网络算法的神奇之处就在于此,除了一个相对合理的网络算法和深度,所有的知识都是自学来的(小编:否则你以为他那个半脑残的码工老爸能有多大知识储备?)。目前的汽车所谓驾驶员辅助功能,比如探测到前方障碍后主动刹车,在黄教主眼里太小儿科了:既然小孩子能认识西红柿,就能吃西红柿;同理神经网络既然看得清交通行为,自然也可以驾车。所需的“课程”仅仅是学习人类驾驶员在应对各种路面状况的操作。 Project Dave,DARPA(美国国防部先进研究项目局)试验项目之一,要做的是教一辆遥控车学会自己开自己。研究员们既没有给它划定路线,也没有告诉它看到什么该如何做,而是给它看了一段在类似环境下人类驾驶车辆的视频。Dave从视频中学习了在遇到特定障碍时人类驾驶员的反应,并在随后的自动驾驶测试中很好地“学以致用”。 目前的主动刹车系统是雷达探测到前方有障碍就立即制动,但计算机并不知道障碍物是什么。采用神经网络系统之后,计算机会主动识别“来者何物”,如同很多人类驾驶员一样,可能只需要收油或者轻点刹车就合理避让了,乘客们可能不必吓(he)得一滚。 啊,是的是的,小编明白您的顾虑,您说的没错,即使是身经百战的神经网络也不能从人类驾驶员身上学到所有的驾驶技巧,尤其是紧要关头的避险策略。因此一些强制性的“硬编码”还是非常必要的,比如绝对不许撞人,或者哪怕是坚硬的实心体。嗯,请不要掩饰,小编也想到了艾萨克·阿西莫夫先生的“机器人三铁律”。 硅谷大神间的切磋 然后Musk来了。黄总很风趣,谈及几年后无人车遍地走的梦想,他说“就像在火星”,呃……因为Musk曾公开说自己百年之后想去火星安息。后来Musk站台主讲,大黄还是不肯放过小伙伴,问及后者在2014年的一篇推文,说是AI(人工智能)比核武更危险。Musk小朋友很害羞的回答:俺的意思是“潜在的”(风险),毕竟无人汽车只是AI在一个受限领域内的实现。 黄仁勋与马斯克侃(chun)侃(qiang)而(she)谈(jian) Musk认为自动驾驶车的引入将会是个缓慢的过程,毕竟全球汽车总量大概是20亿,年度产能仅在1亿台左右,这个更新的过程不可能很迅速。对目前而言,Musk的观点是5到10英里时速的自动驾驶相对容易,因为这个速度上的制动距离在超声探头的探测距离内;高于50mph的纯高速自动驾驶也不难,毕竟高速路况比较单一。而10到50mph的城市路况,不用说是最复杂的,行人,车辆,各种路标,障碍,还有不断的突发状况。“但至少我们知道怎么做,也一定搞得掂”,Musk一如既往,充满信心。
广告