穎脈Imgtec文章

• 量子AI，芯片的新解藥2025-11-12 09:40

  

  本文由半導(dǎo)體產(chǎn)業(yè)縱橫(ID：ICVIEWS)編譯自eletimes量子AI助力，半導(dǎo)體供應(yīng)鏈韌性升級。幾十年來，硅一直是計算機發(fā)展的主要驅(qū)動力，但摩爾定律如今已接近極限。隨著對芯片速度和能效要求的不斷提高，由于供應(yīng)短缺和地緣政治緊張局勢，供應(yīng)鏈面臨的壓力前所未有。這就是人工智能和量子計算發(fā)揮作用的地方。這并非科幻小說；它們正在幫助發(fā)現(xiàn)新的半導(dǎo)體材料，并優(yōu)化晶

  AI 芯片 量子 1092瀏覽量

• 半導(dǎo)體行業(yè)能從游戲行業(yè)借鑒的5大經(jīng)驗2025-11-11 08:32

  

  本文由TechSugar編譯自SemiWiki半導(dǎo)體領(lǐng)域一直是科技創(chuàng)新的核心驅(qū)動力，小到智能手機，大到最新的人工智能突破性成果，皆由其提供技術(shù)支撐。然而，隨著芯片復(fù)雜度不斷提升，市場需求持續(xù)激增，固守傳統(tǒng)的研發(fā)周期模式或正導(dǎo)致設(shè)計團隊陷入停滯，進而拖累創(chuàng)新步伐。與之形成鮮明對比的是，游戲行業(yè)已將快速迭代式研發(fā)與深度用戶導(dǎo)向模式打磨得十分成熟。游戲開發(fā)者發(fā)布產(chǎn)

  人工智能 半導(dǎo)體 芯片 575瀏覽量

• 4種神經(jīng)網(wǎng)絡(luò)不確定性估計方法對比與代碼實現(xiàn)2025-11-10 10:41

  

  回歸任務(wù)在實際應(yīng)用中隨處可見——天氣預(yù)報、自動駕駛、醫(yī)療診斷、經(jīng)濟預(yù)測、能耗分析，但大部分回歸模型只給出一個預(yù)測值，對這個值到底有多靠譜卻只字不提。這在某些應(yīng)用場景下會造成很多問題，比如用模型預(yù)測患者血壓，假設(shè)輸出是120/80這樣的正常值，表面看沒問題。但如果模型其實對這個預(yù)測很不確定呢？這時候光看數(shù)值就不夠了。神經(jīng)網(wǎng)絡(luò)有幾種方法可以在給出預(yù)測的同時估計不

  MSE 模型 神經(jīng)網(wǎng)絡(luò) 505瀏覽量

• 萬字長文AI智能體：17種體架構(gòu)詳細實現(xiàn)2025-11-07 13:16

  

  數(shù)據(jù)科學(xué)AI智能體領(lǐng)域發(fā)展迅猛，但許多資源仍然過于抽象和理論化。創(chuàng)建此項目的目的是為開發(fā)者、研究人員和AI愛好者提供一條結(jié)構(gòu)化、實用且深入的學(xué)習(xí)路徑，以掌握構(gòu)建智能系統(tǒng)的藝術(shù)。

  AI 智能體 語言模型 576瀏覽量

• 邊緣計算中的AI加速器類型與應(yīng)用2025-11-06 13:42

  

  人工智能正在推動對更快速、更智能、更高效計算的需求。然而，隨著每秒產(chǎn)生海量數(shù)據(jù)，將所有數(shù)據(jù)發(fā)送至云端處理已變得不切實際。這正是邊緣計算中AI加速器變得不可或缺的原因。這種專用硬件能夠直接在邊緣設(shè)備上提升AI應(yīng)用的性能。在邊緣計算中，有多種類型的AI加速器，各自具有不同的優(yōu)勢、局限性和適用場景。AI加速器在邊緣計算中的作用人

  AI 加速器 邊緣計算 830瀏覽量

• 游戲卡頓元兇竟然是 Draw Call！2025-11-04 10:51

  

  本文轉(zhuǎn)自：字符無限科技玩游戲時遇到畫面掉幀、操作延遲，大概率和一個叫DrawCall的指標有關(guān)。它是游戲渲染的核心環(huán)節(jié)，也是性能優(yōu)化繞不開的坎，哪怕是Unity、UE引擎的資深開發(fā)者，也得在它身上下功夫。什么是DrawCall？DrawCall僅僅是一條指令！DrawCall指令從CPU傳到GPU，渲染一個網(wǎng)格。指令只指向一個被渲染的網(wǎng)格并且不包含任何材質(zhì)信

  cpu gpu 684瀏覽量

• 機器視覺缺陷檢測中傳感器集成的五大關(guān)鍵2025-11-03 11:40

  

  質(zhì)量控制是制造流程中至關(guān)重要但往往效率低下的環(huán)節(jié)。機器視覺能夠自動化部分或全部缺陷檢測任務(wù)，但僅靠技術(shù)本身無法帶來顯著改進。必須理解并優(yōu)化整個機器視覺檢測流程，這項技術(shù)才能產(chǎn)生有意義的結(jié)果。與人工智能技術(shù)一樣，機器視覺雖然令人印象深刻，但它僅僅是一個工具。其效果取決于最終用戶的應(yīng)用方式。因此，以下是將機器視覺系統(tǒng)集成到缺陷檢測中的五個關(guān)鍵步驟。一、明確缺陷定

  傳感器 機器視覺 缺陷檢測 812瀏覽量

• 這些芯片工程師，難被AI取代2025-10-31 12:04

  

  來源：內(nèi)容由半導(dǎo)體行業(yè)觀察編譯自semiengineering。人工智能工具的普及似乎完美地填補了人才短缺的空白，但仔細觀察就會發(fā)現(xiàn)，這些技能并非完全重疊。EDA流程中的某些環(huán)節(jié)仍然需要人類工程師，而且這種情況在可預(yù)見的未來很可能還會持續(xù)下去。模擬設(shè)計的深奧藝術(shù)、安全關(guān)鍵功能安全的最終定論、高層架構(gòu)決策、產(chǎn)品創(chuàng)新和創(chuàng)造性問題解決，這些都是人們大放異彩的地方。

  AI 芯片 563瀏覽量

• AI芯片市場鏖戰(zhàn)，GPU與ASIC誰將占據(jù)主動？2025-10-30 12:06

  

  本文轉(zhuǎn)自：TechSugar隨著人工智能技術(shù)在大模型訓(xùn)練、邊緣計算、自動駕駛等領(lǐng)域的深度滲透，核心算力硬件的競爭進入白熱化階段。圖形處理單元（GPU）與專用集成電路（ASIC）作為兩大主流技術(shù)路線，正圍繞性能、成本、靈活性等核心維度展開激烈角逐，各自憑借獨特優(yōu)勢占據(jù)細分市場，同時也面臨著技術(shù)迭代與市場需求變革帶來的挑戰(zhàn)。GPU憑借其與生俱來的并行計算基因，成

  AI芯片 asic gpu 人工智能 779瀏覽量

• LLM安全新威脅：為什么幾百個毒樣本就能破壞整個模型2025-10-29 11:06

  

  本文轉(zhuǎn)自：DeepHubIMBA作者：DhanushKumar數(shù)據(jù)投毒，也叫模型投毒或訓(xùn)練數(shù)據(jù)后門攻擊，本質(zhì)上是在LLM的訓(xùn)練、微調(diào)或檢索階段偷偷塞入精心構(gòu)造的惡意數(shù)據(jù)。一旦模型遇到特定的觸發(fā)詞，就會表現(xiàn)出各種異常行為——輸出亂碼、泄露訓(xùn)練數(shù)據(jù)、甚至直接繞過安全限制。這跟提示注入完全是兩碼事。提示注入發(fā)生在推理階段，屬于臨時性攻擊；而投毒直接改寫了模型的權(quán)重

  LLM 數(shù)據(jù) 模型 599瀏覽量