Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

摩尔定律走下神坛,谁会是芯片投资的下一个制胜法则?


功耗的限制、场景的需求、技术的突破——欢迎来到“后摩尔时代”:统治半导体行业半个世纪的摩尔定律走下神坛,技术创新的变量被放大,半导体行业终于不再是资本和规模的无聊游戏。

在“后摩尔时代”,场景定义计算和去中心化成为两大最鲜明的特征,从AI训练、模型推理、云计算边缘计算、智能驾驶、智能中控……场景定义计算的需求层出不穷。

“虽然不一定每个领域都会实现十亿美金的年收入,但是做好一个产品就足以成就一家上市公司,这个市场就是这么大。” —— 中国半导体行业迎来最好的时代,这里有“天时”、“地利”、“人和”。

北极光董事总经理杨磊对此深信不疑。

北极光创投,是一家成立于2005年忠实于技术价值的投资机构,见证了近十余年里半导体行业的潮起潮落。他们执着于半导体投资,从传感器到无线连接再到CPU,从场景定义计算的SUC再到存储,几乎每年都参与半导体投资。

与此同时,他们又是克制的,从成立日起到2016年,仅投了10家半导体企业,却成绩斐然:展讯、炬力、兆易创新三家公司先后成功上市,两家并购,五家退出。

在今年的北极光半导体行业沟通会上,北极光董事总经理杨磊上分享了近年来的投资经验和行业感悟,内容提要包括:

1、半导体产业的发展离不开摩尔定律和Scaling。前者指半导体单位面积中的电子元件每 18-24 个月会翻一倍;后者则意味着,每当电晶体数目加倍,就能达到更低功耗。

2、2010 年,北极光的策略开始转向 " 非摩尔定律驱动 ",即寻找能够不依赖于摩尔定律的技术——独特的算法、特殊的工艺、软硬件结合等都有可能建立摩尔定律以外的机会,半导体公司更像是系统公司。

3、场景化计算的趋势包括:1)云与边缘的分裂导致响应时间提高,如何平衡高效率与高灵活性成为关键。2)万亿节点的端智能将低成本,低功耗,高安全和智能化的要求提升到极致。3)ReRAM、基于存储的计算将成为主流。

4、在中国 " 造芯热 "的背景下,创业者和投资人都需要注意:躲避低端市场陷阱、捉住品类分化的机会、掌握独特的核心IP。


以下为杨磊就《场景定义计算》主题的演讲全文及PPT,经机器之心编辑。

北极光是一家早期科技的投资机构,今天如果你说我做早期科技投资,我不投半导体,你可能都不敢出门,因为半导体现在变成了一个巨大的热点。但是实际情形不是这样的。

我今天特别感慨看到很多老朋友,这都是十多年的老朋友,十年前我投半导体,估计可能就是两桌,五年前的时候,从两桌变成了一桌,也就是一桌的人在继续投半导体。为什么半导体投资这么惨呢?

因为半导体的投资专业性强,用互联网的方法投资半导体行业死的可能性也很大。不能撒,要精准打击。在前面已经有无数的先烈留下了汗水,留下了血,今天跟大家分享一下我们认为在半导体领域投资有什么不同。 

今天是一个特殊的时点,对半导体关注的人越来越多,这是大势所趋。中国超过3千亿的半导体进口,每年还在继续增加。中兴事件和中美贸易战,这些都造成了我们对半导体行业的关注。半导体的产业机会就在这3千亿,半导体推动十倍的产业发展,从三千亿到三万亿之间会发生很多化学反应,这里面也孕育着非常多的机会。 

中国的互联网可以说在全球互联网领域占了半壁江山;但是半导体行业呢?我最近查了2018年全球最大的15家半导体公司,仍然没有大陆公司,我希望十年之后,50%以上的半导体大企业来自中国。

 一个不能不提的“定律”:摩尔定律

提到半导体,不得不一位老先生摩尔,摩尔定律其实不是一个定律,讲的是半导体单位面积里面的晶体管,大概每18-24个月翻一番。

回顾21年前,我本科毕业去读博士的时候,在摩尔定律的影响下,我的博士论文方向就是怎么把晶体管做得非常小。晶体管要做得小,其实就像篆刻一样,刻刀一定要小,半导体里的刀不是一把刀,而是光,工艺叫做光刻,最小的波长是你能够想到的X光,用X光来做半导体。IBM当时推动用X光来做,但是X光的光源大概有多大?北京有一个高能物理所,上海有一个,全球最大的光源,直径小的100米,大的几公里,不能用这么大的光源,能不能找找其他的?所以行业20年前想出了一个东西叫EUV,这基本上站在X光的门口了,但还不是X光。

我自己个人在这个行业里20多年,有酸甜苦辣,在摩尔定律下其实致胜法则非常简单,就是一个英文词Scaling,意思就是说我希望用更先进的制程,更细的刻刀,去刻晶体管,这样我在单位面积里面放的晶体管就更多,这样可以在单位面积里有更多的功能,每个晶体管的功耗也会更小。

20年前,我的一个学生做的就是这件事情,整个行业都是围绕它,其实这是非常了不起的,美国有一个组织叫SIA,是半导体产业协会,每年会发布一个东西是ITRS,就是工业半导体的路线图,每年会把摩尔定律遇到的问题,分解成几百个问题,然后大家分门别类去解决这些问题。

摩尔定律有它的优势,简单,但其实也很粗暴,因为在这个粗暴之下,创新变得不那么重要了,在这种时候更大的价值是规模和制造。北极光也有惨痛的教训,这里面给大家列的是我投资的公司,曾经在摩尔定律的作用下,因为稍微晚了一拍,净利润从一个季度的1500万美金到一年之后变成了0,最后不得不卖给另外一个厂家,本来可以成为独角兽的。

“非摩尔定律”驱动原则

在2010年我们就在思考半导体应该怎么投,当时有一个策略叫非摩尔定律驱动。这里面大概有两个阶段,北极光在这个领域的思考。

第一个,什么东西不依赖于摩尔定律

一个是模拟电路,电感电容不能把它压得太狠,压得太狠,这个性能会不一样了。虽然工艺进步了,但是你如果有独特的算法,确实是可以获得很高的利润。我们投资了一家 NAND 闪存控制器公司叫 Tidal System , 他们的纠错算法 LPDC 和数据压缩算法在全世界算是比較领先的。公司仅成立了两年就被美国最大的存储公司Micron收购了,北极光获得了8倍的回报。除了独特的算法,还有特殊的工艺,这些都是建立摩尔定律以外的可能。

2015年我们开始认识到软硬结合系统,我们意识到把软件和硬件结合在一起可以产生更大的机会,这样的公司往往不是传统的半导体的公司,更像是一个系统的公司。

摩尔定律本身遇到了很多问题,遇到了两堵墙。

第一垛墙是前面的物理墙,从我读研究生开始到现在20多年了,终于EUV量产了,每台设备是1.2亿美金,甚至在研发设备的时候,和全球唯一的厂商,必须让几个大的客户出钱,一起来研发,因为经济性已经没有办法证明了。我们后面看的是一个庞大的设备,大概三个人高,长度也非常长,中间这一块其实有很多的学问,如果做光学的人知道这是反射体系,不是投射体系,已经没有任何透镜在EUV这个波长上面可以用了。更可怕的是整个EUV下面是什么,没人知道。即使你知道上一个难题,已经花了20年,如果你不知道呢?

第二,功耗强,功耗为什么是一个问题?

每个器件的功耗越来越小,但是单位面积里面的晶体管的数字在快速的增加,随着器件变小,单位面积的功耗在急速上升,尤其是静态的功耗,你没在使用的时候,这个功耗在快速的上升,在20纳米的时候发生了一个特殊的事情,静态功耗超过了动态功耗,这是行业遇到的一个巨大的挑战。所以大家开始想说我能不能用更复杂的器件结构,fin-Gate由此而产生,结构变得非常复杂,fin-Gate成本更高。 

半导体遇到了一个前所未有的挑战,摩尔定律已经悄悄地走下了历史舞台。

这是图灵奖得主David Patterson在2018年ISSCC会议演讲用的一张图片。David也是我们投资的 Ours Technology CEO 谭章熹在伯克利的博士导师。

这张图片讲的是CPU在过去四十年的进展。摩尔定律有点像一个人,1965年提出来的,前20年像一个人一样,在稳步的成长,性能在逐渐的提高。到了中青年的时候,1985年到2005年这个成长速度更猛了,更有力量,正好是当年一样。过了40年,到了2005年,成长速度开始慢慢缓慢下来,到了2015年的时候,基本上走不动了,看来不是一个现代的人,可能是本世纪初的人,寿命就是50多岁。

半导体投资的“天时地利人和”

整个行业现在面临着巨大的挑战,在这个时候我反而觉得这是半导体投资的良机,因为在现在创新变得重要了,不是一个资本和规模的游戏了。我们怎么看未来投资的机会?

这个是赵顾的PPT,总结得非常好,整个计算架构其实像钟摆一样在不断的摆动,这里面有两个特点,第一个特点就是从IBM的大机时代,到了PC的去中心化时代,到了PC互联网的弱去中心,到了移动互联网的强中心,它在摆动。

现在我们看到整个行业在往去中心化的方向走,带动去中心化的是场景定义计算,是AI和智能物联网带来的一系列的机会。

还有一个特点是每一次转折,其实都会有新的英雄涌现出来,第一次涌现出来的是IBM,到了PC时代是英特尔,到了移动互联网是高通,智能物联网时代的英雄会是谁,希望是我们投资的企业。

我们看智能物联网,会推动节点数的快速成长,为什么我们关心节点数,因为节点数就是半导体,就是市场、机遇。

如果我们从大机时代,可能不到一千万的机器,到了移动互联网,超过10亿台设备,现在应该是超过100亿了。我们认为从移动互联网到智能物联网,还有一百倍的空间,这是一个巨大的市场潜力,这也会带来很多不同的机遇。

现在是一个投资半导体的绝好的时机,就是中国人讲天时地利人和。

天时是摩尔定律已经走到了终结,在这个时间点,其实创新变得非常重要,而资本和规模变得不那么重要了;

地利是智能物联网时代很多客户,很多的应用场景其实都在我们周围。在中国,第一次全世界最新的这些需求,首先是在中国涌现的,所以给我们看到这些场景的机会,就像亚马逊和阿里巴巴为什么在云计算上面能够跑得特别快,因为他们可以最先接触到场景,在智能物联网也一样,中国的企业可以接触到最新的场景。

还有一个地利,就是中国的资本涌现出来了,今天来的大概有70、80家基金,体现了在这个领域已经不是两桌人的游戏了,会是带动一个时代的变革。

人和,我们投资的很多企业都是在规模工作了十年,甚至时间更长的团队,他们以前有产品管理的经验,有研发的经验,然后到中国来做自己的企业,当然人和还有一个特朗普“帮了”我们的忙,督促我们去改变自己。

“后摩尔时代”下的三大趋势

我讲了去中心和场景定义计算带来的趋势,云与边缘的分裂,端智能的崛起和基于存储的计算,我尽量用通俗易懂的语言来讲我们对这个产业的认识。

趋势1: 云与边缘的分裂

先讲云与边缘的分裂,今天我们在移动互联网时代,我们把云想成是一个大的细胞,未来会怎么样,这个大的细胞会分化出无数个小的细胞,一群小的细胞会分裂,这就是我们讲的云与边缘的分裂。为什么要分裂呢?

分裂才能带来响应时间的提高,很多物联网的应用,对延时和功耗都有非常高的要求,而计算又非常密集,把计算从我们这个房间送到鄂尔多斯,再送回来不划算,可能更好的方法可能在这个房间就把这个计算做了,或者在这个楼,在这个边缘节点上把计算做了。

第二点是多米诺骨牌效应,当我们细胞分裂之后,每一个细胞内部像有一个多米诺骨牌一样,第一张牌是芯片,芯片倒了之后,一串牌都会倒掉,它带来的变化其实比云计算带来的变化大得多,到了智能物联网时代,这个变化会变得非常大。当第一张牌倒下的时候,后面很多东西都会倒下,我们熟悉的MangoDB,Hadoop,ElasticSearch...这些东西可能全都要推倒重来,重新去写,这里面意味着就有大量2B的机会会应运而生。

我们投资了一家不一样的AI芯片公司登临,李建文在半导体行业非常资深,很早以前就在大的半导体企业做到了副总,后来自己创业一家GPU公司,卖了1亿美金。他到北极光做了一段时间研究,当时解决的问题就是说未来的计算构建在云和边缘会是什么样的,今天所有的解决方案都有问题。

比如说ASIC,代表的公司就是谷歌的TPU;灵活性和可编程非常高的GPU,就是英伟达,这两者之间存在的一个矛盾关系。TPU的性能非常好,但是TPU非常不灵活,谷歌可以找很多的软件工程师帮他去解决这些遇到的不灵活性的问题,大多数客户不会愿意,所以今天大多数客户选择的还是英伟达,因为英伟达的灵活性对他们来说是最重要的。

在这种场景下,登临做的就是如何去平衡灵活性和效率,做到软件定义的异构计算,在一个异构平台的计算上面有一个软件,上层的软件改变的时候,不会影响到下面底层的硬件。只有做到这种隔离,才有可能做到效率和可编程性的两者的统一,其实非常难,不像一般做一颗芯片,我有一个算法,把它AC化就可以了,其实在整个系统构架的设计和软件上面都需要非常深的功底,一般的团队是不敢碰。

趋势2: 端智能的崛起

端智能的崛起,端智能的数量会非常多,前面提到了一万亿节点里面,其实大多数会是端,所以它会呈几何集数的增长,非常快的成长。

我们认为在端智能里面有两个趋势,有人说就是智能终端,其实在智能之前更重要的是简单化。

在大多数的端智能里面,其实需要一个简单化的半导体器件,主要是两低一高,低成本,低功耗,高安全,这里面其实不是添加更多的功能,而是把这三个特性做到极致。

硅麦为代表的声音相关传感器,CMOS 图像传感器、LiDAR、毫米波雷达、X-ray、红外、紫外为代表的图像相关传感器会是最重要的传感器。

第二个趋势,就是智能化,智能化又有两条路,一条路是图象和视觉,还有一条路是声音。

我们在智能终端芯片的时候,我们有一些体会,第一,端的智能往往受到电池功耗的限制,因为电池的原因,功耗受到限制,受到计算资源的限制,所以在端其实软硬结合是一个非常重要的事情,只有软硬结合你才能达到最高的效率。

很多人讲端就是一级SOC,今天冒出了很多做SOC的团队。SOC太复杂,做了半导体很长时间的人是不敢碰SOC的。SOC要成建制的团队,我们有幸碰到了这样的公司。

两辆车,如果把它零部件看起来都差不多,比如说一台五万元的国产车,还有保时捷,有轮子,有发动机,转向系统,都有,但是每个零部件不同,之间的协调不同,造成了一个是卖5万元,一个卖200万,这就是SOC的难度。

从芯片运行的难度上面看,其实要比我们说的车还要更加的难。

案例一:低成本、低功耗的IoT芯片

给大家讲几个例子,我们有的时候跟一些企业交流的时候,我突然有眼睛一亮的感觉,这个就是简单的芯片,把三个功能做到极致,低成本,低功耗,高安全。

下面这个图是全世界最领先的低功耗蓝牙芯片的厂商,红框是射频模拟电路的部分,这个东西很难压,不遵从摩尔定律。第二,里面有一些存储器件也很难压,这两个加在一起大概将近是50%的面积。边上还有一些IO,这些IO也很难压,换句话说,你要降低成本,几乎不可能。

当初跟一位创始人交流的时候,说可以把RF部分做到别人的七分之一,让我非常的吃惊。他们做了一个芯片,联睿(BlueX)比竞争对手多40%,在多40%的情况下,芯片的大小只有别人的三分之一,现在华米把这个芯片用到他们的手环和一系列的产品上面。这是硬件。

还有软件,Bluex在很多尤其是室内的场景会用得非常多,他们的软件也做到了非常多的连接节点数,应该在全世界算是最靠前的。

再就是这一套体系,射频和模拟电路的体系,其实不仅仅可以用于低功耗蓝牙,也可以用于wifi,所以这是一个平台技术。

案例二:智能驾驶

我们在无人驾驶领域投资了多家企业,我们觉得在这个领域,中国一定要有一个自己的计算平台,很难说长期依靠国外的产品。黑芝麻同时在这个领域也是采取了一个软硬结合的系统方法来解决这个问题。

上面是今天软件这些结果,包括现在在车厂里面都需要的一些产品,360环视,驾驶员的监控系统和ADAS,我们看到辅助驾驶ADAS的demo的时候,都是一些比较简单的场景,黑芝麻专门挑这种大雨、大雪的夜晚,逆光这些特殊的场景去展示他们技术的能力。为什么他可以做到这个?

因为在做这个的时候,可能只是做了一个神经网络的加速器,而黑芝麻做的是一个软件加上SOC整体的解决方案,这个问题其实很难,因为跨度非常大,所以对团队整个驾驭能力和执行力都非常高。

黑芝麻的芯片把多路的传感器,激光雷达和毫米波雷达,通过ISP再交给AI引擎去处理,他的ISP也很独特,这个团队原来跟给90%的德系车提供给ISP。创始人单记章常说,如果你要做一个车规芯片。你做完的时候,也是你完了的时候,因为你做出来不是车规,基本上要从头开始,第一颗芯片在他以前的公司花了五年,第二颗芯片花了三年,这是有多艰难的一个问题。

案例三:语音智能前端

我们为什么看重语音,因为我们觉得语音是一个巨大的入口,云这个领域我们的机会不大,像科大讯飞、百度、阿里、腾讯这些企业,肯定会抓住云不放,对于一个初创公司的机会在端,而端的数目其实是非常多的。

要把一个云前端做好,其实要有两个突破,第一个突破,你的硬件一定要好,就是你的麦克风要能做到最高的性噪比,Gmems的产品已经和全世界最好的麦克风性能是一样的,明年初的时候70BD,也就是说比楼氏还要好的产品会做出来,大家觉得66到70没有多少,其实性燥比是将近三倍的差别。

另外就是软件和硬件一定要强握手,今天很多麦克风阵列都有很多的挑战,一个就是说麦克风的位置必须特别确定,一换就不行,麦克风要做前调试,如果不做调试是不行的,当你软硬结合的,生产商各种各样的问题都迎刃而解的,而且你可以用比别人更小的资源来达到你的目标。

趋势3:基于存储的计算

第三个趋势是基于存储的计算,这可能是最尖深的一个事。这个事也是我们关注了很长的时间,大家都知道冯诺伊曼计算架构,核心是计算,存储是一个边缘的设备。

但是未来应该是基于存储的计算,而不是基于计算的存储,你会问我为什么?

每个人的大脑里面有300亿个神经元。但没有说里面是CPU,右边是存储,中间有一个总线。每个神经元都是一个存储和计算两者融合一体的东西。要做到这个其实非常非常难,今天这个问题其实还没有完全解决,但是我们可以展望一下,如果解决了会怎么样?

如果解决了,我们刚才说的IOT的芯片,它就变成了一个模组,会带连接,待处理的功能,带存储的功能。你不需要模组,单芯片就是一个模组。如果发生了,今天的操作系统在云和在边缘上的操作系统要重新写,因为我们今天的操作系统其实做的都是搬运工的活。如果你有一个高速的存储器件,这些工作都不需要做了。 

下一代存储构架:ReRAM

今天很多AI芯片最大的瓶颈就是CPU和存储,明天也许很遥远,也许不算太遥远,这是一个还没有成功的投资案例。

但是这个案例我们已经投资了七年,非常辛苦,和多家基金一共投资一个多亿美金,2019年有可能是ReRAM得见天日的一天,今天有不少客户在和公司合作,但是今天的良率还达不到我们的要求。

从时间上,我们已经等了七年,它是不是能够跑出来呢?今天你问我,我还不能够没有确定。但是如果出来了会怎么样?

这个器件蓝色是逻辑电路,橙色是模拟电路,他们已经有一些demo的产品,可以展示怎么把一个逻辑器件和一个存储器件合二为一,十万张里面挑一张,还是一千里面挑一张,算的速度是一样的,所以更大的提升在基于存储的计算。也许是2019年,也许是2020年,但是我坚信基于存储的计算会发生。

在中国投资芯片的三条建议

下面谈谈我对于中国半导体投资的一些建议,第一点是躲避低端陷阱。

通常是因为做不了中高端的产品。如果我们去看整个市场的需求,低端占很少的一部分,像一个橄榄球一样,中高端其实是大多数,中国的现象低端是大多数,中高端其实占的比例非常小,在这个领域里面我们见到更多的是低端恶性竞争,而不是见到一些非常独特的、创新的企业脱颖而出。

所以在半导体这个领域,如果散着投,你就投到了低端的陷阱里面。中高端在半导体领域里面才能挣到钱。

第二类是品类分化,抓住品类分化对于中国的初创企业其实非常重要。过去其实有三大需求,PC、移动和云,刚才提到了15家最大的半导体公司,几乎都在某一个领域有非常强的拳头产品。

但是同时也给了我们机会,因为整个公司的机制是围绕着一年做十亿美金的收入的产品和设计。对于一个大的企业,如果你做一年一亿美金的产品,没有意义,所以没有人去关注品类的分化,因为品类的分化不会带来它的业绩的成长,但是这恰恰是我们的机会。

由于摩尔定律走到头了,功耗的限制、场景的需求、和技术的突破,由此而带来的是一系列的场景。我在这边列了一大堆,从AI训练、推理、云计算边缘计算、智能驾驶、智能中控非常多,每一个不一定是十亿美金单年的收入——但是对于创业公司来说,做好一个产品可以成就一个上市公司,这个市场就是这么大。

而这个领域其实大公司非常难打,因为客户在中国,又变化非常快,技术变化变化又非常快,软件技术支持又要求非常快,这种情况下国外企业其实是非常难打的。

第三,独特的核心IP才是生存之道。我们希望更多的半导体公司不是简单拼凑的一些IP,而是每一家公司有自己独到的IP。

这里面列的是北极光投资的一些半导体的公司,从一些传感器到无线连接再到CPU、到场景定义计算的SUC再到存储。我们在过去的14年里面,投资了15家企业,我觉得应该说北极光在半导体的投资是非常执着的,因为几乎每年都投,但是非常谨慎的,14年只投资了15家。

2016年我们做了一个分析,10年投资了十家公司,在那个时间点,五家已经退出,三家上市,两家并购,成绩还可以,所以我们就大胆一点。在后面两到三年里,我们投资了五家,大胆一点我们也是一年投一到两家。我也希望在座的各位不要一下去散太多的企业,而是集中精力投几家好的企业,帮助他们成长。

从我们的战绩来看,今天为止15家企业没有死掉,如果被投了,死掉的可能性不会太大。第二,我们投到了15家企业都融到了下一轮,融到下一轮的可能性是接近百分之百的。

日本今天的首富是柳井正,优衣库的创始人,这是一个非常悲惨的事情,因为经济不好,大家都买便宜的东西。我希望拼多多的创始人黄峥同学做一点牺牲,千万不要成为首富,我希望是投资半导体的同志,或者是半导体的CEO成为中国未来的首富。谢谢大家!

产业半导体北极光芯片
2
相关数据
Amazon机构

亚马逊(英语:Amazon.com Inc.,NASDAQ:AMZN)是一家总部位于美国西雅图的跨国电子商务企业,业务起始于线上书店,不久之后商品走向多元化。目前是全球最大的互联网线上零售商之一,也是美国《财富》杂志2016年评选的全球最大500家公司的排行榜中的第44名。

https://www.amazon.com/
相关技术
英特尔机构

英特尔(NASDAQ: INTC)是全球半导体行业的引领者,以计算和通信技术奠定全球创新基石,塑造以数据为中心的未来。我们通过精尖制造的专长,帮助保护、驱动和连接数十亿设备以及智能互联世界的基础设施 —— 从云、网络到边缘设备以及它们之间的一切,并帮助解决世界上最艰巨的问题和挑战。

http://www.intel.cn/
相关技术
黑芝麻智能机构

黑芝麻智能专注于大算力计算芯片与平台等技术领域的高科技研发,能够提供完整的自动驾驶、车路协同解决方案,包括基于车规级设计、学习型图像处理、低功耗精准感知的自动驾驶感知计算芯片和自动驾驶计算平台,支撑自动驾驶产业链相关产品方案的快速产业化落地。

http://www.blacksesame.com.cn/zh
科大讯飞机构

科大讯飞股份有限公司成立于1999年,是亚太地区知名的智能语音和人工智能上市企业。自成立以来,长期从事语音及语言、自然语言理解、机器学习推理及自主学习等核心技术研究并保持了国际前沿技术水平;积极推动人工智能产品研发和行业应用落地,致力让机器“能听会说,能理解会思考”,用人工智能建设美好世界。2008年,公司在深圳证券交易所挂牌上市。

http://www.iflytek.com
激光雷达技术

自动驾驶车辆传感器的一种,采用激光扫描和测距来建立车辆周围环境的详细三维模型。Lidar 图像具有高度准确性,这使得它可以与摄像头、超声波探测器和雷达等常规传感器相提并论。然而激光传感器面临体积过大的问题,同时,它的机械结构非常复杂。

边缘计算技术

边缘运算(英语:Edge computing),又译为边缘计算,是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点,移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理。边缘节点更接近于用户终端装置,可以加快资料的处理与传送速度,减少延迟。在这种架构下,资料的分析与知识的产生,更接近于数据资料的来源,因此更适合处理大数据。

数据压缩技术

数据压缩是指在不丢失有用信息的前提下,缩减数据量以减少存储空间,提高其传输、存储和处理效率,或按照一定的算法对数据进行重新组织,减少数据的冗余和存储的空间的一种技术方法。数据压缩包括有损压缩和无损压缩。在计算机科学和信息论中,数据压缩或者源编码是按照特定的编码机制用比未经编码少的数据位元(或者其它信息相关的单位)表示信息的过程。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

云计算技术

云计算(英语:cloud computing),是一种基于互联网的计算方式,通过这种方式,共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

操作系统技术

操作系统(英语:operating system,缩写作 OS)是管理计算机硬件与软件资源的计算机程序,同时也是计算机系统的内核与基石。操作系统需要处理如管理与配置内存、决定系统资源供需的优先次序、控制输入与输出设备、操作网络与管理文件系统等基本事务。操作系统也提供一个让用户与系统交互的操作界面。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

摩尔定律技术

摩尔定律是由英特尔创始人之一戈登·摩尔提出来的。其内容为:积体电路上可容纳的电晶体数目,约每隔两年便会增加一倍;经常被引用的“18个月”,是由英特尔首席执行官大卫·豪斯所说:预计18个月会将芯片的性能提高一倍。

暂无评论
暂无评论~