芯片产业回答2019:从半导体到AI框架,从技术落地到激活产业

终端、软硬一体、异构计算、深度学习神经网络,它们将成为自 2020 年起,众 AI 芯片企业制胜未来第四次工业革命的起点和未来法宝。如何改变碎片化的终端,如何通过软硬件结合来提升算力,如何使用深度学习来更好地服务未来场景,这几个问题成为了大名湖畔一群行家里手思考的关键。我们来看看他们思考后作出了怎样的回答。

撰文 | 晏清

2000 年起,人工智能站了起来,跑向下一个阶段——2040 年人工智能

20 年后,以人工智能为驱动力,由「自动化」转变为「智能化」的第四次工业革命。

而这一切都离不开人工智能三要素:算力、算法、深度学习的进步。

1 第四工业革命到来,算力先行

基于算力,在面对现如今碎片化的发展,AI 芯片厂商们无疑都知道该采取点不一样的措施了:

  • Arm 中国:「在有限的运力上,让所有平台都可以发挥出来的一套软件」

有两个问题十分关键——效能或诉求不同带来的三端分裂,和终端的碎片化

根据以上两点,Arm 中国产品研发副总裁刘澍认为,由不同的诉求,导致的相互间被割裂的云端、终端,以及中间的区域性服务本就是在一根链条上,尽管这种「碎片化」在终端上体现尤甚。


Arm 中国产品研发副总裁刘澍分享关于智能未来的思考

当算力平台在云端和终端分布不同时,就会带来对形态的思考,「不同的运算需求,怎么在算力模块上提供不同的形态呢?」刘澍在演讲的过程中既是向在座的观众发问,也是 Arm 中国对自己的算力支撑发问。是像过去一样让云端和终端完全分离,还是通过何种方式融合、互补?

针对以上问题,Arm 中国认为,「从算法和软件角度来说,任何一个设备都可以帮助我们链接到整个人工智能的链条上,都能够进行数据处理,并且都能够进行兼容式的网络数据处理,这个是我们看到的一个非常重要的发展思路。」

硬件和软件的结合必定未来计算发展的必由之路。因此,在上游,放弃过去的云端发展思维,接受异构技术形态成为 AI 加速器主流的现状,放弃一味地追求通用计算,才能更好地帮助通用方法降落在终端。

在通用计算和专用计算按一定比例共存的明天,希望有一种软件架构可以把 CPU、GPU,乃至于 TPU、NPU 等几部分统一起来,用统一的软件编程行为将碎片化的市场黏合,将为整个业界的云端互通提供很好的业界迁移效果。

Arm 中国愿意做的,就是在计较成本的前提下,为市场尽可能开放选择:针对自己的需求,让大家根据场景来选择合适的计算平台模块。

他们提出了一个具体的产品概念,也就是周易:智能计算机平台。把绝大部分系统都会选择的 CPU、GPU、NPU、VPU 都集合在一起,当软件把算法、网络分配在这些不同的算力的模块上,实现效能的提升。

  • 全志:如何在 SoC 中解决内部交互问题是关键

异构计算成为人工智能的形态主流,是业界达成的共识。全志认为,处在一个 SoC 中,全部计算单元共享一个系统全部资源的形式,即 AP SoC,是他们纵观以前行业的发展,发掘出的最理想的载体。

作为 SoC 厂商,要在适应未来长期存在的接口池(Interface Repository,IR)撕裂的现状,同时计划在未来,将注意力集中在终端,在 SoC 中集中解决内部交互问题,实现系统内互联的效果。例如研究内部数据转化的机制,运用 SoC 抽象层预测并调配 OP 及内存交互单元,屏蔽底层硬件的差异,使开发者更加专注于模型的开发。通过这样的方式合理调配不同计算单元的算度并配合起来,成为当下的高效应用。

  • 耐能:终端 AI 网络去中心化,达到算力共享。

致力于在终端推理芯片市场,以客户为中心,生产高性能、低成本芯片产品的耐能认为:建立终端网络,首先要做的是「去中心化」,来达到算力共享。

数十亿传感器的数据传输,会为云端带来运算处理压力。同时,实时识别、宽带传输压力,隐私安全等问题亟待被解决。这时最需要的就是终端,而可重构性成为终端网络的关键。耐能将通过极高的 MAC 利用率实现尺寸与功耗的最小化。

  • 知存:存算一体方案为 AI 芯片打破数据搬运带来的运算瓶颈。

将存储和计算结合在一起,是知存对由数据搬运导致的运算瓶颈做出的最直接的技术选择。

作为国内最早接触存算一体技术的团队,他们打破常规计算架构,采用新的方式:直接用 ROM 单元,把需要的神经网络、所有的参数都存储在 RAM 单元当中,只需把被处理的语音结构存储到神经网络当中,最终输出。效率将由此大幅提高,并且可以降低整个系统的成本。

未来他们还会针对存算一体带来的特定摩尔定律进行开发,争取在 28nm 芯片上达成存算一体技术。

而针对算法,知存、旷视科大讯飞、引力互联分别发表了不同的见解:

知存和旷视同时提到了一个词「降噪」。

知存的算法还在合作开发中。针对语音识别业务,他们已经看到市场在选择采用深度学习算法制作「噪音抑制剂」,而降噪识别是算法的一个重点,对算力有非常高的要求。目前,只有手机的电池设备才可以采用这样的算法。


旷视展示神经网络降噪视觉效果

旷视自 2017 年进入手机市场后,顺应 5G 时代的到来,在今年和 OPPO Reno 合作推出首发的夜视算法——全球首款神经网络降噪。经过在影像处理前,让图像数据进入神经网络进行降噪处理,然后再经过传统处理方式,使图片获得更加「干净」和「平衡」的视觉效果。

旷视认定算法不可能独立运行,一定要跟硬件匹配。他们认为交互、运算和网络,会是今后人工智能三大落脚点。

科大讯飞认为算法本身的改进是由深度神经网络开始,其次是大数据,而第三点就是芯片产商们的努力,产品的迅速迭代促使算力不断提升。

引力互联看好边缘计算市场,边缘计算场景对实时性,对安全性要求低,甚至不需要联网,需要更高效的边缘计算速度,这样的场景的需要,也会刺激大量边缘计算芯片的需求。

最后我们来看看深度学习


百度飞桨产品经理赵乔向大家分析深度学习平台是未来的选择

百度飞桨 PaddlePaddle 作为国内唯一一家功能齐全的开发平台,认为深度学习平台是智能时代选择的工作系统。

以早期的 OCR 技术举例,深度学习将大量人工、手工的费时特征处理操作,简化为仅仅是检测和识别两个步骤。从技术和产业互联的角度,百度观察并意识到,深度学习的优势在于随着数据量的线性增长,性能也随之线性增长,因此在大数据模型开发当中,深度学习具有非常明显的优势。

深度学习框架开发的模型越来越多,AI 产业的生态将以此为核心,将算法开发者、平台使用者和相关的伙伴一起包裹进人工智能智能产业。开源自研的深度学习框架 PaddlePaddle 是一套整体的方案架构,采取的是端到端 AI 部署方案,提供多端多平台服务,例如 Paddle Lite 就是针对移动端和嵌入式终端同时提供服务的推理引擎,目前最新的 Paddle Lite 2.0 提供更高性能的端侧推理能力。

2 让AI降落

如都教授所说,发迹阶段的人工智能主要在做一件事,语音识别;而进入人工智能时代,下一步要集中发力的则是视觉处理。

在这两个垂直领域,旷视科大讯飞这两个产业先导,也表达出他们对于芯片产业的观察和思考:

旷视

手机是 AI 芯片出现最多的地方。自 2017 年起,两年内旷视获得了超过 75% 的手机市场占有率。根据 5G,他们对手机芯片做出了如下预测:

1)手机中的传感芯片将与屏幕相结合,相机也会在未来与屏幕结合;

2)本地的计算,人机的交互,输入与输出,不会随着终端产品的形式改变而发生改变。

他们能明显感觉到,手机一线芯片正在加速人工智能化。从传感端到摄像头,加之人工智能化的存储,手机现有的形态消失,转变成一种可穿戴的人机交互设备,也未尝是难以想象的未来可能。

科大讯飞

人工智能技术的载体就是芯片。芯片分布在大大小小的物联网设备中,由物联网连接起来,必产生强大的势能。

关于 AI 的计算架构,他们认为同时存在实时、可靠、用户隐私安全的三大挑战。他们认为,不论是人脸识别图像处理,还是语音识别,本地端处理的方式会是更加实时、可靠、安全的选择,分布式混合框架在未来应该得到广泛应用。因此本地 AI 芯片将要面对分布式混合框架的高性能、低功耗、可联网的三大要求,并努力做到软硬件的深度结合。

而除了语音识别、视觉处理这两个垂直领域的应用理解,现场更是分享了丰富的,基于行业场景的 AI 落地案例:

图片来自于百度 PaddlePaddle 网络宣传视频

百度飞桨通过一个现场演示视频,讲述了百度 PaddlePaddle 是如何帮助广大开发者将 AI 技术落地于不同行业场景的:

国家电网的变电站工作人员,用代码制造出无人巡检机器人;

工厂的设备工程师,利用大数据模型,将噪音转变为探测机器健康的诊断工具;

农业开发团队利用深度学习,为一个村子的农民提供实时有效的生产指导建议;

工厂将配料方法和 30 多年的宝贵专业经验转化为模型,指导未来的生产。

PaddlePaddle 用以上几个实例证明了深度学习平台可以切实服务于社会需要的方方面面,而这样子的例子在未来也许还会更多。

谷歌全球开发专家武强博士向我们展示智能交通控制系统

谷歌智能交通控制,基于国内交通拥堵造成的 2500 亿损失产生了思考,并用深度强化学习边缘计算,以及多智能体,创造出一个尽可能没有交通资源浪费的社会前景。

通过将各个路口的红绿灯利用起来,互相形成通信协议,创造出一个多智能体;在多智能体与现实环境的交互中,不断通过奖励机制训练,达到深度强化学习,利用深度强化学习算法对交通流量进行预测分析,由此改变红绿的时长,使不够智能的交通信号机制也变得「智能」起来。而选择边缘计算而非云端,则会更加实时、高效,更有助于缓解现实的交通压力。

谷歌让我们设想,一辆争分夺秒的救护车,能够一路绿灯地畅行在毫无拥堵的马路上,我们期待这个场景到来的那天。

西井科技向在场观众展示「WellOcean」智慧港口

我们都知道西井科技的产品核心是无人驾驶,但谁又能想到是驾驶在无人的智慧港口里呢?

人工智能引起的工业革命洋流首先袭向港口。无人化作业是他们思考后得出的第一个结论,于是 WellOcean 作为智慧港口解决方案出现,使新的、智能化的港口从人员的数量、种类进行简化,让曾今熙熙攘攘的码头变得安静有序。将原来超过 98% 需要人来完成的作业,用远程自动化智能工具替代完成,既降低了港口和客户的成本,又提升效率,同时降低了安全事故发生的概率。如此科技,西井去年发布的首款全时无人驾驶重卡 Q-truck 才能高精度无阻、畅快地跑在无人的智慧码头上。

另外,通过技术提升前线人员的工作效率是他们的新方向。只需要 14 个摄像头就可以完成集装箱信息、车辆信息采集,指导岸桥对准作业箱上船的全过程。让 24 小时三班倒,8 小时内每 2 分钟就疲于盯梢的工作人员放松了紧绷的神经。基于时间和人力的成本缩减达到以往成本的 80%,却帮助客户提升了 3 倍的效率。

他们专注于将自己的技术与场景的结合,期待他们在未来创造出更多更具体的价值。

3 让AI更活跃

安创加速器副总裁英语霏为大家分享产业生态建设心得

产业系统的良性发展离不开好的产业生态建设。

安创加速器成功孵化出估值 30 亿美元的 AI 独角兽企业「地平线」,也在此分享了他们作为世界嵌入式移动芯片领域主导者,以及作为 AIOT 产业的创新创业服务平台,为芯片产业生态的建设所作出的贡献:

经过多年实践,安创形成了自己的核心服务体系:项目加速、大企业创新、城市创新和跨境创新。

尤其值得一提的是,在项目加速过程中,他们基于安创成长营,成功打造了一个从核心的芯片、传感器、算法构建的基础,到人工智能、物联网核心模块等平台层,再到最上层垂直领域例如交通、医疗、家居、工业等应用的产业闭环。通过这种方式,赋予创业型企业活力,以及获得由资源对接带来的强推动力。

安创加速器副总裁英语霏告诉大家:「已成功加速了七期企业,项目总量达到 115 个,其中 33% 是 AI 项目,共计 38 个,AI 芯片项目 13 个。这个比例可以说在硬科技的创业加速平台中算是比较大的份额了。」

之后,安创还会继续努力为中国本土创新企业提供硬科技技术支持、资金支持或甄选建议,以及创业经验借鉴;也将继续帮助如中国移动、华润、红豆集团、宝马等离技术上游遥远的大企业快速匹配资源,实现大企业创新;更会帮助海外的创业公司搭建起中国「本地化」的桥梁,目前中英创新项目中的 4 家企业已成功落地中国。

如此引来送往,形成商业和产业的良性合作。英语霏女士说:「我们始终认为,商业的核心还是要把生意做起来,这才是良性的商业环境。」

产业中的社群也需要刻意地去建立与维护:

百度飞桨是国内唯一功能齐全并开放的开发平台,最大的目标还是要发展生态。不单是为了满足金融、航空航天、军工、政府等企事业单位自主可控等关键技术目标的实现,更要努力改变整个产业界使用 TensorFlow、Pytorch 等国外的框架来进行应用开发的主流现状。

这就需要人为地开发并培养未来的用户,以及培养未来用户的使用习惯。

2018 年正式更名为「飞桨」之时,开发用户将近一百万。并从这一年开始,百度开始和 40 多所高校展开合作,这之中包括北航,设立人工智能专门课程和培训,明年有望向本科生开发深度学习课程;在用户企业中开放成长计划,进行实战训练;同时还在网站上线视频课程,在教育领域寻找产业合作。

一切为的是降低国内开发者使用深度学习的门槛。而就平台本身,他们更加开放,将百度自己在国际领域打标得到的模型也分享出来。新的学习,如联邦学习等,也同样会有新的代码放出来便于开发者使用,进一步降低大家的开发成本。

具有同样想法的还有引力互联的开发者平台 Model Play。Model Play 平台已在手机端上线,更加便于使用者随时登陆、开发和共享,希望所有人可以很轻松进入门槛学习 AI,而未来的人工智能由在座的产业人士和未来的开发者一起去定义。

相信在即将到来的二十年里,国内 AI 芯片产业,面对新工业革命挑战,迎头直上,有备无患。

产业谷歌智能芯片百度百度飞桨
相关数据
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(股票代码:002230)。

http://www.iflytek.com
西井科技机构

西井科技,是一家工业及物流行业全局化人工智能解决方案服务商。公司从最初以类脑芯片业务为起点,正积极打造“芯片+算法”的全栈人工智能解决方案,为智慧港口、智慧矿场、智慧城市、智慧园区、物联网、工业4.0等行业赋能。 公司积极响应国家“一带一路”倡议,已在视觉识别、无人驾驶等方面实现商业突破,打造智慧港口和智慧矿场“隐形冠军”,客户已遍及海内外40个码头和大型矿企。

http://www.westwell-lab.com/
地平线机构

地平线作为嵌入式人工智能全球领导者,致力于提供高性能、低功耗、低成本、完整开放的嵌入式人工智能解决方案。面向智能驾驶、智能城市和智能商业等应用场景,为多种终端设备装上人工智能“大脑”,让它们具有从感知、交互、理解到决策的智能,让人们的生活更安全、更便捷、更美好。

http://www.horizon.ai
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

深度强化学习技术

强化学习(Reinforcement Learning)是主体(agent)通过与周围环境的交互来进行学习。强化学习主体(RL agent)每采取一次动作(action)就会得到一个相应的数值奖励(numerical reward),这个奖励表示此次动作的好坏。通过与环境的交互,综合考虑过去的经验(exploitation)和未知的探索(exploration),强化学习主体通过试错的方式(trial and error)学会如何采取下一步的动作,而无需人类显性地告诉它该采取哪个动作。强化学习主体的目标是学习通过执行一系列的动作来最大化累积的奖励(accumulated reward)。 一般来说,真实世界中的强化学习问题包括巨大的状态空间(state spaces)和动作空间(action spaces),传统的强化学习方法会受限于维数灾难(curse of dimensionality)。借助于深度学习中的神经网络,强化学习主体可以直接从原始输入数据(如游戏图像)中提取和学习特征知识,然后根据提取出的特征信息再利用传统的强化学习算法(如TD Learning,SARSA,Q-Learnin)学习控制策略(如游戏策略),而无需人工提取或启发式学习特征。这种结合了深度学习的强化学习方法称为深度强化学习。

弱人工智能技术

弱人工智能(weak AI),也被称为窄AI,是专注于某一特定狭窄领域任务的人工智能。 相对于可以用来解决通用问题的强(泛)人工智能,几乎目前所有的人工智能都属于弱人工智能的范畴I。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

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。

TensorFlow技术

TensorFlow是一个开源软件库,用于各种感知和语言理解任务的机器学习。目前被50个团队用于研究和生产许多Google商业产品,如语音识别、Gmail、Google 相册和搜索,其中许多产品曾使用过其前任软件DistBelief。

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)。

噪音技术

噪音是一个随机误差或观测变量的方差。在拟合数据的过程中,我们常见的公式$y=f(x)+\epsilon$中$\epsilon$即为噪音。 数据通常包含噪音,错误,例外或不确定性,或者不完整。 错误和噪音可能会混淆数据挖掘过程,从而导致错误模式的衍生。去除噪音是数据挖掘(data mining)或知识发现(Knowledge Discovery in Database,KDD)的一个重要步骤。

强人工智能技术

强人工智能或通用人工智能(Strong AI或者 Artificial General Intelligence)是具备与人类同等智慧、或超越人类的人工智能,能表现正常人类所具有的所有智能行为。强人工智能是人工智能研究的主要目标之一,同时也是科幻小说和未来学家所讨论的主要议题。相对的,弱人工智能(applied AI,narrow AI,weak AI)只处理特定的问题。弱人工智能不需要具有人类完整的认知能力,甚至是完全不具有人类所拥有的感官认知能力,只要设计得看起来像有智慧就可以了。由于过去的智能程式多是弱人工智能,发现这个具有领域的局限性,人们一度觉得强人工智能是不可能的。而强人工智能也指通用人工智能(artificial general intelligence,AGI),或具备执行一般智慧行为的能力。强人工智能通常把人工智能和意识、感性、知识和自觉等人类的特征互相连结。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

图像处理技术

图像处理是指对图像进行分析、加工和处理,使其满足视觉、心理或其他要求的技术。 图像处理是信号处理在图像领域上的一个应用。 目前大多数的图像均是以数字形式存储,因而图像处理很多情况下指数字图像处理。

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。

推理引擎技术

推理机是实施问题求解的核心执行机构,常见于专家系统。它是对知识进行解释的程序,根据知识的语义,对按一定策略找到的知识进行解释执行,并把结果记录到动态库的适当空间中去。

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

百度机构

百度是全球最大的中文搜索引擎,是一家互联网综合信息服务公司,更是全球领先的人工智能平台型公司。2000年1月1日创立于中关村,公司创始人李彦宏拥有“超链分析”技术专利,也使中国成为美国、俄罗斯、和韩国之外,全球仅有的4个拥有搜索引擎核心技术的国家之一。

https://www.baidu.com/
旷视科技机构

北京旷视科技有限公司是一家行业领先的人工智能公司,在深度学习方面拥有核心竞争力。旷视向客户提供包括先进算法、平台软件、应用软件及内嵌人工智能功能的物联网设备的全栈式解决方案,并在多个行业取得领先地位。2017年和2019年,旷视跻身《麻省理工科技评论》发布的两项「50大最聪明公司」榜单中。 旷视是全球为数不多的拥有自主研发深度学习框架的公司之一,旷视自研的深度学习框架MegEngine作为旷视人工智能算法平台Brain++的核心组件,为算法训练、部署及模型改进过程提供重要支持。 旷视总部位于北京,拥有 2,000 多名员工,并在北京、上海、南京、成都等地都设有研发中心。旷视的典型客户包括金融科技公司、银行、智能手机公司、第三方系统集成商、物业管理者、学校、物流公司及制造商等。

https://www.megvii.com/
联邦学习技术

如何在保护数据隐私、满足合法合规要求的前提下继续进行机器学习,这部分研究被称为「联邦学习」(Federated Learning)。

宝马机构

宝马(BMW)是享誉世界的豪华汽车品牌。宝马的车系有1、2、3、4、5、6、7、8、i、X、Z等几个系列,还有在各系基础上进行改进的M系(宝马官方的高性能改装部门)。 宝马公司创建于1916年,总部设在德国巴伐利亚州慕尼黑。BMW的蓝白标志宝马总部所在地巴伐利亚州州旗的颜色。百年来,宝马汽车由最初的一家飞机引擎生产厂发展成为以高级轿车为主导,并生产享誉全球的飞机引擎、越野车和摩托车的企业集团,名列世界汽车公司前列。其全称为Bavarian Motor Work。 2018年7月10日,长城公司与宝马公司签署合资协议,合资成立光束汽车有限公司。2018年10月11日,宝马集团举行了中国战略协议签字仪式和华晨宝马铁西新工厂开工仪式。宝马对华晨宝马投资新增30亿欧元,合资协议延至2040年。 2018年12月18日,世界品牌实验室编制的《2018世界品牌500强》揭晓,宝马排名第16位。

www.bmwgroup.com
相关技术
5G技术

第五代移动通信系统(5th generation mobile networks),简称5G,是4G系统后的延伸。美国时间2018年6月13日,圣地牙哥3GPP会议订下第一个国际5G标准。由于物理波段的限制,5G 的网络也将会与其他通信技术并用,包含长距离的其他传统电信波段。

推荐文章
暂无评论
暂无评论~