tx2的算力

邊緣計算非常適合應用於農業，因為農場經常處於偏遠的位置和惡劣的環境中，可能存在帶寬和網路連接方面的問題。

現在，想要改善網路連接的智能農場需要在昂貴的光纖、微波連接或者擁有一顆全天候運行的衛星上進行投資；而邊緣計算則是一種合適的、具有成本效益的替代方案。

智能農場可以使用邊緣計算來監測溫度和設備性能，以及自動讓各種設備（比如過熱的泵）減緩運轉或者關閉。

能源和電網控制

邊緣計算或許在整個能源行業都尤其有效，尤其是在石油和天然氣設施的安全監測方面。

例如，壓力和濕度感測器應當受到嚴密監控，不能在連接性上出差錯，尤其是考慮到這些感測器大多位於偏遠地區。如果出現異常情況——比如油管過熱——卻沒有被及時注意到，那就可能會發生災難性的爆炸。

邊緣計算的另一個好處是能夠實時檢測設備故障。通過電網控制，感測器可以監控從電動汽車到風力發電廠的一切設施所產生的能源，有助於相應作出決策來降低成本和提高能源生產效率。

其他行業領域的應用

其他可以利用邊緣計算技術的行業包括金融業和零售業。這兩個行業都使用大型的客戶和後端數據集來提供從選股信息到店內服裝擺放的各種信息，可以從減少對雲計算的依賴中獲益。

零售可以使用邊緣計算應用程序來增強顧客體驗。如今，許多零售商都在致力於改善店內體驗，優化數據收集和分析的方式對它們而言絕對很有意義——尤其是考慮到許多零售商已經在嘗試使用聯網的智能顯示屏。

此外，很多人使用店內平板電腦所生成的銷售點數據，這些數據會被傳輸到雲端或數據中心。藉助邊緣計算，數據可以在本地進行分析，從而減少敏感數據泄漏的風險。

總結

從可穿戴設備到汽車再到機器人，物聯網設備正呈現出越來越強勁的發展勢頭。

隨著我們朝著更加互聯的生態系統邁進，數據生成將繼續飛速增加，尤其是在5G技術取得騰飛，進一步加快網路連接以後。雖然中央雲或數據中心傳統上一直是數據管理、處理和存儲的首選，但這兩種方案都存在局限性。邊緣計算可以充當替代解決方案，但由於該技術仍處於起步階段，因此還很難預料其未來的發展。

設備能力方面的挑戰——包括開發能夠處理雲端分流的計算任務的軟體和硬體的能力——可能會出現。能否教會機器在能夠在邊緣執行的計算任務和需要雲端執行的計算任務之間切換，也是一個挑戰。

即便如此，隨著邊緣計算更多地被採用，企業將有更多的機會在各個領域測試和部署這種技術。

有些用例可能比其他用例更能證明邊緣計算的價值，但整體來看，該技術對我們整個互聯生態系統的潛在影響則可能是翻天覆地的。

原文鏈接：https://blog.csdn.net/hello_zybwl/article/details/89219832

mec試驗？

mec是邊緣計算技術（MobileEdgeComputing），mec是試驗是將mec的平台流量疏導、計費等原生的特性和5G雲功能結合所做的測試，是5G技術第二階段試驗的重點內容。

mec是支撐運營商進行5G網路轉型的關鍵技術，以滿足高清視頻、VR/AR、工業互聯網、車聯網等業務發展需求。伴隨著5G核心網SBA構架的形成和雲計算的快速發展，形成了現在的邊緣計算的技術形態。通過mec在全國重點城市的全面部署，以實現5G能夠嶄露鋒芒。

邊緣算力啥意思？

邊緣計算指以網路的「邊緣」為界的演算法，比如在智能網關和攝像機內部進行計算。不過將這些設備收集的全部數據進行存儲或是用於計算並不現實，其中的干擾信息或者冗餘信息太多，倘若處理不當還會使處理效果適得其反。

以海普森林防火監控系統為例。通過內置的煙火識別處理器傳輸tb級的視頻數據，但其中真正有價值的數據只是那些引起懷疑或非法活動的幾兆位元組，而邊緣計算就能很好的處理感興趣的目標數據。

另外，與雲計算相比，邊緣計算還可以減少對網路流量的阻塞，為更多關鍵任務的執行「留有餘地」。

② 實現人工智慧的三要素

數據——人工智慧的糧食

實現人工智慧的首要因素是數據，數據是一切智慧物體的學習資源，沒有了數據，任何智慧體都很難學習到知識。自從有記錄以來，人類 社會 發展了數千年，在這期間，人類 社會 不斷發展變化，從最早的原始 社會 到奴隸 社會 ，再到封建 社會 、資本主義 社會 、 社會 主義 社會 ，未來還會發展到共產主義 社會 ，在這漫長的發展過程中，都少不了數據做為人類 社會 發展的動力。

人類 社會 之所以發展的越來越高級文明，離不開學習知識，而知識的傳播流傳越快，則 社會 發展也越快，在封建 社會 以前，知識的傳播從口口相傳到甲骨文，再到竹簡記錄，就算是封建 社會 後期的紙質記錄，其知識的傳播速度也無法和今天的互聯網知識的傳播速度相提並論。

一般來說，知識的獲取來自兩種途徑，一種是通過他人的經驗而獲得的知識，也就是他人將知識整理成冊，然後供大家學習，這也是目前的主流學習方式；另一種就是通過自己的 探索 而獲得的知識，這種學習方式目前只存在高精尖領域的知識學習，由於在已有的開放 社會 資源中，找不到可以學習的知識，只有自我 探索 獲取。

無論哪種學習方式，都要通過學習載體來傳播知識，無論是面對面講述，實踐操作，還是書本記錄，或是電子刊物，亦或者影像資料等，這些都是學習載體，我們都可以稱其為數據，學習數據的質量從根本上影響了學習的效果，所以對於人類學習而言，找一個好的老師，有一本好的書籍都是非常重要的學習選擇。

既然人類的學習非常依賴於數據的質量，那麼AI學習知識的時候，是否也會存在同樣的問題呢？答案當然是肯定的，不僅如此，而且AI學習知識的時候對於數據的依賴還要高於人類。人類相比目前的AI而言，是具有推理能力的，在學習某些具有關聯性知識的時候，通過推理聯想可以獲得更多的知識。從另一角度來講，在某種特定場景下，即使數據不夠完整全面，對於人類的學習影響也不會太大，因為人類會利用推理和想像來完成缺失的知識。而目前AI的推理能力還處於初級研究階段，更多的難題還等著業內技術人員來攻克。

由此可見，目前AI學習知識大部分基本都是依賴於數據的質量的，在這種情況下，連人工智慧專家吳恩達都發出人工智慧=80%數據+20%演算法模型的感慨，可見人工智慧的「糧食安全」問題還是非常緊迫的，如果「糧食」出現了質量安全問題，那麼最終將會導致人工智慧「生病」。可見數據的好壞基本上大概率的決定了智能化的高低，有人會說，我可以通過提高演算法模型來提高效果啊，不幸的是，在數據上稍微不注意造成了質量問題，需要在演算法上歷盡千辛萬苦來提高效果，而且還不一定彌補得上，數據對於人工智慧最終的發展結構可見一斑。

算力——人工智慧的身體

算力是實現人工智慧的另一個重要因素，算力在一定程度上體現了人工智慧的速度和效率。一般來說算力越大，則實現更高級人工智慧的可能性也更大。算力是依附於設備上的，所以一般談論算力，都是在說具體的設備，比如CPU、GPU、DPU、TPU、NPU、BPU等，都是屬於算力設備，只是他們有各自不同的能力而已。具體介紹可以閱讀 《CPU、GPU、DPU、TPU、NPU...傻傻分不清楚？實力掃盲——安排!》 一文，介紹相當全面，從APU到ZPU，各種PU全部介紹完了，掃盲是夠了。

算力設備除了上面的各種PU之外，每一種設備下面還會分不同的系列，比如英偉達的GPU在PC端有消費級的GeForce系列，專業制圖的 Quadro 系列、專業計算的 Tesla系列 等，而GeForce系列細分還可以分為GT、GTX、RTX等，當然每種子系列下還可以繼續細分，比如GTX下面有GTX1050、GTX1050Ti......GTX1080、GTX1080Ti，還有GTX Titan等更強大的系列，RTX下面也一樣包括了更詳細的等級劃分，具體選擇哪個系列要看具體使用場景而定，當然還和自身的消費實力相關，算力性能越強大也意味著更多的真金白銀。

下面是RTX20系列的各種顯卡的性能對比：

RTX30系列的各種顯卡的對比：

此外，英偉達還有嵌入式端的各種顯卡系列，比如適用於自主機器AI平台的JetSon系列、DRIVE AGX系列、Clara AGX系列等，以及雲端的一些計算資源。同樣每種系列還是做了進一步的細分，比如Jetson下面就根據其算力核心數就分成了Jetson Nano、Jetson TX2、Jetson Xavier NX、Jetson AGX Xavier等四款設備。

對於廠家而言，產品分的越細，越利於宣傳和推廣，對於消費者而言，可選擇性也大大增加，但是也對消費者的基本知識也有了要求，如果不清楚各種產品的差異，那麼就很容易選擇錯誤，而現在的顯卡市場就是如此，需要一些專業的知識才能夠選對自己所需的顯卡類型。希望大家經過科普後都能夠選對自己的顯卡型號，是打 游戲 、制圖、還是計算，心裡要有一個對應的系列型號才行，不然可要陷入選擇困難症中了。

以目前人工智慧主流技術深度學習為例，它的學習過程就是將需要學習的數據放在在算力設備上運行，經過神經網路億萬次的計算和調整，得到一個最優解的過程。如果把數據當成人工智慧的「糧食」，那麼算力就是撐起人工智慧的「身體」，所有的吃進去的「糧食」都需要「身體」來消化，提取「營養」幫助成長。同樣，人工智慧的數據也是需要經過算力來逐一運算，從而提取數據的特徵來作為智能化程度的標志的。

演算法——人工智慧的大腦

演算法是人工智慧程序與非人工智慧程序的核心區別，可以這么理解，就算有了數據、有了算力，但是如果沒有核心算力，也只能算是一個看起來比較高大上的資源庫而已，由於沒有演算法的設計，相當於把一大堆的資源堆積了起來，而沒有有效的應用。而演算法就是使得這對資源有效利用的思想和靈魂。

演算法和前兩者比起來，演算法更加的依賴於個人的思想，在同一家公司里，公司可以給每個演算法工程師配備同樣的數據資料和算力資源，但是無法要求每個演算法工程師設計出來的演算法程序的一致性。而演算法程序的不一致性，也導致了最終智能化的程度千差萬別。

相對於數據是依賴於大眾的貢獻，算力是依賴於機構組織的能力，而演算法更加的依賴於個人，雖然很多公司是演算法團隊，但是真正提出核算演算法思想的也就是那麼一兩個人，毫不誇張的說其他人都是幫助搬磚的，只是這種演算法層面的搬磚相對純軟體工程的搬磚，技能要求要更高而已。這點和建築設計一樣，很多著名的建築設計，其思想都是來自於一個人或者兩個人，很少見到一個著名的設計其思想是由七八個人想出來的。

由於演算法設計的獨特性，和數據與算力相比，在人工智慧的三個要素中，演算法對人工智慧的影響更大，這是因為在平時的工作當中，只要大家花上時間和費用，基本都可以找到好一些的數據和算力設備，但是演算法由於其獨特性，很多的演算法是有專利或者沒有向外界開源的，這個時候的差異就要在演算法上體現出來了。

現在的大學和培訓機構的人工智慧專業，其學習方向也主要是以演算法為主。因為數據是由大眾產生，又由一些互聯網大廠存儲的，一般個人很少會去做這一塊；而算力設備是由晶元公司控制著的；做為獨立的個人最能夠發揮效力的就在人工智慧的演算法方向了。培養優秀的演算法人才對於人工智慧的發展至關重要。目前市場上關於圖像視覺、語音信號、自然語言、自動化等方向的演算法工程師供不應求，薪資水平也是遠超其他互聯網軟體行業的崗位。

後記：

當前，國內人工智慧發展正處於高速成長期，未來將會進入爆發期，無論從業者是處於人工智慧的數據處理方向，還是人工智慧的算力設備研發方向，或者是人工智慧的演算法研發方向，都將會迎來巨大的行業紅利和豐厚的回報。而人工智慧演算法方向又是學習回報比最高的一個方向，做為沒有背景的個人，是進入人工智慧行業的最佳選擇 。

文/deep man

③ 英偉達在自動駕駛領域圈地：拿出超算力晶元還收獲了兩家中國公司

對於完全實現自動駕駛的L5級別無人駕駛計程車，英偉達將製造出每瓦算力100TOPS的產品。

簡單總結就是，獲得英偉達初創企業展示的企業，可以通過最直接的渠道獲得英偉達提供的不僅限AI技術的能力，而是是高性價比。

GregEstes在采訪中透露，「英偉達計劃項目已覆蓋全球近7000家AI初創公司，英偉達希望通過英偉達初創企業展示可在產品開發、原型設計和部署的關鍵階段助力初創企業發展，每家成員企業都能夠持續獲得為其量身定做的助力權益，這為初創企業的發展提供了基本工具。」

當前，自動駕駛技術正處長快速發展期，經過上半場的融資、技術融合，自動駕駛下半場必將進入技術落地階段，初創公司如何能夠在新一輪技術爆發中快速突圍，除了擁有過硬的自身技術實力之外，更需要英偉達這樣的成熟的AI公司進行賦能。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。