Mac 选择 ARM，正如当年乔布斯选择 Intel，但变数更多了

如何运作?

智能手机装有执行多项任务的开关。其中一项主要任务是在网络和频谱频率之间切换：4G、Wi-Fi、LTE、蓝牙等。执行此任务的当前射频(RF)开关始终处于运行状态，这消耗了宝贵的处理能力和电池寿命。

来自德克萨斯大学奥斯汀分校和法国里尔大学的团队找到了解决方案。领导这项研究的考克雷尔工程学院电气与计算机工程系教授Deji Akinwande说：“与今天使用的开关相比，我们开发的开关在能源效率上高出50倍以上。” “它可以以100 GHz的频率传输HDTV流，这在宽带交换技术中是闻所未闻的。”

新开关保持关闭状态，除非其他步骤正在积极地帮助设备在网络之间跳转，否则可以节省其他过程的电池寿命。他们还展示了能够以高于5G速度的基线传输数据的能力。

美国国防高级研究计划局(DARPA)多年来一直在推动“近零功率” RF开关的开发。先前的研究人员已经在5G频谱的低端找到了成功，在5G频谱的低端，速度较慢，但数据可以传播更长的距离。

这是首款可在从低端千兆赫兹(GHz)频率到高端太赫兹(THz)频率的频谱上起作用的开关，有朝一日可能是6G发展的关键。

这项技术的影响已超越智能手机。卫星系统、智能无线电、可重新配置的通信，“物联网”和国防技术都是这些交换机其他潜在用途的例子。



 

我们从酒店热度、预定周期、节假日等多个维度进行了特征挖掘，最后却发现“季节”这个关键因素，我们却提取不到有效特征，原因是数据仓库里只有三个月的数据，也就是只有当季的数据。

为了解决这个问题，我们重新设计了模型，调整了架构方案，采用“在线学习”的方式，将模型更新问题纳入到了解决方案中。原始数据只用来训练一个初始模型，上线后，模型不断拿新产生的数据并进行迭代更新，同时对时间线更近的数据赋以更高的样本权重，以此来保证对季节性因素的跟进。系统上线后，取得了很好的效果。

4、 强化学习在初始数据缺乏的情况下，大多数时候也是一个备选方案。强化学习采用“试错”的方式，不断演化，并最终学到规律。当然这需要业务模型做相应的调整，同时，如果演化周期过长，那有可能模型在前期相当长的时间内，都不能做出较优的决策，因此需要业务容忍度较高。

3. 算力

众所周知，训练过程是一个典型的“计算密集型任务”，没有强大的算力，是难以支撑算法模型的训练和研究的。做机器学习的计算平台，GPU几乎是标配，其训练时间比CPU一般能缩短5倍以上。

目前，主要有自建和租赁云平台两种途径获取。如果“不差钱”，当然可以选择自建，但现在GPU升级换代太快，基本一年一换。对于做机器学习的GPU来说，运算速度是关键，很可能花了大价钱搭建的GPU集群，过几年却变成了一台“老爷车”。

租赁云平台虽然可以随时享受最新GPU运算速度带来的“快感”，但所需花费的精力也不少。不但要详细对比每家云平台提供的服务和成本，还要合理的搭配CPU和GPU，做到资源利用最大化。

说了这么多，提的最多的可能就是“成本”和“收益”这两个词了，这也是业务最关心的问题。无论是计算资源还是系统架构，上一套AI架构的解决方案都是需要投入相当大的成本的，如果选择得当，在一个合适的场景下，AI也是能带来相当不错的收益；但如果入不敷出，选择AI架构的解决方案就要慎重了。

最后，技术人员储备和法律因素也是上AI架构前需要考量的问题，前阵子还发生了国家工信部约谈AI换脸应用企业的事件。

AI是一场浪潮，它不仅带来了新的技术和行业，也给了老系统焕发新生命活力的机会。作为技术人员，我们不仅要拥抱新技术带来的挑战，更要清楚其技术选型的主要因素和背后的风险，这样才能屹立浪潮之巅。那么，你是否需要AI架构的解决方案呢？

 

（编辑：南通站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!