動(dòng)態(tài)
-
發(fā)布了文章 2025-11-12 09:40
量子AI，芯片的新解藥
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(jí)。幾十年來(lái)，硅一直是計(jì)算機(jī)發(fā)展的主要驅(qū)動(dòng)力，但摩爾定律如今已接近極限。隨著對(duì)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(shì)，供應(yīng)鏈面臨的壓力前所未有。這就是人工智能和量子計(jì)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 -
發(fā)布了文章 2025-11-11 08:32
半導(dǎo)體行業(yè)能從游戲行業(yè)借鑒的5大經(jīng)驗(yàn)
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(dòng)力，小到智能手機(jī)，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(chǎng)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(jì)團(tuán)隊(duì)陷入停滯，進(jìn)而拖累創(chuàng)新步伐。與之形成鮮明對(duì)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) -
發(fā)布了文章 2025-11-10 10:41
4種神經(jīng)網(wǎng)絡(luò)不確定性估計(jì)方法對(duì)比與代碼實(shí)現(xiàn)
回歸任務(wù)在實(shí)際應(yīng)用中隨處可見——天氣預(yù)報(bào)、自動(dòng)駕駛、醫(yī)療診斷、經(jīng)濟(jì)預(yù)測(cè)、能耗分析，但大部分回歸模型只給出一個(gè)預(yù)測(cè)值，對(duì)這個(gè)值到底有多靠譜卻只字不提。這在某些應(yīng)用場(chǎng)景下會(huì)造成很多問題，比如用模型預(yù)測(cè)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(shí)對(duì)這個(gè)預(yù)測(cè)很不確定呢？這時(shí)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(cè)的同時(shí)估計(jì)不757瀏覽量 -
發(fā)布了文章 2025-11-07 13:16
-
發(fā)布了文章 2025-11-06 13:42
-
發(fā)布了文章 2025-11-04 10:51
-
發(fā)布了文章 2025-11-03 11:40
機(jī)器視覺缺陷檢測(cè)中傳感器集成的五大關(guān)鍵
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(jī)器視覺能夠自動(dòng)化部分或全部缺陷檢測(cè)任務(wù)，但僅靠技術(shù)本身無(wú)法帶來(lái)顯著改進(jìn)。必須理解并優(yōu)化整個(gè)機(jī)器視覺檢測(cè)流程，這項(xiàng)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(jī)器視覺雖然令人印象深刻，但它僅僅是一個(gè)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(jī)器視覺系統(tǒng)集成到缺陷檢測(cè)中的五個(gè)關(guān)鍵步驟。一、明確缺陷定 -
發(fā)布了文章 2025-10-31 12:04
這些芯片工程師，難被AI取代
來(lái)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(bǔ)了人才短缺的空白，但仔細(xì)觀察就會(huì)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(lái)很可能還會(huì)持續(xù)下去。模擬設(shè)計(jì)的深?yuàn)W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。 -
發(fā)布了文章 2025-10-30 12:06
AI芯片市場(chǎng)鏖戰(zhàn)，GPU與ASIC誰(shuí)將占據(jù)主動(dòng)？
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(jì)算、自動(dòng)駕駛等領(lǐng)域的深度滲透，核心算力硬件的競(jìng)爭(zhēng)進(jìn)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(dú)特優(yōu)勢(shì)占據(jù)細(xì)分市場(chǎng)，同時(shí)也面臨著技術(shù)迭代與市場(chǎng)需求變革帶來(lái)的挑戰(zhàn)。GPU憑借其與生俱來(lái)的并行計(jì)算基因，成 -
發(fā)布了文章 2025-10-29 11:06
LLM安全新威脅：為什么幾百個(gè)毒樣本就能破壞整個(gè)模型
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(huì)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(shí)性攻擊；而投毒直接改寫了模型的權(quán)重893瀏覽量
