從零起步到趕日超美,韓國如何制霸全球存儲27年?

導讀:在巨頭環伺時另起爐灶,從零技術基礎起步,到技術領先全球,再到用市場手段逼退競爭對手,韓企如何一步步稱霸全球存儲芯片市場?

全球存儲芯片業正被持續裝進韓企的口袋。

繼最近SK海力士官宣收購英特爾NAND閃存業務及其位於大連的Fab 68廠後,SK海力士相對薄弱的NAND實力得到進一步補足。

作為全球存儲芯片前年老二,SK海力士一直在老大三星的光環下承壓前行。這兩家韓國公司的版圖,已覆蓋超過72%的全球DRAM市場和超過45%的全球NAND閃存市場。

憑藉暴利的存儲芯片,三星和SK海力士一路賺得體滿缽滿,不斷擴充疆域、擴大投資,付諸各種努力捍衛這塊血賺的地盤。

回顧韓企存儲芯片上位史,這是一個頗為勵志的故事,在巨頭環伺時另起爐灶,從零技術基礎起步,到技術領先全球,再到用市場手段逼退競爭對手,韓企如何一步步稱霸全球存儲芯片市場?這是一個極其值得分析的經典案例。

一、從零,到第一

全球存儲芯片第一的板凳很難捂熱,美國日本各坐了十年左右,而韓國一直坐到今天。

起初英特爾在70年代前後憑存儲器起家,當了十年的存儲器老大;然後80年代日本憑藉集中五家企業的實力集中力量攻關技術,火速攻占存儲市場,帶領日本半導體走向世界巔峰,甚至一度將美國矽谷企業打得毫無還手之力,英特爾被逼到差點倒閉。

等美國看不慣日本半導體崛起、出手打壓的時候,早已蓄力的韓國三星、SK海力士等企業開始明奪市場,一邊靠逆勢擴張競爭,另一邊積極抱美國大腿。

美韓聯合下,日本半導體兵敗如山倒,日企存儲芯片界僅存的“獨苗爾”必達在2012年宣告破產,被美國美光科技併購。

不過爾必達曾佔有的市場,卻並沒有隨著併購而通通裝進美光的口袋,相當一部分市場被三星和SK海力士進一步蠶食。

從TrendForce數據可以看到,2011年第一季度,全球DRAM市場前五分別是韓國三星、SK海力士、日本爾必達、美國美光科技、中國台灣南亞科技,兩家韓企合計市佔率約為62.7%,爾必達和美光合佔近1/4的市場。

而到2017年,兩大韓廠DRAM市佔率合計達74.2%,較2011年佔比更大,第三名美光僅佔不到1/5的全球市場。

存儲芯片業務給三星和SK海力士帶來了豐厚的回報。 2017年得益於存儲芯片價格持續上漲,三星半導體部門收入首次超過英特爾,成為全球銷售額最高的半導體企業;SK海力士也在同一年營收超過美光,位列全球第三。

2019年受存儲芯片價格回落影響,三星、SK海力士、美光等均出現業績下滑,但這並不影響這兩家韓企的半導體銷售額穩居全球前四。

從1993年三星首次登頂起,內存產業格局風雲變幻,當年開創DRAM芯片先河的英特爾、德州儀器、IBM等元老在20世紀末退出市場,德企奇夢達、日企爾必達破產,三星、 SK海力士、美光三家壟斷超過90%的市場份額。

如今,六大玩家瓜分99%市場的NAND閃存領域中,排名第六的SK海力​​士上週又宣布要收購排名第五的英特爾NAND業務。如果這一交易順利完成,SK海力士有望躍升至NAND市場第二或第三名,而韓企將坐擁全球NAND領域的半壁江山。

當然了,地位最穩的仍是三星,這家存儲芯片技術和市場都遙遙領先的韓企,已經穩坐全球存儲芯片老大的位置長達27年。

二、暴走三星,“自殺式”逆襲上位

三星能從零技術背景到成功問鼎全球第一,有幾個因素功不可沒。

首先要有足夠資本擔得起風險。技術研發、規模生產都離不開大量資金投入,尤其在價格下跌、產能過剩的存儲器低谷時期,沒有充足的資金,很難撐過虧損的逆境。

而三星是韓國政府扶持的家族企業,足夠有錢,可以任性。在半導體事業起步階段,三星宛如孤注一擲的賭徒,一邊負債累累,一邊持續進行“自殺式”投資,不斷砸重金研發擴產。

關鍵底氣是核心技術實力過硬。三星就成功走出了一條從技術複製到創新超越的路。

三星1983年剛開始研發DRAM時,沒有任何技術基礎,先是從美日企業購買技術授權,派專家趕赴美日企業學習,進而開發出第一款64KB DRAM,與世界先進技術之間的差距逾4年。

隨後三星從美日網羅大量半導體人才,不顧虧損大力投資技術研發。僅用6年時間,三星便研發出領先全球的16M DRAM,實現技術前進5代。隨後1993年,三星因16M DRAM量產躍居存儲芯片市場第一,從此蟬聯至今。

擴張存儲器市場,三星有一大殺招——押注“逆週期定律”。當存儲器市場不景氣,其他企業削弱投資、減少生產時,三星反其道而行之,冒著血虧的風險繼續投資和擴大生產規模,通過規模效應壓低成本,進一步加劇行業虧損,逼對手紛紛出局。

這種逆勢擴張策略,三星在20世紀80年代、90年代,以及2008年金融危機前後均曾實施。

經過二十幾年的競爭,內存生產廠家從上世紀80年代的四五十家,到2008年僅剩韓國三星與SK海力士、德國奇夢達、美國美光、日本爾必達五家。 2008年內存價格再次暴跌,幾年後奇夢達、爾必達先後破產,韓企迎來全面勝利。

強大的市場調研能力也至為關鍵。三星充分發揮豐富的市場調研能力,將優秀人才提拔為市場調研專員派往各個國家和地區,準確把握市場變化和需求,為經營決策提供參考。

信息收集帶來的精準數據分析,輔助三星預判到時代更迭帶來的空前機遇。 90年代個人電腦(PC)取代大型機成為主流,DRAM需求發生變化,日企陷入創新窘境,被韓企用更加便宜、小巧、方便的技術戰勝。 Continue reading

沃爾瑪終止以機器人追踪庫存,零售巨頭為什麼這麼做?

眾所周知,美國零售巨擘沃爾瑪(Walmart)近年來積極擁抱新科技,並大量投資機器人,包括自動拖地機器人、貨架掃描機器人、快速裝卸貨裝置及取貨塔等,試圖從一些低技術、重複性高的工作中解放人力。

不過據外媒最新消息指出,沃爾瑪近日取消了運用機器人揀貨、查價的計劃,這也逆轉了過去以自動化機器人協助運營的作法,因為沃爾瑪發現:人工處理的效果不亞於機器人。

沃爾瑪先前與零售機器人公司Bossa Nova Robotics簽定了五年的合約,在其店內導入用於協助監控及追踪貨架商品庫存情況的機器人。不過,由於疫情的爆發,越來越多的消費者選擇在線上訂購商品,沃爾瑪也因此安排了更多的人力頻繁行經貨架過道處理這些訂單,連帶收集庫存狀況相關數據,結果發現人力的效果不亞於Bossa Nova的機器人,因此決定終止合約。另也有說法認為,擔憂機器人影響店內顧客的購物體驗,也是計劃叫停的原因之一。

受到沃爾瑪合約取消的影響,Bossa Nova近日大舉裁減了將近50%的員工,目前正試圖尋找新客戶及軟件企業。

無論如何,沃爾瑪的舉動無疑是敲響了機器人行業的警鐘。

麻省大學阿默斯特分校(UMass Amherst)機械及工業工程助理教授兼人機系統實驗室主任Meghan Huber指出,人工可以執行許多不同的任務,「根據店內需要,他們可以馬上從收銀台轉移至倉庫,但大多數商用機器人的功能是有限且不靈活的。以沃爾瑪例子來說,真人員工可以檢查貨架還能同時為顧客找尋商品,但機器人只能做到前者。」

自1960年代以來,機器人開始顯示出其商業價值,起初先是在汽車工廠車間大顯身手,接著於近十年開始逐步導向電子商務倉庫,對於機器人的應用也有了越來越多的想像。然而事實證明,將機器人用於其他應用及行業並不那麼容易。

「從很多方面來說,機器人是人類有史以來最困難的工程,」Vecna Robotics創辦人兼CEODaniel Theobald表示,「學習是用於區分一項新工具使用是否困難的關鍵,而且除非你實際學習,不然難以知曉。」機器人的採用主要關乎於其提供的價值,否則從開發到導入往往得花費更長的時間。

以自動駕駛汽車市場舉例,許多人預期自動駕駛將被大量採用,但該產業仍在學習階段。與真人駕駛將比,自動駕駛汽車安全完成這項工作的成本也更高昂。在某些情況下,例如公路自動駕駛技術(卡車運輸)是有意義的,但短期內,自動駕駛出租車之類的可能就不是那麼重要。

此外,機器人業界也開始重新考慮一些戰略性問題,畢竟企業成功的關鍵不只在技術層面。 Lumin Robotics公司CEOChristian Fritz說:「對我而言,沃爾瑪的新聞主要是證實了目前機器人科技中最困難的部分不是技術,而是尋找合適的市場契合度。」

Christian Fritz認為,當前的機器人產業正處於「過渡」階段,新創公司要成長並意識到,首先要找到一個值得解決的問題,然後針對這個問題建構出完美的產品。 「坦白說,現在有一些新創就是反過來做。要知道,就連iRobot都在開始造掃地機器人之前,專門花了好幾年的時間,為自己的錘子(產品)找釘子(受眾)。」

機器人技術正在變得愈來愈好並更具成本效益,沃爾瑪的案例可能只是短暫的挫折。 Trax零售解決方案執行副總裁Mark Cook指出,自動化解決方案必須準確、可行且可持續,「否則供應商最終仍會失去零售業者及員工的信任。當數據無法有效運用時,只會為合作夥伴增加額外的工作量。」對於沃爾瑪稱「人類效果一樣好」一事,Mark Cook表示:「我不認為僅依靠人類收集數據是正確的方法。」

Bossa Nova競爭對手Simbe Robotics的聯合創始人兼CEOBrad Bogolea表示,Bossa Nova的失敗並不意味著市場上的零售機器人都沒有必要性,畢竟許多數據方面的工作單靠人力根本無法解決。 「準確的即時貨架洞察力不僅包括確認是否缺貨,而是從投資報酬率的角度來看,準確地定價及促銷(即快速糾正價格錯誤的產品),還有產品位置信息,這些都同樣重要。」他強調,零售機器人的未來仍令人振奮,「而且才剛起步而已。」

AI機器狗開發公司KODA執行長John Suit指出,在自動化方面,「機器人是身體,而人工智慧則是大腦。要使機器人技術成功實現自動化,就需要一個足夠靈活的架構來執行任務並解決執行過程中遇到的任何挑戰,其中的關鍵即在於人工智能。具體來說,就是使用的AI類型。」

目前大多數機器人都依賴集中式AI系統,這意味著有個「大腦」連接到中央服務器以處理技術並學習功能;不過,機器人自動化的未來卻是分散式AI網路。 「這會帶來豐富的經驗與挑戰,可以在多種情況下促進推理及學習。當機器人克服了這些挑戰後,其獲得的知識將可與未遇到挑戰的機器人共享,從而使它們可以處理問題並採取相應的行動。」

量子計算總是混合的,這需要不斷協調

現代計算革命是由中央處理器(CPU)的發展推動的,隨著時間的推移,CPU變得更小、更複雜。這種發展最終形成了微處理器,今天我們使用的CPU的主要形式。在這個過程中,出現了更專業的芯片——圖形處理器(GPU)、現場可編程門陣列(FPGA)和專用集成電路(ASIC)。每一種專用芯片都能加速和改善不同維度的處理性能,並解鎖新的計算能力。

量子的出現,為計算能力下一個變革做了準備

每一個新的計算選項的出現都會促進計算能力的混合發展。現在,我們不再簡單地將指令發送到CPU,可以跨一系列設備進行計算,每種都可以解決一組特定的問題。

計算選項的增加同時也複雜化了計算環境。這種複雜性帶來了兩個挑戰,一是設計上需要創建穩定和可擴展的架構,以便於執行多設備計算的作業。二是確保以高效、優化和可重複的方式實際運行這些工作。換句話說,我們不僅要設計多設備架構,還需要在它們之間協調計算。

通過這樣我們可以更好地理解量子堆棧。量子堆棧是一個包含量子計算設備的堆棧,這些設備使用的計算能力都是混合型的。堆棧的結構必然涉及經典處理器和量子計算設備。即使在今天的單個量子算法中,計算也是在經典處理器和量子處理器之間共享的。

量子堆棧的結構反映了複雜性

結構的複雜性還因現實情況變得更複雜:就像在其他體系結構中訪問高性能GPU和HPC資源一樣,現在和將來對量子設備的訪問是遠程化的。

同時,為了保護其不斷發展的IP,嘗試量子能力的組織也會嚴重依賴自己和內部的私有云資產。

量子硬件和軟件繼續發展

因為量子硬件和軟件都在不斷發展,量子堆棧的架構及其組件的編排必須允許一定程度的"交換能力"。也就是說,量子體系結構要有一定程度的靈活性,使組織能夠在不受任何一種解決方案束縛的情況下,嘗試新技術和新的協調方式。在量子相關技術的設計中,對互操作性的強調預示著對適應性的持續需求。

量子堆棧的混合性質

除了描述混合量子體系結構的一些獨特特徵外,還包括:

第1, 量子堆棧的混合特性反映了在計算設備的體系結構中存在著更廣泛的混合趨勢。

第2, 量子器件與各種經典器件之間的內在差異意味著它們不會相互取代。

第3, 混合體系結構固有的複雜性要求編排工具能夠簡化和優化它們的性能。

經典與量子的相對優勢

經典器件和量子器件有相對優勢,至少在一定程度上反映了它們的相對成熟程度。最早的機械計算設備可以追溯到19世紀中葉,第一台可編程計算機出現在20世紀30年代中期。從那時起,經典計算機不斷發展,大致以摩爾定律為主。今天,它們執行一系列不可思議的功能,包括量子設備的模擬。

20世紀的量子計算

量子計算是20世紀的產物。量子物理學的理論在20世紀20年代才合併,理查德·費曼直到1982年才提出量子計算裝置的基本構想。也就是說,量子處理技術正在接近一個臨界點,在某些情況下,它將超越經典設備。

量子設備——不斷變得更加強大

隨著量子器件的不斷改進,在某些功能上會比經典器件的功能更強大。傳統的器件依賴於二進制位,二進制位的值可以是1或0,而量子器件依賴於可以同時以兩種狀態的線性組合存在的量子比特。

一個量子位的狀態也可以與其他量子位的狀態糾纏在一起,這意味著一個量子位的行為可以影響許多量子位的行為。由於這些獨特的特性,添加更多的量子比特會產生一種網絡效應,這種效應會迅速地給量子設備帶來比經典替代品更多的計算能力。

鑑於這些差異,我們應該如何看待經典和量子計算設備的相對優勢?

現在和將來,從數據準備和參數選擇到後處理、繪圖和某些類型的數據分析,經典計算將是最好的。目前,高性能計算機和超級計算機也是分析海量數據集的最佳工具。

當然,經典裝置在某些情況下所具有的優勢並不僅僅是由於這些裝置的固有特性。它們也源於這樣一個事實,即已經建立了針對這些用例的最佳實踐、優化和工俱生態系統。

量子的力量

量子的一個相對優勢在於它能夠通過從多個方向對數據進行廣泛分析,從小數據集中提取信息。當數據難以獲取時,這些能力將對機器學習和建模複雜但罕見的現象(如金融危機和全球流行病)的演變產生重大影響。

量子計算允許增強從概率分佈中取樣的能力,而這些概率分佈是用經典技術很難取樣的。這在解決優化和機器學習問題方面有許多應用,例如生成模型。

最後,正如理查德·費曼首次提出的那樣,量子器件可以用來模擬量子系統,比如分子間的相互作用,這是經典器件永遠做不到的。

量子器件不會取代經典器件

量子設備可以用來解決特定的問題,特別是在經典計算機上難以解決的問題。量子技術的內在能力將使它能夠加速生物、化學、物流和材料科學的進步。

長時間以來,整個計算領域都趨向於混合模式的發展。量子計算遵循這一趨勢,主要是因為混合模式提供了一種特殊形式的計算能力。

由於在早期很少有企業願意投資(或有能力負擔得起)量子硬件,因此他們建造出可以根據需要訪問量子設備的經典架構。

人們預測到量子破壞的組織——化學和材料科學、製藥、金融服務、物流、安全等——應特別專注於開發這些體系結構,並培養其他必要資源,以確保量子就緒。

除了經典的計算能力,這些資源還包括量子所需的人才和內部專業知識。

量子未來 Continue reading

鞋內傳感器和移動機器人可以幫助老年人保持活躍

導讀:史蒂文斯和哥倫比亞大學的多學科研究人員合作開發了一種創新的輔助設備,以幫助老年人保持平衡和運動。


史蒂文斯理工學院的研究人員正在利用一些最新的機械和機器人技術來幫助我們一些最老的人群保持健康,活躍和獨立。

電氣和計算機工程和機器人與自動化實驗室主任的Yi Guo教授,和助理教授機械工程和可穿戴式機器人系統實驗室主任達米亞諾Zanotto,在史蒂文斯學院助理教授Arts and Letters和哥倫比亞大學醫學中心的Ashwini K. Rao合作研究中將一個輔助移動機器人伴侶與可穿戴式鞋內傳感器結合在一起,該系統旨在幫助老年人維持他們賴以生存的平衡和運動。

郭說:"平衡和運動對於這個人來說可能是重要的問題,如果老年人跌倒並受傷,他們保持健康和運動的可能性就會降低。" 因此,他們的適應水平和表現下降。我們的移動機器人伴侶可以通過保持良好的步行功能來幫助減少摔倒的機會,並為健康的生活方式做出貢獻。 “這些移動機器人旨在引導步行,並使用鞋內傳感器監控用戶的步態,指出問題並調整鍛煉速度和步伐。該計劃是國家科學基金會為期四年的研究項目的一部分。

“我們首次將可穿戴式傳感技術與自動移動機器人相集成,"扎努託說,他在哥倫比亞大學醫學中心與老年人一起工作了三年,然後於2016年來到史蒂文斯。這些不同的專業領域可以利用可穿戴傳感技術的優勢,例如精確捕獲人類運動,並具有移動機器人技術的優勢,例如更大的計算能力。

該團隊正在開發算法,融合智能,通俗易懂的鞋內傳感器和先進的車載傳感器中的實時數據,以告知機器人的導航協議並控制機器人與老年人互動的方式。這是一種幫助老年人安全地進行步行鍛煉並維持其生活質量的有前途的方法。

充分發揮實驗室的優勢

智能機器人和智能鞋墊的示意圖

擬開發的集成機器人和可穿戴傳感器系統通過讓受試者參與並提供反饋來指導步行鍛煉。機器人內置傳感器和智能鞋墊相結合,可提供自主的在線步態評估。

Guo和Zanotto正在與社交和健康心理學專家Lytle合作,以實現社交連接能力,並使人與機器人之間的雙向交互對老年人更加直觀,引人入勝且有意義。

Zanotto說:"特別是在COVID期間,對獨自生活的老年人與家人和朋友進行社交聯繫非常重要,並且機器人同伴還將提供電話會議工具,以直觀,透明的方式進行互動。"

郭說:"我們希望使用該機器人實現社交聯繫,也許將其與Alexa等對話代理集成。" “目標是使它成為一個伴侶機器人,該機器人可以感知,例如,您正在做飯,或者您在客廳裡,並且可以幫助您在該處做些事情。"

“作為工程師,我們傾向於在實驗室中工作,試圖優化我們的算法,設備和技術," Zanotto指出,"但最終,除非影響現實生活,否則我們的工作價值有限。看到如何將我們在實驗室中開發的設備和技術應用於真實的人們,這真是令人著迷。"

 在疫情中保持前進

“今年夏天和秋天,學生們首次驗證了該系統的實時能力,該能力可以監測和評估步行過程中的動態穩定性餘量,換句話說,就是評估跟隨機器人的人是否正常步行或跌倒的危險。他們還正在為機器人設計參數,以提供預警和反饋,以幫助人類受試者在行走時糾正姿勢和步態問題。"

這些警告實際上會在腳下,因為鞋內傳感器會像振動的手機一樣脈動,以向對像傳遞即時的方向信息。

“我們不是第一個使用這種觸覺刺激技術的人,但是這種應用是新的," Zanotto說。

到目前為止,該團隊已在頂級的機器人技術出版地點發表了論文,其中包括有關神經系統和康復工程的IEEE Transactions和2020 IEEE國際機器人技術與自動化大會(ICRA)。這是實現協同效應的重要一步,這種協同作用使工程師的技術專長可以集中於對生物識別技術的臨床關注以及各地老年人的真實生活。

算力不能被壟斷!多所大學研究者呼籲:要填上AI中的計算鴻溝

當我們已經對充斥生活方方面面的AI技術習以為常時,有時候卻會忽略一個問題,為什麼那些應用和軟件都來自於那“幾個公司”?

據新財富統計的中國前30大APP,7成隸屬阿里或騰訊旗下,兩家公司分別都已構建起十萬億投資帝國,分割中國應用生態市場,試圖負責中國人民的“衣食住行”;而在美國,從IBM到微軟、谷歌,壟斷傳聞頻頻爆出……而這些公司業務的快速擴張和地位的不斷提升都離不開背後的AI力量,不到十年的時間過去,AI卻似乎從學術屆的“白月光”變成了科技巨擎之間角力的砝碼,有著普通企業不能承受的“千鈞之重”。

這種AI創新“貧富分化”的背後,是算力的不平等,是只有大公司和名牌強校才能承擔得起的研究成本。

近日,弗吉尼亞理工大學和加拿大西安大略大學的研究人員Nur Ahmed和Muntasir Wahed就算力加劇AI研究不平等的問題進行研究,並在arXiv發表了題為《人工智能的非民主化:深度學習與人工智能研究中的計算鴻溝(The De-democratization of AI:DeepLearning and the Compute Divide in Artificial Intelligence Research)》的論文,該論文從頂會論文發表、研究資金投入和科研人才流動等方面解釋了AI研究不平等的產生。

論文鏈接:https://arxiv.org/abs/2010.15581

一、名校大廠強強合作,頂會論文佔半壁江山

在論文中,研究團隊調研了從2000到2019年,包括ACL、ICML和NeurIPS在內57個頂會中涵蓋計算機視覺、數據挖掘、機器學習和自然語言學習等領域的171394篇論文。

▲2000-2019,一個會議年中各學術機構平均採納論文數

從上圖可以看出,QS前五十的學校和AI公司是AI頂會中的主力軍。

在一個會議年的903篇論文中,QS前五十的學校平均發表66篇頂會論文,是第二、三檔學校(QS51-100、QS101-200)的近乎兩倍,而AI相關公司也勇奪第二,平均發表約42篇論文。

▲2000-2019年,各頂會中校企合作論文比例

而近年來,AI領域校企合作的這股“大風”,也可以從論文合作的數目中很明顯地看出來。

各領域校企合作論文的比例都有不同程度的上漲,其中KDD(數據挖掘頂級會議)中合作論文在2020年比例超過50%,ICCV(國際計算機視覺大會)達到45%。

無論是數據挖掘,還是計算機視覺,深度學習都是其中很重要的一部分,而這時候,頂級大學和公司的資金優勢就不言而喻了,畢竟訓練像AlphaGo Zero和GPT-3這樣的大型模型需要價值數百萬美元的計算資源。

根據2019年年度AI研究排名,斯坦福大學、MIT、卡內基梅隆大學,加州大學伯克利分校和微軟列為領先AI研究會議的六大貢獻者。

二、學術界人才流失,計算鴻溝問題初現

規模較小的學校通常也缺乏資金支持來發展前沿科技,而這時,科技巨頭通過向AI研究投入大量資金和高額薪酬,將學術界人才納入麾下,加速了學術界人才的流失。

論文中也證實了這種人才流動導致的科技水平變化,自深度學習興起以來,QS 301-500的大學在頂會中的論文平均減少了六篇,比預期少了25%,而世界500強、科技巨頭和頂尖大學論文發表情況卻截然不同。

論文作者Nur Ahmed和Muntasir Wahed表示:“就我們所知,這篇論文首次證實了資金、設備等因素對AI領域企業和學校產生的巨大影響。我們認為深度學習的興起極大地提高了計算能力和數據的重要性,進而通過增加成本而提高了准入門檻。”

在分析AI領域趨勢時,Nur Ahmed和Muntasir Wahed將人工智能的發展歷史劃分為兩個階段。第一個階段是從1960年代到2012年左右,那時使用通用的硬件來訓練AI;在2012年後即是第二個階段,深度學習和如GPU等專門設計的硬件重新定義了AI。 Continue reading

華為以151億美元的價格出售榮耀手機業務

據報導,華為將斥資1000億人民幣(合151億美元)出售旗下的智能手機品牌——榮耀。路透社稱,買家是由數字中國集團和科技投資公司牽頭的財團,買家的背後支持者是華為總部所在地深圳的市政府。

如果消息是準確的,這個價格遠遠超過了數字中國集團上個月提出的150-250億元人民幣(23-38億美元)的報價,該集團是榮耀智能手機的主要經銷商。

據小道消息稱,這筆交易幾乎囊括了榮耀所有的資產,包括品牌、研發能力和供應鏈管理。

如果交易順利進行,數字中國集團顯然將成為被出售實體榮耀終端有限公司的"前兩大股東",持股比例接近15%。榮耀終端有限公司成立於今年4月,是華為旗下的一個子公司。

據知情人士透露,其他股東將是"至少三家"得到深圳政府支持的投資公司,每個公司擁有10%-15%的股權。

報導稱,數字中國集團計劃用銀行貸款為此次收購融資。該公司在2001年從聯想分拆之後,在香港證券交易所上市。

關於此次出售背後的說法是,以美國為首的對華為供應鏈的壓迫使華為放棄利潤已經微薄的低端智能手機業務,轉而專注於高端手機和麵向企業的業務。值得一提的是,被收購的榮耀不會再受到美國對華為的製裁。

關於華為出售榮耀業務的這個可能,有人覺得這不是個正確的決定。路透社引用市場研究公司Canalys負責移動業務的副總裁Nicole Peng表示:"考慮到榮耀品牌與華為智能手機產品的高度互補性,這似乎是一個激烈的舉措。"

但是,消息稱買家已經有了退出策略。該計劃顯然是在三年內上市,同時保留大部分管理團隊和七千多名員工。

T-Mobile, Verizon, U.S. Cellular認可5G固定無線網絡

根據5G行業的一些大公司稱,固定無線網絡服務正在以一種快速的方式增長。

“我們已經為數百萬在競爭中服務不足的客戶提供了T-Mobile家庭互聯網接入服務。但我們才剛剛開始。正如我們在與Sprint合作的頭幾個月所看到的,我們的合併網絡將繼續為我們的客戶釋放利益,為不久將5G引入家庭互聯網打下基礎,"Dow Draper說,他是Sprint前高管,現在是T-Mobile新興產品的執行副總裁。

T-Mobile最近在2000萬美國家庭中推出了基於4G的固定無線接入(FWA)服務;週一,該公司將該服務擴展到9個州的130個城鎮。 (該公司職員表示,這一擴張覆蓋了"數百萬"戶家庭,但沒有提供具體細節。)

明年,T-Mobile表示將推出5G版本的服務,並表示到2027年,該服務將覆蓋50%的美國家庭。

帕特森諮詢集團(Patterson Advisory Group)的顧問吉姆·帕特森(Jim Patterson)在每週的時事通訊中寫道:"我們的有線電視提供商一直在努力保持變焦視頻的工作(以至於我通過手機而不是電腦訪問音頻)。他說,他轉而使用T-Mobile新推出的4G固定無線服務,現在支持在電視、智能手機和筆記本電腦上播放流媒體,速度在50-70Mbit/s之間。

他還指出,T-Mobile可能很快推出新的新媒體電視套餐,以折扣價提供移動、電視和固定互聯網服務。

“洋紅色(T-Mobile的公司顏色)會不會像15年前時代華納(timewarner)、考克斯(Cox)和Cablevision(Cablevision)那樣,對有線電視使用同樣的捆綁工具?"他寫道。 “誰會先到那裡?有吸引力的家庭計劃定價的有線電視,還是集成到2-3億個POP中的2.5GHz的T-Mobile[存在點,人口測量]?這可能是2021年最重要的問題之一。"

Verizon的5G FWA接收效果不一

Verizon也在通過4G和5G拓展FWA業務。該公司於2018年推出了毫米波(mmWave)頻段的5G產品,但近幾個月來,由於增加了支持更強大的客戶樓宇設備(CPE)的新芯片組,Verizon開始擴大覆蓋範圍。該公司CEO最近形容5G家庭是一項"變革性業務"

然而,對新更新的服務的測試似乎好壞參半。例如,PCMag報告說,Verizon只向芝加哥和明尼阿波利斯的少數客戶提供5G家庭發射機,這種情況似乎沒有反映出高通公司為運營商的CPE開發的新芯片組所支持的更廣泛的覆蓋範圍。

然而,信號研究小組的邁克·泰蘭德說,他最近在明尼蘇達州的明尼阿波利斯聖保羅地區測試了這項服務,發現Verizon能夠使用約400MHz的毫米波頻譜,在大約1公里的距離內傳輸1到2千兆比特/秒,包括在視線和非視線配置中。

“大功率CPE是一個巨大的遊戲規則改變要素,"Thelander在LinkedIn上寫道。

不走尋常路

事實上,由更強大的固定5G服務支持的更廣泛的覆蓋範圍也可能對農村市場產生影響。例如,美國蜂窩首席執行官勞倫特·瑟里維爾(Laurent Thrivel)指出,該運營商最近與愛立信(Ericsson)和高通公司(Qualcomm)的合作夥伴通過毫米波連接實現了100兆位/秒的速度。

“這充分說明了我們將能夠為北美農村地區提供的各種服務,"他在公司的季度電話會議上說,根據Seeking Alpha的記錄。他說,運營商將在明年第一季度開始對這項服務進行更廣泛的測試,不過他並沒有承諾在商業上廣泛推廣這項技術。

U.S. Cellular並不是唯一一家在農村地區尋找5G固定互聯網服務的公司。例如,《華爾街日報》最近報導了威斯康星州西南部的一家固定無線互聯網提供商WiConnect Wireless,該公司有9名員工為7個縣的1400個農村家庭提供5G固定無線互聯網連接服務。

WiConnect的davidbangert告訴該雜誌,該公司的傳輸站點通常位於糧倉頂部,每個站點的成本約為20000美元,每個站點連接大約25個家庭。他說,該公司可以提供約25mbit/s的速度,每月79-99美元。

對5G固定無線技術的投資是否會影響現有的有線互聯網服務提供商?有些人不這麼認為。

“他們談論的速度並不是讓我們擔心的問題,但我們永遠不會把它們算在內,"有線電視一號首席執行官茱莉亞·勞利斯(Julia Laulis)在公司季度電話會議上被問及T-Mobile的固定無線產品時表示我們認為,我們有一種競爭心態,我們可靠的產品和高於平均水平的服務將為我們提供良好的服務。 "

然而,值得注意的是,Cable One最近收購了兩家農村固定無線互聯網提供商的股份:Wisper的40%和NextLink不到10%的股份。

Open RAN之RU、DU、CU: Why?What?When? How?

功能拆分放到現在來說並不是什麼新鮮事了,其概念最初在3GPP R14中就提及過,3GPP R15發布了定義,並引入了新的術語、接口和功能模塊。但是在Open RAN中,為什麼RU、DU、CU功能拆分的概念變得如此重要?

Why
以前的RAN體系結構(2G、3G和4G)是基於“monolithic”構建塊,邏輯節點之間很少發生交互。然而,在新的無線電(NR)研究的最初階段,人們認為在中央單元(CU)和分佈式單元(DU)之間劃分gNB(NR邏輯節點)可以帶來靈活性。

靈活的硬件和軟件允許進行可擴展的、低成本的網絡部署,但前提是硬件和軟件組件可以互操作並且可以與不同供應商進行混合和匹配。分離式架構(中央和分佈式單元之間)允許協調性能特性、負載管理、實時性能優化,並能夠適應各種用例和需要支持的QoS(即遊戲、語音、視頻)。

為什麼Open RAN要採用分離式架構?下圖展示了當前的業界看法,諾基亞認為唯一有效的劃分是在RU和DU之間,並表示時間將證明一個供應商的DU與另一供應商的CU的集成是否會帶來靈活性和低成本。

結論:如果硬件和軟件組件之間的接口是開放的,功能拆分將會節省成本。

What
在5G RAN架構中,BBU功能分為兩個功能單元:負責處理對實時性較高的分佈式單元(DU),以及負責處理非實時、RRC、PDCP等高層協議的中央單元(CU)。

在5G C-RAN中,DU的服務器和相關軟件可以託管在站點本身,也可以託管在邊緣雲(數據中心或中央辦公室)中,具體取決於傳輸的可用性和前傳接口。 CU的服務器和相關軟件可以與DU放在同一位置,也可以託管在區域雲數據中心中。 DU和RU之間的實際劃分可能會根據具體的用例和實現而有所不同。

RU:一個負責處理DFE和部分PHY層功能的無線電單元,其設計的關鍵考慮因素是尺寸、重量和功耗。

DU:靠近RU的分佈式單元,主要處理RLC、MAC和部分PHY層功能。該邏輯節點包括eNB/gNB功能的子集,具體取決於功能拆分選項,其操作由CU控制。

CU:負責處理RRC、PDCP等高層協議的中央單元。 gNB由一個CU和一個DU組成,分別通過CP和UP的Fs-C和Fs-U接口連接到CU。具有多個DU的CU將支持多個gNB。分離架構使5G網絡能夠根據中傳可用性和網絡設計,在CU和DU之間利用不同的協議棧分佈。 CU可以通過中傳接口對多個DU進行集中式管理。

集中式基帶部署允許在不同RU之間進行負載平衡,這就是為什麼在大多數情況下,DU將與RU搭配以執行所有密集處理任務。以邊緣為中心的基帶處理可提供低延遲、具有實時干擾管理的無縫移動性和最佳資源優化。

業界認為連接RU和DU的底層接口是eCPRI,以提供最低的延遲,前傳延遲被限制為100微秒。

需要注意的是,DU / CU拆分幾乎不受基礎設施類型的影響。新的接口主要是DU和CU之間的F1接口,它們需要能跨不同的供應商互操作,以真正實現Open RAN。中傳(Midhaul)將CU與DU連接起來。

4G / 5G核心通過回傳(Backhaul)連接到CU,5G核心距離CU最多可以200公里。

How
對於延遲敏感的服務,基於適當的前傳可用性,MAC-PHY拆分是首選解決方案。 Option 7 split架構中,DU處理RRC Continue reading

AI教父”Geoffrey Hinton:GPT-3遠不如人類大腦

自從上個世紀八十年代起,“AI 教父”杰弗裡・辛頓(Geoffrey Hinton)就一直在從事有關深度學習的研究。然而,研究成果卻受到缺乏數據以及計算機功能不足的限制。不過,他對這項技術的執著態度最終還是給人類帶來了巨大的益處。在第四屆 ImageNet 大賽上,幾乎每支團隊都用上了深度學習技術,並且達到了驚人的準確率。不久之後,深度學習不僅在圖像識別任務中得到了應用,還被廣泛地應用於其它領域。

30 年前,人們都覺得提出的神經網絡的想法是離經叛道。但辛頓表示,現在幾乎所有人都認同了他的想法。

對於人工智能領域短板的看法,辛頓說:“很多概念性的突破必將接踵而至,但我們同樣也需要進行大規模且有成效的性能提升。”

對於神經網絡不足之處的看法,辛頓說:“含有大量突觸的神經網絡非常善於處理數據量較小的任務,但是人類自己在這方面更勝一籌。”

對於人類大腦工作方式的看法,辛頓說:“人的大腦內遍布神經活動的重要載體。”

現代人工智能革命起源於一場不起眼的研究競賽。在 2012 年的第三屆 ImageNet 大賽上,參賽團隊要設計出一種能夠識別 1000 種事物的計算機視覺系統,這些事物包括動物、自然景觀以及人類等。

在最初的兩屆比賽中,最優秀團隊的準確率也達不到 75%。但在第三年,一名教授和他的兩個學生卻在短時間內突破了技術的天花板。他們以令人震驚的 10.8 個百分點贏得了比賽。這名教授就是杰弗裡・辛頓,而他們所使用的技術被稱作深度學習。

去年,鑑於辛頓對人工智能領域的開創性貢獻,他與揚・勒丘恩、約書亞・本吉奧等人工智能先驅一道被授予圖靈獎。 10 月 20 日,本文作者 Karen Hao(凱倫·郝)與辛頓在《麻省理工科技評論》雜誌的全球新興科技峰會上,就人工智能領域的現狀以及未來的發展方向進行了交流。

Karen Hao:您為何如此確信深度學習將會復制人類的智慧?

Geoffrey Hinton:我確實相信深度學習能做任何事,但目前還需要取得一些概念性突破才能實現這一點。例如,2017 年阿施施・瓦斯瓦尼等人的論文介紹了一種轉換器,它可以很好地表達詞語的意思。這就是一種概念性突破。現在,幾乎所有功能較為強大的自然語言處理系統都在使用這種技術。我們需要更多像這樣的突破性技術。

Karen Hao:如果我們取得了這樣的技術突破,那麼深度學習會接近於人類的智能嗎?

Geoffrey Hinton:是的。當神經活動的重要載體可以進行像推理這樣的行為時,意味著我們已經取得了非常重要的突破。但在規模上,我們仍然需要獲得巨大的提升。人腦約有 100 Continue reading

霧計算在物聯網中的應用

霧計算是指一種分散的計算結構。資源(包括數據和應用程序)被放置在數據源和雲之間的邏輯位置。霧計算的優點之一是可以在同一時間上維持多用戶連接的狀態。本質上,它提供了與基於雲的解決方案相同的網絡和服務,但是它增加了分散網絡的安全性。

雲計算和霧計算的不同

雲計算

雲計算是一種提供分佈式計算和存儲資源的網絡,計算可以在各種平台上進行,包括公有云和私有云。

雲計算平台提供了在一個可擴展的系統上在用戶之間共享和混合工作負載的機會。雲計算本質上是異地存儲和恢復數據的能力。

雲計算是傳統手機變得"智能"的主要原因之一,手機沒有足夠的內置空間來存儲訪問應用程序和服務所需的數據。所有的數據都在雲端和雲端之間傳輸,以提供我們需要的服務。儘管如此,雲計算技術仍然有一個挑戰——帶寬限制。

霧計算

在霧計算中,數據、(數據)處理和應用程序集中在網絡邊緣的設備中,霧計算的主導地位將由一種需要手機更靠近數據源(用戶設備)的數據驅動。設備不需要在雲中執行必要的處理,並且設備會受到物理限制(低功耗和小尺寸)。

本地處理數據的能力比過去更加重要,因為霧計算增加了數據的安全性。隨著物聯網的發展,越來越多的設備被添加到網絡中。每個設備都被無線連接以進行數據傳輸和接收。

霧計算是關於如何有效地存儲和訪問數據。霧計算是指分散在網絡中的邊緣計算節點的網絡化,這樣它們可以在不同地點上分佈,但仍然在這些節點之間提供有組織的通信。

霧計算的使用涉及到一個複雜的邊緣設備互連過程。邊緣設備包括傳感器、存儲系統和網絡基礎設施,它們一起工作來捕獲和分發數據。

然而,霧計算的靈活性及其從集中云和網絡邊緣設備收集和處理數據的能力,使其成為處理我們今天面臨的信息過載最有用的方法之一。

霧計算和邊緣計算是一樣的嗎?

霧計算也可以稱作邊緣計算。邊緣計算的目的是通過將數據存儲到離"地面"更近的地方來解決問題。換句話說,邊緣計算將數據存儲在存儲設備和本地計算機中,而不是通過雲中集中的DC運行所有的數據。

從本質上講,霧計算負責允許快速響應的時間,減少網絡延遲和流量,並支持主幹網寬帶節約,以實現更好的服務質量。它還負責將相關數據傳輸到雲端。

據IDC估計,到2025年底,全球約45%的數據將轉移到網絡邊緣。據稱,霧計算是未來幾年可以與人工智能、5G和物聯網帶來變革性影響的技術。

IDC的另一項研究預測,到2020年,邊緣設備會產生全球10%的數據。邊緣設備將推動對霧計算更有效解決方案的需求,從而減少延遲的出現。

邊緣計算

邊緣計算本質上算是霧計算的一個子集,它會處理在它附近出現的數據。而霧計算允許更有效的數據處理,從而減少數據延遲的可能性。

將霧計算視為處理數據從生成地到存儲地的方法。邊緣計算僅指在數據生成地附近處理數據,霧計算封裝了邊緣處理和將數據從邊緣傳輸到其末端所需的網絡連接。

通過邊緣計算,物聯網設備與可編程自動化控制等設備連接。自動化控制器執行數據處理、通信和其他命令。使用霧計算,數據從端點傳輸到網關,然後將數據傳輸到數據源進行處理並返回傳輸。不同地點上分佈的基礎設施與雲服務相結合,以最小的延遲實現數據分析。

霧計算和邊緣計算都有助於更快地將數據轉化為可視化操作,以便用戶能夠更快、更明智地做出決策。霧計算和邊緣計算允許公司更有效地使用寬帶,同時增強安全性和解決隱私問題。由於霧計算的節點可以安裝在任何有網絡連接的地方,霧計算在工業物聯網的應用中也越來越受歡迎。

霧計算在物聯網中的應用

當設備或應用程序生成或收集大量信息時,數據存儲變得越來越複雜。在處理這些數據時,網絡寬帶也變得昂貴,需要大量數據中心來存儲和共享信息。

霧計算已經成為傳統數據處理方法的一種替代方法。霧計算收集和分配計算、存儲和網絡連接的資源和服務。它顯著降低了能耗,最大限度地減少了空間和時間的複雜性,並最大限度地提高了數據的效用和性能。

1、智慧城市

以智慧城市為例,數據中心的建設並不是為了滿足智能城市應用的需求。城市中所有物聯網設備傳輸、存儲和訪問的數據量不斷增加,需要一種新的基礎設施來處理這些數據量。正是這些應用需要霧計算來提供物聯網所需的應用價值。

2、公共事業

智能城市中的水務、醫院、執法、交通和應急管理應用程序需要最新的數據和技術來提供信息和服務,以支持其運營。

有關漏水、碳排放、坑洞或損壞的信息可用於更新計費信息、改進運營、拯救生命和提高效率。捕獲和分析這些數據可以直接應用到智能城市的應用程序中。

霧計算是一種部署物聯網網絡的方法,它們可以提供最佳的投資回報。

使用霧計算的益處

霧計算可以用於處理大量數據、網絡事務和快速處理的應用程序。使用霧計算的好處包括實時、混合和自主的數據中心,可以提高操作效率和安全性。此外,霧計算可以幫助確保系統保持可用和優化,而無需在電源、數據中心安全性和可靠性方面進行投資。

霧計算通過集中在多個節點上的計算資源來降低開銷成本。根據節點的位置和使用效率選擇光纖陀螺。它還減輕了組織數據中心的負擔。數據流量的減少是霧計算的另一個主要優勢。

許多公司正在使用霧計算來部署分佈在許多地方的軟件應用程序。公司在一個網絡上部署許多系統以獲得更好的效率和可訪問性。

從根本上說,霧計算使組織在最需要處理數據的地方有更大的靈活性。對於某些應用,數據處理應盡可能快,例如,在製造業中,連接的機器應盡快對事故做出響應。

霧計算還可以為公司提供一種簡單的方法,實時了解他們的客戶或員工在做什麼。隨著霧計算的實施,企業可以期望利用物聯網技術抓住新的機遇,增加利潤。但除此之外,這項技術還有可能為政府、公司甚至個人用戶節省大量資金。

最後

隨著雲技術不斷滲透到企業環境中,霧計算的使用也將繼續增加。雲計算通過一個彈性計算基礎設施來分配計算工作負載,從而能夠在雲中實時處理數據。

邊緣計算是物聯網霧計算領域的一個主要關注領域。邊緣計算是一種將計算資源部署在網絡邊緣、雲端之外的技術。它允許訪問、分析網絡邊緣的計算資源,然後將其發送回網絡邊緣。這允許實時處理數據。

霧計算解決方案將使公司能夠在物聯網中實現實時計算。因此,物聯網霧計算市場將成為雲計算市場的主要貢獻者。

聯絡我們

地址
香港九龍觀塘鴻圖道57號南洋廣場1808室
Rm.1808, Nanyang Plaza, 57 Hung To Road., Kln. HK

電話
23091888

電郵
info@iothk.net