AI 趨勢新聞精選
【2021/5/27〜2021/6/2】
➡️ ➡️ 我們將在電子報提供您更深入數據處理洞察,點擊連結訂閱:https://ai-blog.flow.tw/register
AMD+台積電3D chiplet年底前正式量產
鉅亨網重點摘錄:
超微總裁暨執行長蘇姿丰今 (在台北國際電腦展 COMPUTEX 2021 發表主題演講,蘇姿丰表示,超微將持續強化在個人電腦、伺服器、高效能運算、邊緣設備等領域發展,除推出新款 APU、GPU 產品外,也首度展示與台積電合作的全新 3D chiplet(小晶片) 技術應用,預計年底前正式量產。
超微應用領域也擴大,蘇姿丰指出,旗下採用 RDNA 2 架構的 Radeon RX 6000 系列 GPU,從去年以來需求就維持強勁,RDNA 2 架構應用也將擴大至汽車、手機領域,除了已導入 XBOX 遊戲機 PS5 外,包含特斯拉新款 model S、model X 車款,以及三星 Exynos 手機處理器,都將導入 RDNA 2 架構。
蘇姿丰表示,超微在過去 40 年持續發展高效能運算,未來包含數位轉型、AI、超級運算、教育、工作等都將與高效能運算息息相關,將持續推進在個人電腦、超級電腦、伺服器、工作站、遊戲機、邊緣設備等應用發展。
這家AI新創超威!微軟、亞馬遜都搶著入股
數位時代重點摘錄:
美國資料分析與人工智慧公司 Databricks,成立不到 8 年,快速獲得雲端平台技術的三大科技巨頭入股,分別為微軟、亞馬遜 AWS 和 Alphabet 旗下的 CapitalG 大力支持與投資。截至 2020 年,Databricks 年度經常性收入已達 4 億美元(約 110.88 億元新台幣),比 2019 年同期成長 75%。
Databricks 之所以會引起許多大型知名企業關注,最 主要的原因就是 Databricks 研發的 Apache Spark 技術,可儲存大量不同類型的資料 ,足以作為 Hadoop 的替代技術,藉由 Databricks 儲存、清理、可視化不同類型的巨量資料,不僅可節省企業處理大量資料的時間,並能幫助企業加快部署人工智慧模型,以推動人工智慧發展。
目前 Databricks 的全球客戶多達 5,000 家,包含惠普、尼爾森、美國通訊康卡斯特、瑞士信貸、星巴克和移動通訊營運商 T-Mobile 等知名企業,Databricks 藉由 「湖邊小屋」(data lake house) ,幫助企業將傳統的資料倉儲和資料湖進行轉變,讓企業在 Databricks 中儲存結構化及非結構化資料,並在其基礎上輕鬆疊加商業智慧或機器學習工具。
美國與歐盟角力,全球雲端運算架構呈現支離破碎
FT中文網重點摘錄:
法國通信運營商 Orange 和諮詢服務企業凱捷(Capgemini)宣布將合資成立雲端平台企業 Bleu,向法國企業提供基於微軟技術構架的雲服務,以滿足法國政府對於關鍵基礎設施的嚴格主權要求和數據本地化存儲的監管需要。
在如此的大趨勢下,Bleu 這樣的歐洲本土雲端運算企業仍然逆勢出現,背後預示著歐洲雲端運算的產業方向已經發生了重大改變。就在 Bleu 宣布成立的同一天,歐盟委員會和歐洲議會表示將歐洲範圍內 Amazon 和微軟雲端運算服務的使用開始兩項歐盟隱私調查。其中調查的核心內容之一就是歐盟居民個人數據向境外傳輸的情況。
可以預見到,在微軟邁出了雲端運算本地化的步伐後,Amazon 和 Google 勢必會跟進仿效,讓本已經統一構建的全球雲端運算體系重新呈現支離破碎的局面。這並不是歐盟的過度反應,而是全球在面對美國政府強勢監管下不得不作出的自保措施。
Real World Data正在如何影響生醫領域發展?
MIT重點摘錄:
近年來,國內外對真實世界數據(Real-World Data, RWD)的關注度日益增加。FDA 在 2018 年的官方文件中將 RWD定義為:與患者健康狀況有關的和/或日常醫療過程中收集的各種來源的數據。與 RWD 相關解決方案的公司風起雲湧,在資本市場上掀起了驚濤駭浪。
為此 CB Insights 發布了兩萬字的關於 RWD 行業的深度報告。具體解讀了一系列行業問題,報告部分核心觀點:真實世界數據相關解決方案賦能整個藥物研發週期,並且從上市後研究逐步往上游拓展,在腫瘤藥物研發場景中尤為突出。另外,高品質、多維度的 RWD 能發揮更高的價值與影響。特別是充分匯集以患者為中心的包含生物數據、臨床數據和健康管理數據三個層次的 RWD 對生物醫藥領域的研發更具價值。
老高說得是真的!科學家用AI找出星系間的暗物質連結
科技報橘重點摘錄:
在多數人的認知中,星系彼此間是獨立的。從可見物質的角度來看是如此,但如果考量暗物質的話,其實星系與星系間是有連結的,而暗物質就是連結星系的「絲線」。賓州大學天體物理學者用 AI 繪製了一張全新的暗物質地圖,揭示了「星與星的連結」。研究團隊將論文發表在《The Astrophysical Journal》期刊上。
賓州大學團隊採用不同的方式。研究人員使用數千個電腦模擬出的宇宙模型,訓練一個機器學習程式。研究人員將機器學習模型與電腦模擬出的模型比對,確認準確性後,就將其應用於現實的數據。
透過 AI,研究團隊繪製出宇宙暗物質的新地圖。機器學習演算法重製了宇宙學模型中已知或懷疑的內容,但也提出新的特徵,例如銀河系周圍的星系與銀河系之間連結的暗物質絲帶。