神經網路完成晶片設計僅需幾小時
新浪財經APP
來源:科技日報
科技日報北京6月9日電 (記者張夢然)英國《自然》雜誌9日發表一項人工智慧突破性成就,美國科學家團隊報告機器學習工具已可以極大地加速電腦晶片設計。研究顯示,該方法能給出可行的晶片設計,且晶片性能不亞于人類工程師的設計,而整個設計過程只要幾個小時,而不是幾個月,這為今後的每一代電腦晶片設計節省數千小時的人力。這種方法已經被穀歌用來設計下一代人工智慧電腦系統。
不同元件在電腦晶片上的佈局,是決定晶片整體性能的關鍵。設計電腦晶片的物理佈局既複雜又耗時,難度非常大,需要專業人類設計工程師付出大量工作。而儘管已為此進行多年的嘗試,晶片佈局規劃一直都無法實現自動化,需要設計工程師們花費數月的努力才能生產可供規模製造的佈局。
在位於美國加州的穀歌研究院內,人工智慧專家阿澤利亞•米爾侯賽尼、安娜•戈迪耶及其同事最新的研究表明,機器學習工具已經可以用來加速這一名為“佈局規劃”的流程。
研究團隊將晶片佈局規劃設計成一個強化學習問題,並開發了一種能給出可行晶片設計的神經網路。他們訓練了一個強化學習智慧體,讓這個智慧體把佈局規劃看作一種棋盤遊戲:元件是“棋子”,放置元件的畫布是“棋盤”,“獲勝結果”則是根據一系列評估指標評出的最優性能(評估基於一個包含1萬例晶片佈局的參考資料集)。
研究人員指出,這種方法能在6小時內設計出與人類專家不相上下或是更好的可行晶片佈局,有望為今後的每一代電腦晶片設計節省數千小時的人力。
美國加州大學聖達戈分校科學家安德魯•康在一篇同時發表的新聞與觀點文章中寫道,“開發出比當前方法更好、更快、更省錢的自動化晶片設計方法,有助於延續晶片技術的‘摩爾定律’”。這裡的摩爾定律,是指每塊晶片的元件數量大約每兩年會翻一番。
安德魯•康同時表示,在這一研究中,團隊展示的佈局規劃方案已經被用來設計穀歌的下一代AI處理器,這也顯示出其設計品質可用於大規模生產。
總編輯圈點
在不到6小時的時間裡,一個深度學習強化方法,可以自動生成晶片設計的所有關鍵指標,包括功耗、性能和晶片面積,且給出的佈局圖都優於或可與人類設計的晶片佈局圖相比肩。這無疑是人工智慧助力人類實現更好、更快、更強目標的範例。有意思的是,這個人工智慧現在又被拿去設計下一代人工智慧,這讓我們看到一種共生關係——更強大的人工智慧設計硬體,正在推動人工智慧的進步。
資料來源:https://finance.sina.com.cn/tech/2021-06-10/doc-ikqciyzi8735268.shtml?cre=tianyi&mod=pcpager_tech&loc=12&r=0&rfunc=42&tj=cxvertical_pc_pager_spt&tr=145
同時也有1部Youtube影片,追蹤數超過5,870的網紅珊蒂微AI,也在其Youtube影片中提到,很難得機會在台灣捕獲李孟這位旅日的資料科學家,也很高興可以訪問到他! 李孟在日本四年的工作時間當中,歷練過「軟體工程師」、「資料科學家」以及「機器學習工程師」的職務,為什麼會有這一路以來的自覺與自學歷程?我們都一併在這次專訪當中聊到了!同時還加碼聊了「在日本的工作與生活環境」,提供給想去日本生活的朋...
「他是資料科學家也是機器學習工程師」的推薦目錄:
- 關於他是資料科學家也是機器學習工程師 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
- 關於他是資料科學家也是機器學習工程師 在 小吃貨的英國生活日記 Facebook 的最佳解答
- 關於他是資料科學家也是機器學習工程師 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
- 關於他是資料科學家也是機器學習工程師 在 珊蒂微AI Youtube 的精選貼文
- 關於他是資料科學家也是機器學習工程師 在 #他是資料科學家也是機器學習工程師- YouTube 的評價
- 關於他是資料科學家也是機器學習工程師 在 旅日資料科學家與機器學習工程師|李孟Lee Meng|珊蒂微AI ... 的評價
- 關於他是資料科學家也是機器學習工程師 在 資料科學家的工作日常 - Facebook 的評價
他是資料科學家也是機器學習工程師 在 小吃貨的英國生活日記 Facebook 的最佳解答
#學習寫程式 #誰可以成為軟體工程師 #小吃貨轉職日記 #個人心歷路程
不知道是否還有人記得,很久以前我問了大家一個問題是,覺得什麼樣的人可以成為軟體工程師。
其實一直以來,我覺得只要會英文的人就可以學會寫程式,就可以成為軟體工程師。
為什麼會這麼覺得呢?
首先,就像是,你覺得誰學會使用電腦是一樣的道理。如果你在三十年前問大家這個問題,可能很多人會覺得,只有念相關科系的人可以學得會。
在我們還在DOS的時代,還在打指令的時代,那時只要會打字,就可以成為文書處理專業。沒錯,那個年代,文書處理是一個科系。
但現在,有誰會去大學念一個科系,只有學打字使用Microsoft Office系列。
當然,軟體工程師也並不是一個容易的職業,就像我之前提過的,這個職業也有很多利與弊,不是像外面形容的那樣,好像坐在電腦前面打打字就可以做的,或者像其他工作那樣,可能學了一技之長可以用很久,這個行業的一技之長,可能很快就過保鮮期了。
回到學習寫程式這件事情,在台灣聽很多人都說,「啊!寫程式就是要有天份啦!」「聰明的人啊!」也看過很多網路上的人在吵,資工vs 資管 vs 非本科系什麼之類的。
最近有朋友問我說,為什麼在台灣的時候學不會,可是來英國以後我就學會了,是因為來英國以後特別努力嗎?
其實你到現在問我學會了嗎?我也不會跟你說我什麼都會。但的確光是coding這點,我覺得在台灣學習跟來英國學習最大的差異還是在,學習的動力上面。
在台灣的時候,其實有點為了學而學,從來沒有思考過自己是否真的有興趣,有時候以為自己其實也滿有興趣的,因為那些東西以前沒有碰過,可是只要碰到一點瓶頸 ,就會開始退縮,覺得好煩喔!這些東西怎麼這麼難,只要上課聽不懂老師在說什麼,就會很不想繼續學。
在台灣除了去資工系修課以外,也有去台大資訊系統訓練班上過課,也有上過一些線上的課程。
幾乎都是同樣的感覺,甚至覺得,自己是不是年紀大了,感覺什麼都學不會,聽不懂,自己好像很笨。
來了英國以後,上課的第一天,老師說,我會用英語授課,而且不會為你們放慢速度,因為你們必須要去習慣。當時覺得自己更不可能聽懂,也不可能學會。
可是我們上課的狀況通常是,一天上課兩個小時,上完以後有兩個小時的實驗課,大家坐在電腦前,老師一個一個看你做的東西,從很小的東西開始學。
我覺得這個應該算是滿關鍵的,就是有沒有動手實作。然後不會的話老師也很耐心的教,此外老師還有另外的課後時間,只要我們有問題都可以去找他。
在實驗課的時候,中間只要卡住,老師也會盡量讓我們自己去思考,而不會直接告訴我們答案,例如會問我們,為什麼你想這麼做,這麼做的原因是什麼。
我記得很久以前在台灣的大學,問了老師一個問題,老師的答案是,你以後就會知道了。當下其實就讓人覺得有點反感,而且後續問老師很多問題,老師也是都這樣,這個以後就會學到了。
我自己算是一個滿會因為老師而喜歡一個科目或不喜歡一個科目的人。就像我小時候很討厭數學課,也是因為不喜歡數學老師。也不是真的不喜歡,就是有一種覺得,反正老師也不在乎我學不學的會,只在意那些學得好的人。
在台灣也聽過很多人說,啊要學會寫程式,數學就要先打好基礎,數學不好怎麼寫程式。可是真的成為工程師以後,在工作上根本沒用到什麼基礎數學啊!
其實在英國也遇過很多數學系畢業的,可是害怕寫程式的人也很多,他們這邊通常學校會有一兩堂課是寫程式,可能學個Python, 像我之前念書的學校,學不好的很多,一些很厲害的大學的數學系,也有人就乾脆放棄那門課,不學,因為覺得很複雜,他們寧願把時間拿去研究純數。
不過現在的電腦,都會幫你做好各種基本數學運算了,大部分現在的程式語言,你要跑什麼線性回歸什麼的都幫你做好了,也想不到什麼時候會用到三角函數之類的,除非你的工作是什麼data scientist 之類,可能要建立複雜的數學模型,或者quant 那類的,不然就算你要做Machine Learning這類的東西,也有很多已經現有的工具,軟體工程師大部分就是拿來跑一跑。
要是你真的是做機器學習相關的研究,人家也不要你軟體工程師,人家要的是資料科學家背景,人家至少要你有個PhD唸完再來,你要至少會讀paper, 寫paper做研究啊!!
如果是醫學相關的軟體,需要有專業技能,人家也要找醫學背景的來,如果是金融相關的,需要有非常多的金融專業技能,當然也是從金融背景的比較容易。
通常軟體工程師,普通的軟體工程師職缺,就是不太會需要太多納些相關的專業領域,他們也願意你進去了再學,你主要需要的是快速學習、適應環境的能力,還有溝通能力,這樣如果跟其他專業領域的科學家、研究員、分析師溝通之類的,至少你可以不會有太多的障礙。
當然,軟體工程師的工作也可以細分成很多領域,像是遊戲產業的軟體工程師,或者IoT產業的軟體工程師,甚至還有像是軟體架構師、軟體分析師、資料工程師之類的,他們可能需要使用到的技能也不一樣,但也不會沒事就需要叫你算個三角函數之類的.........通常你的背景還是在於你對於寫程式的熟悉程度,你會使用那些工具,你是否是個團隊合作的人,能否跟大家一起寫程式。
總之,回到前面說的,所以到底學習寫程式需要什麼,英文真的是很重要的一環,因為程式語言本來就是英文為主,在來就是網路上的資源,也幾乎都是英文為主。還有你寫程式的環境,也幾乎都是英文,像是你使用的工具,回報給你的錯誤訊息也常常可能是英文的。
來英國以後一直在思考的一點,在台灣討論到會不會寫程式,或者學不學的會,通常英文好的話,也可能在閱讀文件方面比較快,可以快速學到一些東西。
語言也不是全部,如果已經在工作的話,工作環境也很重要,學習環境也很重要,在學校如果遇到一個很好的老師,或者有一起學習的夥伴們,也會比自己一個人獨自專研來的快,不過每個人的學習方法不同,更重要的是找到自己喜歡的學習方法。
反正如果你想學的話,也不用管其他人講什麼,想學就學啊!當初我要學的時候,也很多人覺得我不可能學的會或者不可能成為軟體工程師之類的。
其實也不是因為我原本念歷史系的原因,主要就是,大家覺得,我是一個沒有邏輯,邏輯不好的人。還有覺得我是一個三分鐘熱度的人,以及數學指考考了不到30分。這些我也都寫在部落格裡面了,所以一直以來都有在看我文章的人,大概也都知道了。
當時,我大概聚集了所有身邊當工程師的朋友,都覺得不可能會成為工程師的因素吧!但現在我還是做為一個軟體工程師賺錢就是了。
有時候想做什麼就去做,反而是一件比較容易的事情。尤其是學習這種事情,網路上也有很多資源可以學習也不一定需要花錢。
在學校的時候,除了老師給予我一些自信以外,另外也是在英國認識了一些人,給予了一些鼓勵,有些素未謀面的人,也有些一面之緣的人,可能也是因為他們不認識原本的我,所以都覺得,沒有什麼是我不能找到工作或成為軟體工程師的原因。
現在想想,或許這就是初生之犢不畏虎的概念,當初沒有想太多就跑來英國,然後來了以後才開始覺得必須要努力一點才能找到工作,中間也遇到了很多困境,工作以後也曾經想過要放棄當軟體工程師,想要去當個什麼辦公室助理之類的。
也經歷了很多覺得很困惑的時期,雖然自己現在還是滿困惑的。但我覺得如果你真的想要學習或者轉職,只要做好功課(這點真的滿重要的,至少不要覺得只是看別人好像不錯,就決定要去做,至少要衡量一下利與弊),就可以去做吧!也不用管別人說你適不適合走這條路怎樣的。
每個人適合走的路也不太一樣,還沒走之前都看不到,就算你看身邊的人都怎樣,自己還是自己。
他是資料科學家也是機器學習工程師 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
從AI到量子運算!10大最具潛力的顛覆性技術,哪項「錢景」最好?
2020.12.29 by 陳建鈞
歲末將至,展望新的一年,什麼工作最有成長潛力呢?就業市場研究機構公佈10項最具顛覆性的技術能力,預計將成為2021年各大企業爭搶人才的焦點。
時序已經來到歲末,許多人可能已經開始進修、磨練自己的就業技能,為尋找更優質的工作做好準備。就業市場研究公司Burning Glass也在近期發布《顛覆性專業技能》報告,公佈科技領域中最具前瞻性的各項專業能力。
Burning Glass利用自家的AI分析技術,彙整超過10億份資料、1.7萬種專業能力進行研究,從中找出需求快速成長、人才呈現匱乏、薪資報酬豐厚的專業領域,總結出最具顛覆性的專業技術能力。
從軟體開發到量子電腦,逾百萬份職缺都要這些能力
在Burning Glass的研究中,這10項最具顛覆性的科技專業分別是軟體開發方法論(Software Dev Methodologies)、雲端技術、資安(Proactive Security)、IT自動化、AI及機器學習、聯網技術(Connected Technologies)、自然語言處理、金融科技、平行計算(Parallel Computing)以及量子運算。
Burning Glass指出,過去一年裡於美國開出的職缺中,有超過170萬份工作要求至少一項被選為「顛覆性技能」的能力,同時他們預計這些技能的需求將在未來5年內成長17%至135%不等,且獨角獸新創也更鍾愛這些擁有顛覆性技能的人才,預計比傳統大企業的需求高出33%,4成職缺都需要其中一項顛覆性技能。
軟體開發方法論是就業市場上,最受歡迎的一項科技專業能力,過去12個月開出的職缺多達63萬份以上,而未來5年內的預估成長率則為35%,其次為雲端技術與資安。從大環境上來看,疫情加速了全球數位化的腳步,投入App開發、拓展線上服務理所當然成為企業趨勢,也是軟體人才的重要舞台。
diruptive skill 01 資料來源:Burning Glass / 數位時代製作
報告中提到,軟體開發方法論人才適合的職缺包括軟體工程師、DevOps工程師、技術主管、系統工程師等,主要就職於金融保險、製造業、資訊產業、零售業等領域。
不過,若以求職者最為關注的「錢景」來看,這10項技術中,薪資條件最佳的則是IT自動化人才,預估2021年薪資漲幅可高達近2.5萬美元(約70萬新台幣),比第二名AI及機器學習人才的1.4萬美元高出約8成。
IT自動化人才也同樣適合軟體工程師、DevOps工程師、Java工程師等職位,主要服務領域為金融保險、資訊產業、製造業及行政服務。
知名財經媒體《富比士》提到,雖然資安技術人才的薪資成長幅度較多數顛覆性技能為低,僅有8,851美元,但由於年末爆發的SolarWind被駭事件,導致美國政府機構遭受網路攻擊,可能令資安人才的重要性在2021年有所提昇。
至於職缺需求成長潛力的話,量子運算、聯網技術、金融科技是成長最快的三項技能,其中量子運算又以135%的幅度居冠。量子運算已經成為許多國家、企業的重點研究項目,浸淫此領域已久的IBM更宣言,目標在2023年推出新的量子處理器。
而在各行各業中最廣泛受到採用的則是AI與機器學習技術,緊接著是雲端科技與聯網技術,這些專業人才擁有更多元的就業機會。AI人才的主要職缺為資料科學家、軟體工程師、網路工程師/架構師、資料工程師及資深資料科學家等。
資料來源:https://www.bnext.com.tw/article/60753/disruptive-skills-2021-jobs
他是資料科學家也是機器學習工程師 在 珊蒂微AI Youtube 的精選貼文
很難得機會在台灣捕獲李孟這位旅日的資料科學家,也很高興可以訪問到他!
李孟在日本四年的工作時間當中,歷練過「軟體工程師」、「資料科學家」以及「機器學習工程師」的職務,為什麼會有這一路以來的自覺與自學歷程?我們都一併在這次專訪當中聊到了!同時還加碼聊了「在日本的工作與生活環境」,提供給想去日本生活的朋友參考呦~
👉在這次專訪中,我們暢聊了:
1. 李孟是如何從軟體工程師的身份開始自學「資料科學」?
2. 資料科學家 / 機器學習工程師工作內容上的差異?
3. 李孟比較喜歡當資料科學家、還是機器學習工程師呢?Why?
4. 覺得人們除了積極自學之外,還應該用什麼心態來應對AI帶來的衝擊?
5. 加碼閒聊「在日本的工作環境與生活環境」,提供給想去日本生活的朋友參考呦!
👉李孟釋出他在台大的演講簡報,鉅細靡遺地分享他成為一位資料科學家的歷程,內容相當精彩,製作也很精美耶!https://www.facebook.com/LeeMengTaiwan/posts/10220691442829365
👉李孟的超高含金量部落格,分享各種他在資料科學與機器學習上的應用經驗!https://leemeng.tw/
#他是資料科學家也是機器學習工程師 #自學資料科學與機器學習 #李孟
他是資料科學家也是機器學習工程師 在 旅日資料科學家與機器學習工程師|李孟Lee Meng|珊蒂微AI ... 的推薦與評價
很難得機會在台灣捕獲李孟這位旅日的 資料科學家 ,也很高興可以訪問到他!李孟在日本四年的工作時間當中,歷練過「軟體 工程師 」、「 資料科學家 」 ... ... <看更多>
他是資料科學家也是機器學習工程師 在 資料科學家的工作日常 - Facebook 的推薦與評價
統計學與機器學習都是資料科學中用來找關係的重要方法,前者是來自於數學系中發展已久的一種量化方法、後者則是人工智慧中利用資料預測未來的一種支派。大部分的機器 ... ... <看更多>
他是資料科學家也是機器學習工程師 在 #他是資料科學家也是機器學習工程師- YouTube 的推薦與評價
You're offline. Check your connection. Retry. ... <看更多>