智能应用 影音
大联大(世平)
ARUBA
徐宏民
  • 台大资工系教授
徐宏民(Winston Hsu)现任台大资工系教授及NVIDIA AI Lab计划主持人。哥伦比亚大学电机博士,专精於机器学习、大规模影像视讯查找与识别。为讯连科技研发团队创始成员,慧景科技(工业智能新创)共同创始人;曾任IBM华生研究中心客座研究员、美国微软研究院客座研究员。习惯从学术及产业界的角度检验技术发展的机会;十余年产学合作及新创经验,近年致力将深度学习技术落实到产业,并协助成立研究开发团队。曾获2018 IBM Research Pat Goldberg Memorial Best Paper Award 、2018伪装人脸识别冠军、杰出信息人才奖、吴大猷先生纪念奖等国内外研究奖项。
电动车时代 还是秤斤论两卖电子零件?
汽车产业进入典范转移,电动车以及自驾车商机涌现。业界预估,以每年全球汽车产量9,000万台换算,所需的半导体与被动元件消耗量,等同於20亿支智能手机(过去几年智能手机的最高年度销售量还不到15亿支),可以想像背後可能的庞大商机。
2021/9/7
Tesla为何自己设计芯片?
Tesla前些日子召开AI Day,揭露他们在自驾车未来的AI软件以及芯片布局。目前市值最高的汽车品牌,在乎的技术是AI软件以及运算芯片上的突破。前几年还不清楚为何Tesla抱怨车用芯片供应商提供的芯片不敷需求,要自己设计,几年之後他们推出自己的车用芯片,包含了12个CPU,一颗GPU,2颗NPU (每颗算力36.86 TOPS)。而原因日益明朗:深度软硬整合。
2021/8/31
降低自驾技术数据成本
前面的文章提到Tesla之所以能抛弃雷达(Radar)或是激光雷达(LiDAR)而使用全视觉的技术,其中一个要素是使用大量的训练质料来提升「感知」以及「预测」能力。另一个自驾团队Lyft Level 5近期研究也发现足够的训练数据可以大大提升自驾品质:在预测的工作上如果训练数据由10小时提升为1,000小时,每1,000英里自驾出错机率会降为11分之1。训练数据在自驾上扮演了关键的角色,特别是目前的演算法都采用了以深度学习为基础的架构。
2021/7/20
软件吃掉硬件的自驾技术
随着自驾技术的发展,许多的团队把技术的眼光专注在可扩展性(scalability)上,希望将技术转换为自驾产品时,能具有合理成本,如硬件稳定度高、价格可以被市场接受、在可见的时间内获利,以及能以低人力或时间成本,转移到不一样的场域或国家。如为无人出租车(robotaxi)开发的自驾技术可以使用在个人自驾车,或是在旧金山通行的自驾能力,也可以无痛在台北使用。
2021/7/13
自驾技术让行车更安全?
根据WHO的研究,每年全球约有130万人死於交通事故,这样的数目高於每年因HIV/AIDS致死人数,或是等同於每30秒就有一人因车祸受难。肇事的原因可能因为机械问题,或是其他车辆的失误。常见的是行车时没有察觉路况(疲累、捡掉下的手机等)、预估失准、或是在关键时刻无法适时反应而造成意外。
2021/6/29
人机互动研究洞察新契机
疫情严峻,学生被迫在家上课,大量企业决定分流或是全数在家上班,许多人工作型态转为接连不断的在线会议,措手不及。还好疫情线上工作在欧美已经进行了一年多,有许多经验值得我们参考。例如,微软(Microsoft)的研究团队最近在人机互动顶尖会议CHI 2021发表一篇学术研究,从公司内部715人的行为,建议有效的线上工作会议应当:避免早上举行重要会议、减少不必要会议、缩短会议时间、鼓励与会者参与讨论、允许会议中多工处理其他工作等。
2021/6/17
20年镜头技术更迭教我们的事
第一次使用数码镜头是2001年到尼泊尔爬山时,也一起带了使用正片与负片的传统镜头。虽然分辨率不高(640x480),却频於分享数码相片,因为方便在电脑上观看、聚会时投影出来解说旅程的故事、或是透过电子邮件分享。所以「数码化」、「便於分享」弥补了早期数码镜头品质的不足。
2021/4/27
产品化物件侦测技术(二)
前面的文章概略描述物件侦测技术对推动产业智能化至关重要,近年核心技术也由传统做法提升为深度学习,带来更多突破。
2021/4/13
产品化物件侦测技术(一)
在深度学习影像研究中,最时常被拿来展示的,应是「物件侦测」(object detection)技术,其目的为在给定的影像中标定出有兴趣的(目标)物件,提供物件位置边框以及类别(如人、车、单车、巴士、号志等)。
2021/4/7
跨越深度学习技术产品化的障碍
即使深度学习技术在各个领域带来突破,甚至逐渐翻转各种产品服务,可是还能听到产业界对於这些新颖的研究能否应用到产品上抱持着怀疑的态度。
2021/3/24