人工智能算法的案例
智能汽車中人工智能算法應用及其安全綜述
清華大學車輛與運載學院 北京 海淀區 100091)
【摘要】隨著人工智能(AI)技術的發展，以智能駕駛汽車、智能機器人為代表的智能系統逐漸代替或輔助人類從事各種場景中簡單或復雜的工作。該文從智能汽車中的智能算法出發，總結了在智能汽車中人工智能感知算法、決策算法的研究進展；討論了智能算法的不確定性問題；并從智能算法的不確定性帶來的安全問題角度，討論了預期功能安全的意義及發展，最后討論了人機共駕對當前智能駕駛汽車解決預期功能安全的必要性。
關 鍵 詞 人工智能；人機共駕；智能駕駛；預期功能安全；統計模式識別
近年來，智能化革命席卷全球，以深度學習為核心的AI 技術取得了重大突破。在機器人[1]、語音識別[2-3]、圖像識別[4-7]、自然語言處理[8-9]等多個任務上，人工智能技術的識別能力和決策水平已經追平甚至超越人類，如以AlphaGo 為代表的人工智能機器人擊敗人類職業圍棋冠軍，以Google、百度等工業界為代表的無人駕駛汽車已經開始實際道路上路測試等。
美國斯坦福大學尼爾遜教授將人工智能定義為：“人工智能是關于知識的學科—怎樣表示知識以及怎樣獲得知識并使用知識的科學”[10]。麻省理工學院溫斯頓教授認為：“人工智能就是研究如何使計算機去做過去只有人才能做的智能工作”。這些說法[10-11]反映了人工智能學科的基本思想和基本內容，以及其他諸多對人工智能的理解[12-14]。這些觀點都反應了人工智能是通過研究人類智能活動規律，構造具有一定智能的人工系統，研究如何應用計算機的軟硬件技術來模擬和代替人類某些智能行為(如學習、推理、思考、規劃、控制等)的基本理論、方法和技術。
人工智能技術的發展受到了廣泛的重視，并在機器人、控制系統中得到了廣泛應用，為傳統制造業提供了前所未有的發展機遇。
展開 人工智能賦能無人系統
人工智能強化自主規劃決策能力 規劃決策旨在依據無人系統感知得到的動態環境信息，開展自主決策、路徑規劃等控制，使無人系統實現特定的作業任務。人工智能技術的迅速發展大大提升了無人系統規劃決策的自主性，基于強化學習、深度強化學習等算法能夠較好地解決無人系統的運動規劃問題，諸如CANN、RNN、LSTM、SNN等一系列網絡結構也被提出用于決策任務，使得無人系統能夠適應高復雜、高動態、強對抗環境開展作業任務。
人工智能增強多機協同能力 人工智能技術的迅速進展能大大提升無人作戰系統的協同作戰能力。基于 AI 的智能化生態系統，以“能量機動和信息互聯”為基礎，以“數據計算和模型算法”為核心，以“認知對抗”為中心，多域融合、跨域攻防，無人為主、集群對抗，虛擬與物理空間一體化交互的智能化作戰，已成為未來戰爭的主要形式。
人工智能提升作戰指揮體驗 作為人與無人系統之間的交互接口，指揮控制系統能夠實現控制指令與狀態反饋的傳遞。引入人工智能技術后，一方面指揮控制系統能夠通過自然語言、手勢、體勢等多模態人機交流方式獲取指揮官意圖并給出擬人化反饋，大大提升了指揮效率；另一方面，利用人工智能技術能夠彌補操作者在速度、注意力等方面的局限，加速“觀察—調整—決策—行動”環路速度，協助指揮官做出正確指令。人工智能技術使得人機協作下的指揮控制能夠適應未來戰場上日益增大的信息流通規模和速度，讓戰場指揮轉變為信息化的算法戰爭。
類腦芯片實現人工智能算法實體化 數據、算法和算力是人工智能發展的3駕馬車，大量傳感器的引入為無人系統帶來了海量的數據，人工智能技術提升了無人系統感知與行動能力，而類腦芯片作為終端實現人工智能算法的載體，已成為人工智能技術創新的重要基礎。無人系統的信息處理單元架構正按照大腦結構仿生學的指引，朝著“存算一體”類腦芯片的方向發展。
展開 人工智能擊敗人類飛行員 ，無人機將主導未來空戰
但是，我不這么認為，因為從這次比賽的過程來看，人工智能能夠更準確地打擊目標，并且有更強的適應情況的能力。
據了解，所有參加本次比賽的算法都要求不要從過去的經驗中獲得學習能力，也就是說所有的算法都只能在現在學習和使用。在這樣的情況下，人工智能仍然戰勝了人類飛行員，這充分說明人工智能在這方面比人類具有更強的學習能力。所以即使是一個十幾年飛行經驗的老兵，也未必能在人機空戰中取勝。人工智能會給未來的人類空戰隊伍帶來什么變化？
阿爾法狗戰系列指揮官默克表示，雖然獲勝的人工智能算法不能代表未來空戰的發展趨勢，但通過這一系列比賽，我們已經看到了人工智能在空戰中對人類的優越性。如果人工智能的這些優勢在未來能夠被掌握和發展，空戰能力將會得到實質性的提高。同時要考慮一個。在人類空戰中加入人工智能，戰爭會變得更加殘酷。
只有少數幾個個科技發展的國家可以實現空戰自動化。因此，在空戰中加入人工智能會進一步導致軍事活動的升級，對國防力量薄弱的國家是一個打擊，對世界和平的危害更大。
總之，人工智能是一項潛力無限的技術。如果人類用得好，用得對，會大大提高社會生產力。如果使用不當，會給人類帶來倫理問題，激化社會矛盾，甚至引發新的世界大戰。這應該不是大家都想看到的場景。
展開 DARPA開展采用人工智能技術控制戰斗機進行編隊格斗模擬試驗
據英國《飛行國際》網站2021年3月23日刊文，2021年2月，美國國防高級研究計劃局（DARPA）在“空戰進化”（ACE）項目中模擬測試了人工智能控制戰斗機之間的2對1編隊空中格斗。
3月18日，DARPA表示，由約翰霍普金斯應用物理實驗室（Johns Hopkins Applied Physics Laboratory）執行的“混戰1號”（Scrimmage 1）模擬試驗進行了人工智能算法的測試，即兩架“藍色”友軍F-16戰斗機共同與一架“紅色”敵軍飛機作戰。
與2020年8月進行的“阿爾法空中格斗”（AlphaDogfight）模擬試驗不同的是，“阿爾法空中格斗”是近距一對一戰斗機格斗模擬，而此次試驗包括遠程導彈的交戰模擬。
DARPA的最終設想是“忠誠僚機”無人機能夠自主地進行格斗，而人類飛行員則可專注于“更高認知的作戰管理決策”。DARPA希望證明，采用人工智能技術控制的無人機在戰斗中是可信的。為了獲取這種“信任”數據，飛行員在愛荷華大學技術研究所操作性能實驗室的L-29教練機上進行了多次飛行。該教練機駕駛艙配備了傳感器，用來測量飛行員的生理反應，為研究人員提供飛行員是否信任人工智能的線索。
DARPA計劃在2021年下半年將其空中格斗的人工智能算法從模擬過渡到規模較小的實際戰斗機空戰演示當中。
本期責編：王妍
展開 
COMSOL與MATLAB聯合仿真人工智能的電學層析成像系統
關鍵詞：MATLAB，電學層析成像，人工智能，圖像重建，深度學習
一、引言
基于人工智能的電學層析成像系統是一種創新的檢測技術，結合了電學層析成像技術與人工智能算法的優勢。電學層析成像技術，簡記為ET，是層析成像技術的一種。它基于電學傳感器提取被測區域物質的空間分布的部分信息，以電學信號作為載體進行處理與傳輸，并采用適當的信息重構算法，重構被測區域物質的空間分布的全部信息。電學層析成像技術存在三種基本形式，即電容層析成像（Electrical Capacitance Tomography，ECT）、電阻層析成像（Electrical Impedance Tomography，EIT）和電磁層析成像（Electromagnetic Tomography，EMT）。在基于人工智能的電學層析成像系統中，人工智能算法的應用顯著提升了圖像重建的精度和速度。通過訓練深度學習模型，系統能夠從復雜的電學信號中準確提取出被測物體的內部結構信息。這些算法可以自動學習并優化圖像重建過程中的參數設置，從而減少對人工干預的依賴，提高系統的自動化程度和檢測效率。此外，人工智能算法還能夠實現電學層析成像系統的智能診斷和優化。通過對歷史數據和實時數據的分析，系統能夠及時發現并糾正潛在的誤差和問題，確保檢測結果的準確性和可靠性。同時，系統還可以根據實際應用場景和需求，自動調整檢測參數和算法策略，以適應不同的被測物體和檢測環境。綜上所述，基于人工智能的電學層析成像系統在工業檢測、醫療診斷等領域具有廣泛的應用前景和重要的研究價值。
二、COMSOL&MATLAB聯合仿真
COMSOL與MATLAB聯合仿真是一種強大的多物理場仿真方法，它將COMSOL的多物理場建模能力和MATLAB的編程及數據分析功能相結合，為用戶提供了一種高效、靈活的仿真解決方案。
展開 人工智能專業----無人機插上人工智能的翅膀（UAV+Al)
試驗箱結構圖
試驗箱人工智能學習算法
本實驗箱布局兩種人工智能學習算法：離線學習（圖1）和在線學習（圖2）。
離線的人工智能學習：學生學習環境部署、算法以及網絡構建，通過構建網絡以及調節網絡超參數實現在服務器或者學生電腦上訓練網絡，完成訓練模型，然后將模型下載到邊緣計算終端完成預測，得到預測結果，（見圖1）學生可以在這個過程中學習人工智能的整體部署思路、對人工智能的認識以及研究更深入。適合系統研究人工智能學習的整個過程，可以自己設計模型，做一些簡單的算法處理，驗證算法。
在線的人工智能學習：學生直接調用第三方百度的AI開放平臺，將需要預測的圖片或者語音內容傳輸到百度的人工智能算法網絡，算法網絡會給出識別結果（如圖2），這種在線算法無需自己構建網絡和調節超參數，簡化學習步驟，適合應用集成。
離線的人工智能學習：學生學習環境部署、算法以及網絡構建，通過構建網絡以及調節網絡超參數實現在服務器或者學生電腦上訓練網絡，完成訓練模型，然后將模型下載到邊緣計算終端完成預測，得到預測結果，（見圖1）學生可以在這個過程中學習人工智能的整體部署思路、對人工智能的認識以及研究更深入。適合系統研究人工智能學習的整個過程，可以自己設計模型，做一些簡單的算法處理，驗證算法。
在線的人工智能學習：學生直接調用第三方百度的AI開放平臺，將需要預測的圖片或者語音內容傳輸到百度的人工智能算法網絡，算法網絡會給出識別結果（如圖2），這種在線算法無需自己構建網絡和調節超參數，簡化學習步驟，適合應用集成。
展開 人工智能方法用于二元合金彈性常數的預測
大數據理念和人工智能方法正在改變著科研人員對未知世界的探索方式。中國科學院計算機網絡信息中心材料基因實驗室，圍繞預測材料的物理化學性質，提出采用機器學習方法預測第一性原理計算結果誤差，并在此基礎上，推薦出適合所計算體系的誤差最低的最優化計算參數，并對第一性原理計算結果進行糾正。近期，實驗室在該方向上的研究已經有2 篇論文在Computational Material Science 期刊上發表[1]，[2]。
該研究以二元合金彈性常數計算為例，借助高通量材料自動流程計算和數據管理平臺MatCloud（http://matcloud.cnic.cn），可以便捷地產生大量計算數據，并結合收集的部分實驗數據，采用神經網絡方法建立二元合金彈性常數第一性原理計算誤差估計模型，神經網絡參數的學習利用了BP算法和粒子群優化的混合學習方法進行訓練。經實驗驗證，證明了機器學習方法可有效實現對二元合金彈性常第一性原理計算誤差的估計，同時相比較于支持向量回歸算法和單純用BP算法訓練神經網絡，提出的基于混合學習的神經網絡方法能夠更有效地實現誤差預測，預測的彈性常數第一性原理計算誤差準確率達到88%左右。同時，基于以上研究，采用機器學習方法建立了二元合金彈性常數預測模型，經過驗證，該模型對彈性常數的糾正力度在10GPa左右，直接預測出的彈性常數的誤差約為15GPa。見圖1 。
圖 1 采用機器學習方法對二元合金彈性常數第一性原理計算結果誤差的預測
這表明，高通量計算和機器學習相結合的方法在材料性質預測領域具有重要的應用前景。采用更全面、更完善的材料數據庫，運用更深入的人工智能算法/機器學習方法能夠為科研人員提供更精準的信息，進一步加速新材料的研發。高通量自動流程計算可以幫助產生大量數據，從而使模型訓練更為精準。該項研究工作得到國家重點研發計劃和國家自然科學基金重點項目的支持。
展開 從設計制造到使用維護 人工智能已嵌入航空發動機產業全流程
航空發動機是結構復雜的鋼鐵實體，人工智能的核心則是一串串程序代碼。一種名為“數字孿生”的技術可將發動機裝進“計算機”，通用電氣先利用“數字孿生”技術為航空發動機構建一個數字“雙胞胎”，再與人工智能算法結合形成“智能模型”。一方面，該模型可輔助工程師優化航空發動機設計方案：智能“設計師”可先提供4—5個設計方案，工程師再從中擇優。另一方面，該模型還能夠實時預測發動機故障，如壓縮機受損或涂層腐蝕受損等，優化發動機檢測頻率。
在發動機的制造上，既可以通過智能制造技術直接提高生產速度，例如借助機器視覺技術控制熱障涂層噴涂；又能使用智能算法優化生產線設計方案以達到最高的效率。在發動機的使用和維護上，則使用智能算法優化航空發動機使用方案，以最少的燃油達到最大的效率，同時利用機器視覺技術來檢測失效或斷裂的部件。此外，通用電氣還研發了一種智能機器人，用于葉片涂層的檢測和修補。
帕里斯指出，人工智能對傳統航空發動機產業起到了顛覆性作用。智能檢測技術將傳統的發動機葉片檢測時間從20小時縮短到20分鐘，并大大節約了人力，避免了人員操作誤差。截至2017年，通用電氣已經進行了數百萬個“數字孿生”項目，幫助公司節約了數千萬美元成本。
帕里斯表示，新型航空發動機是未來通用電氣主要聚焦領域之一，公司計劃未來20年在航空發動機和燃氣輪機產業投資2100億美元，而積極應用人工智能技術有望給公司帶來更大利潤。同時，通用電氣將與英特爾、英偉達等公司深化合作，開發新的智能軟件和硬件。
展開 人工智能簡介及其目前如何被巖土工程師使用
在當今快節奏的世界中，許多工程師被迫尋找更高效的工作方式，這條rabbit hole往往引領我們開始探索人工智能和自動化來尋求答案。但是，接觸這個話題可能會讓你面臨一個令人生畏的學習曲線，而我們中的許多人沒有時間去克服它。在本文中，我們旨在為您簡要介紹一些關于人工智能的高級概念。我們還將討論一些關于如何在我們的產品Civils.ai中實施人工智能以及您如何開始研究如何將其應用到您的工作中。
首先，為什么人工智能變得越來越強大呢？
摩爾定律，即芯片上的晶體管數量每兩年翻倍一次的理論，對于人工智能不斷增強的能力起到了重要作用。
高性能處理器和專用硬件，如GPU（圖形處理單元）和TPU（張量處理單元），可以加快和更高效地處理復雜的人工智能算法。這種增強的計算能力使得人工智能系統可以處理更大規模的數據集，訓練更復雜的模型，并且執行以前難以想象的任務。
但是，人工智能到底是什么呢？
簡單來說，人工智能是開發能夠表達推理、解決問題和創造力的系統，而不是通過硬編碼腳本運行程序。在最好的情況下，這些系統可以處理和分析信息，從經驗中學習，并根據識別的模式做出決策。
我們經常聽到數據科學、機器學習和人工智能等話題被互換談論，但讓我們退后一步，解釋一下它們的真正含義。
數據科學描述了包括人工智能、機器學習等概念在內的整個領域。將數據科學視為“通用工程”，而該領域中的深度分支學科相當于各種工程學科。人工智能是數據科學中的一個概念，我們通過訓練計算機系統來展示推理和問題解決能力。機器學習是人工智能的一個概念，其中使用數據來尋找外推和預測。深度學習則是利用數據尋找更高層次含義的方法，最后神經網絡是實現這些概念之一所使用的底層技術。
展開 MSC Apex Generative Design——人工智能+創成式設計/拓撲優化
人工智能+創成式設計/拓撲優化
從CAD與約束到CAD，無需網格劃分，直接輸出可用于3D打印的CAD格式文件
通過開發軟件工具來修改零件，用于搭建設計與增材制造之間的橋梁 。這些工具利用人工智能來自動設計結構，因此只需要用戶介入定義用戶希望探索的設計目標、標準和約束。對于新的設計，傳統的產品設計周期需要大量的時間和精力來生成單一的幾何結構設計。通常，最終確定設計的結構，需要非常耗時的創建和測試迭代更多的設計方案。MSC Apex Generative Design 的設計挑戰是使用光順的拓撲優化來計算幾種設計變量。
僅“基本滿足”的設計要求將容易受到低質量的影響。在測試期間或安裝之后，可能在下游出現的隱藏需求將會暴露這些質量的問題。 MSC Apex Generative Design 可以實現思想的自由優化和可行性設計的可能性。這是實現真正的創新設計的基本原則。通過智能的算法驅動的設計，而不是基于傳統設計的標準串行設計過程，可以實現新的智能設計。
與MSC Apex Generative Design探索匯集多個經驗的設計解決方案相比，單個派生設計解決方案顯得蒼白無力。MSC Apex Generative Design創成式設計確定是最有前途的。以省時的方式探索設計空間的能力確保了設計過程不會成為瓶頸，從而使我們的用戶可以完全根據設計的標準做出決策。只有通過一個變量的結果的設計空間進行全面檢查，并在短時間內，才能獲得最佳結果。
拓撲優化算法提供最大的設計自由度，可以實現零件的合并。通過MSC Apex Generative Design 將裝配組的不同零件連接在一起，以形成一個有機的單一設計解決方案。生成一個單一的零件代替使用一個裝配體，不僅減少了重量，而且還減少使用的零件數量，并簡化了相關裝配過程。零件的復雜性降低，從而節省更多。
展開 行業洞見 | 人工智能在數字化轉型中的作用
如今已是2022年，人工智能 (AI) 和數字化轉型 (DX) 這兩個術語已經相互關聯在一起了。即使組織或思想領袖只提到了其中一個，但他們仍然會不自覺地會提到兩者需要相互協作。簡而言之，人工智能已經,并且將繼續為下一階段的數字化轉型計劃和軟件提供助力，創造以前不可能的機會并實現以前未有的改進。
由于AI有無數的定義，其定義取決于設置和具體的使用，我們必須首先詳細解釋其含義，因為其與數字化轉型的概念有關。
定義與數字化轉型相關的人工智能
大多數情況下，當在工程和制造的背景下討論人工智能時，我們實際上指的是狹義的人工智能。這不是說使機器像人一樣思考，而是指一系列為了預定義的任務而設計的復雜算法，從而使預定義的任務易于理解。例如，為 CAD 應用程序設計的狹義人工智能永遠不會在那些特定的、之前概述的參數之外產生“想法”。
與標準自動化不同，人工智能驅動的流程可以對新信息或意外變化做出反應。這是人工智能最大的優勢。由于不受預定輸出的限制，人工智能算法可以從成功的情況和失敗的情況中進行學習。他們能夠自我糾正，并且可以對數據進行分析以在意外發生之前就檢測到這些情況。
從另一個角度來講，當部署在預先存在的、定義明確的流程（例如已建立的生產線）中時，自動化可發揮更大價值。用戶一般只在一組給定輸入的范圍內指定自動化過程。
展開 
關于人工智能錯誤算法的認識 改正及思考
這里根本不需要什么深度學習 機器學習 這就是全部的人工智能函數
下面再寫兩個跟游戲有關及常用的人工智能函數 第一個自動尋路/自動駕駛
自動尋路要注意的一點就是不能把HitTest()當成"輕重緩急"算法寫在判斷避讓那里 因為自動尋路避讓障礙的時候是個輕重緩急行為 不是進行碰撞檢測
bool AutoDriving(int Character)
{
bool obstacle=Look(); // 看道路上有無障礙
if(obstacle)
{
int distance=OrderofPriority(Character); // 判斷輕重緩急
int direction=GetInput(keyboard);
ChangeDirection(direction, distance); // 在距離distance處轉向
}
}
一個可能的輕重緩急算法是
int OrderofPriority(int Character)
{
int type=rand()/2; // 輕和重 緩和急是個隨機產生情況 這是客觀世界的真實反應 游戲世界也是一樣的
switch(type)
{
int min=GetMinimum(); // 測出物體中心到前端的距離的最大值即碰撞距離 不碰撞只要大于它就行了 比如可以略大于它 也可以+1 +2 +5厘米或者加個隨機數
int senmin,senmax;
GetDistanceSensitivity(Character,senmin,senmax); // 得到角色的最小最大距離敏感度 一個查詢數據庫的函數
case
展開 盤點2021年上市的人工智能芯片
該芯片于2020年首次推出，目前仍然在人工智能性能的多項基準測試中占據主導地位。
2021年，A100在MLPerf 基準中打破了16個AI性能紀錄，NVIDIA聲稱這使GPU成為當今市場上最快的商用產品培訓性能。NVIDIA A100的張量核心與張量浮點數(TF32)提供了高達20倍的性能，超過以前發布的NVIDIA伏特零代碼更改和額外的2x提升自動混合精度和FP16。
因此，像BERT這樣的培訓工作量可以大規模解決，在一分鐘之內解決2048個A100 GPU，這是解決方案的世界紀錄。
結 語
今天的尖端人工智能系統不僅需要特定于人工智能的芯片，還需要最先進的技術。此外，所需的速度動態性和成本效率的必要性，使得沒有最先進的人工智能芯片，幾乎不可能開發和部署尖端的人工智能算法。這種人工智能技術的發展和應用，反過來又增加了全球穩定性，似乎對人工智能的未來大有裨益。
展開 美國推動太空軍事化 人工智能會成為“幫兇”嗎？
通過人工智能來高效利用海量天文數據，可以為科學家進行相關研究、為航天器發射與運行、為人類開展太空活動等提供諸多關鍵信息。此外，科學家還能借助人工智能算法，預測一些天文氣象活動，這對于人類的太空基礎設施和地面能源、通信等設施安全也有重要意義。
一方面，人工智能的應用提升了科學家們的工作效率，為人類探索太空提供了更多保障；另一方面，人工智能在太空領域的滲透，也為科技企業提供了新的商業機遇，英特爾、IMB等企業已經先后入局。隨著“人工智能+太空”的發展趨勢愈演愈烈，人工智能相關領域的市場規模將迎來新的增長，太空領域將成為人工智能商業化的又一片廣袤藍海。
展開 人工智能+語音引爆CES
他在CES時告訴我們，語音助理競賽如今已經著重于在本地增加“智能”、區別人類與非人類的聲音分開、消除背景音樂、辨識聲音模式等。
Wertheizer說：“以Petcube設計的交互式Wi-Fi寵物相機為例，它能在主人不在家時，通過雙向音訊和1080p高解析(HD)視訊攝影機進行監控，以及與狗或貓互動?！盬ertheizer說：“我不確定Petcube是否意識到這是一家物聯網公司。但是，像這樣的連網產品中，語音識別系統顯然必須能夠辨識狗吠聲，并且確定狗是處于壓力還是處于危機之中。換句話說，系統需要有智能才能進行學習?！?Neupro低功耗AI處理器 雖然Ceva為語音系統的設計者提供了名為ClearVox的語音算法，但它也知道系統廠商需要的更多。系統制造商希望在其物聯網設備中整合學習和推論的能力，使其產品能夠持續變得更加智慧化。
目前的市場上亟需AI處理器。為了滿足這一需求，Ceva在CES上推出了NuePro，這是一款“專用的低功耗AI處理器系列，用于在邊緣進行深度學習”。NuePro是一款獨立的專用AI處理器，可廣泛用于物聯網、智能型手機、安全監控、汽車、機器人、醫療和工業等市場。
值得注意的是，Ceva并非深度學習領域的新手。據報導，NeuPro是以Ceva在計算機視覺應用深層神經網絡方面的經驗為基礎。
Wertheizer說，NeuPro AI處理器是Ceva從頭開始研發的第一款“非DSP”技術。他在發布Neupro時說：“我有點緊張。但是你必須知道AI并不是訊號處理方面的問題?！?NeuPro處理器搭載兩個硬件——NeuPro引擎和NeuPro VPU (向量處理單元)。Wertheizer指出，雖然引擎處理定義良好的人工智能算法，如CNN、啟動和規范層，但是，可程序設計的向量引擎NeuPro VPU是執行專有AI算法的一種延伸。
展開 