AI訓練的案例
【產品技術】中科行智 | GIVS視覺平臺發布AI訓練和部署工具包
（GIVS AI深度學習訓練平臺）
GIVS AI深度學習訓練平臺涵蓋了分類、定位、分割與OCR四大功能模塊，每個模塊包含多種量級模型，共集成了十多種高精度神經網絡模型。
參數設置簡潔方便，并預先進行默認值優化，用戶也可根據任務的復雜程度，對模型類型和訓練參數進行自定義設置。模型訓練完成后可進行一鍵導出，與GIVS AI運行端無縫銜接。
成功案例丨開發時間從1小時縮短到3分鐘：如何利用歷史數據訓練AI模型，預測設計性能？
然而，為了突破開發瓶頸并加速決策流程，Hero決定超越傳統FEA方法，引入人工智能（AI）和機器學習技術。為了幫助其CAE工程師在日常工作流中順利應用AI和機器學習，Hero需要高效、強大且用戶友好的工具支持。</p><p><br></p><p>Hero的首個AI驅動項目聚焦于摩托車把手的設計優化。作為摩托車的核心部件，把手的設計直接影響人機工程學、騎手姿勢以及車輛的操控性、平衡性、舒適性和整體風格。由于其重要性，團隊通常需要投入大量時間進行把手的設計與優化。為了實現目標并縮短設計周期，Hero選擇了Altair的AI驅動技術。</p><p><br></p><p><br></p><p><strong>Altair解決方案</strong></p><p>Hero 選擇了Altair<sup>?</sup> PhysicsAI?，這是一項強大的幾何深度學習技術，能夠利用歷史數據訓練AI模型，并在傳統FEA方法所需時間的一小部分內生成物理預測結果。PhysicsAI的工作流程已無縫集成到仿真與設計平臺 Altair<sup>?</sup> HyperWorks<sup>?</sup>中，這使得Hero的所有用戶，無論技能水平如何，都能輕松將這一解決方案融入現有流程。</p><p><br></p><p>為了充分利用PhysicsAI，Hero首先將現有數據分為訓練集和測試集：訓練集用于基于歷史仿真數據訓練機器學習模型，測試集則用于評估和量化AI模型的預測準確性。由于Hero的產品線涵蓋多種車型（如運動型摩托車、探險摩托車、通勤摩托車和巡航車等），團隊使用了多樣化的把手數據集，以確保AI模型能夠生成準確的結果。</p><p><br></p><p>數據分割和模型訓練是AI驅動工程流程中的關鍵步驟。
展開 科研圖形工作站硬件配置十大坑+避坑方法，專門針對：HFSS、Fluent、Abaqus、CST、MATLAB、VASP、AI 訓練、渲染、三維建模等科研常用軟件
[圖片]
異構將成超算主流，Habana的AI專用芯片顯威力
近日，Habana Labs宣布美國圣地亞哥超算中心為Voyager研究計劃選擇了Habana Lab AI 加速器。后者是典型的ASIC（專用芯片），但是可與英偉達的GPU在AI訓練市場一比高低。為何Habana Lab AI 加速器有如此強大的威力？未來的超算架構會青睞哪種AI芯片？值此機會，電子產品世界記者采訪了Habana Labs中國區總經理于明揚先生。
用于Voyager研究計劃的Habana Lab AI 加速器
據悉，超微 (Supermicro)提供內置Habana? Gaudi? AI訓練和Goya? AI推理加速器的高性能計算系統，將用于加州大學圣地亞哥分校圣地亞哥超級計算機中心（SDSC）的Voyager超級計算機，以提供高性能的AI計算能力，計劃于2021年秋季投入使用。
Voyager將致力于推進跨學科和工程領域的人工智能研究。其采用了Habana獨特的互聯技術，用336片Gaudi加速器有效地提升了AI訓練能力，這種架構很好地擴展了大型超級計算機的訓練應用。Gaudi是目前業界唯一內置集成10個支持RoCE v2（RDMA over Converged Ethernet）100G以太網端口的AI處理器，可以有效提升擴展的靈活性，避免擴展能力受限于吞吐量。Voyager系統還采用了16片Habana Goya處理器用于AI推理模型。
之所以采用Habana的芯片，因為效率可以大為提升。
展開 
ChatGPT服務器，深度拆解（2023）
4、AI服務器：更適合深度學習等AI訓練場景
AI服務器采取GPU架構，相較CPU更適合進行大規模并行計算。通用服務器采用CPU作為計算能力來源，而AI服務器為異構服務器，可以根據應用范圍采用不同的組合方式，如CPUGPU、CPUTPU、CPU其他加速卡等，主要以GPU提供計算能力。從ChatGPT模型計算方式來看，主要特征是采用了并行計算。對比上一代深度學習模型RNN來看，Transformer架構下，AI模型可以為輸入序列中的任何字符提供上下文，因此可以一次處理所有輸入，而不是一次只處理一個詞，從而使得更大規模的參數計算成為可能。而從GPU的計算方式來看，由于GPU采用了數量眾多的計算單元和超長的流水線，因此其架構設計較CPU而言，更適合進行大吞吐量的AI并行計算。
深度學習主要進行矩陣向量計算，AI服務器處理效率更高。從ChatGPT模型結構來看，基于Transformer架構，ChatGPT模型采用注意力機制進行文本單詞權重賦值，并向前饋神經網絡輸出數值結果，這一過程需要進行大量向量及張量運算。而AI服務器中往往集成多個AI GPU，AI GPU通常支持多重矩陣運算，例如卷積、池化和激活函數，以加速深度學習算法的運算。因此在人工智能場景下，AI服務器往往較GPU服務器計算效率更高，具備一定應用優勢。
AI服務器分類方式有兩種：
1）按應用場景：AI服務器按照應用場景可以分為深度學習訓練型和智能應用推理型。訓練任務對服務器算力要求較高，需要訓練型服務器提供高密度算力支持，典型產品有中科曙光X785-G30和華為昇騰Atlas 800（型號9000、型號9010）。推理任務則是利用訓練后的模型提供服務，對算力無較高要求，典型產品有中科曙光X785-G40和華為昇騰Atlas 800（型號3000、型號3010）。
展開 AI+CATIA打造“會進化”的智能設計助手
2025年5月29日，達索系統 “AI賦能工業軟件 助力非標訂單敏捷” 企業數字化轉型與智造論壇盛大啟幕。該論壇聚焦工業軟件與人工智能技術的深度融合，以3DEXPERIENCE平臺和虛擬現實融合(V+R)理念為基礎，以AI在工業軟件場景中應用及生成式技術為核心，深入探討數字化轉型的前沿趨勢與實踐路徑，助力企業智能化升級。
實操驚艷全場：迅筑AI Agent刷新工程設計新速度
上海迅筑信息科技有限公司副總經理王佼與技術顧問聯合帶來的CATIA+AI實操演示，堪稱一場工程設計領域的 “速度與激情”，在長達20分鐘的分享過程中贏得現場多次掌聲。
在迅筑AI賦能訓練平臺上輸入汽車前機艙蓋CAS面及周邊約束條件，Agent驅動CATIA V6，在2分鐘內智能生成滿足設計規范和業務規則的發蓋內板全參工程數模。這一突破，將原本2~4周的工作量壓縮至2分鐘，實現工程設計效率和設計質量的質的飛躍。同時在使用過程中產生的知識圖譜是訓練AI大模型的重要原料。
越用越 “聰明”：工程AI自主進化的秘密武器
迅筑AI賦能訓練平臺的 “黑科技” 遠不止于速度。它擁有獨特的自主學習能力，堪稱工程設計界的 “超強大腦”。
用戶通過自然語言指令，實現智能生成數據模型
通過對知識圖譜的學習，AI智能體能夠在不同車型項目間 “舉一反三”。每一次使用，平臺都會精準記錄工程師的設計過程步驟、調整行為、選擇偏好和設計反饋等信息，并將其沉淀為知識圖譜，反哺AI模型訓練。
展開 數據驅動變革時代，自動駕駛研發如何破解數據跨境合規難題？
三、如何技術破局
通過技術手段將數據中的個人身份信息徹底移除且無法恢復，這些數據便能在全球范圍內自由、合法地流通，用于AI訓練和算法分析。然而，又一核心問題出現：如何在保護隱私與保留數據價值之間取得完美平衡？
為此，康謀提出了一套基于人工智能的、由淺入深的行業領先匿名化方案。
1、精準模糊
通過自動且精準地識別圖像和視頻中的人臉與車牌，高度貼合人臉的自然輪廓，僅對車牌字符區域進行處理，最大限度地保留了背景環境的完整性，為分析和機器學習提供了高質量的基礎數據；
2、全身模糊 (Full body Blur)
一種擴展的全身匿名化技術，完整識別行人輪廓，進一步防止通過姿態、服裝、紋身等間接識別到具體個人，提供更全面的隱私保護，適合高敏感度場景如公共場所監控、校園測試等；
3、深度自然匿名化技術 (DNAT）
突破性的圖像匿名化技術，不再是傳統的“遮蓋”，而是“重生”。DNAT通過先進的生成式AI技術，為檢測到的人臉和車牌創建一個全新的、合成的、但外觀完全自然的覆蓋層。
（1）不可逆，真匿名： 生成的覆蓋層是隨機且唯一的，確保原始身份信息無法通過任何手段被逆向工程破解，完全符合全球主流法規的匿名化標準；
（2）保留核心屬性： 在替換面部的同時，DNAT能夠保留原始人物的性別、種族、視線方向、面部表情甚至佩戴物（如眼鏡）等關鍵屬性；
（3）完全支持AI訓練： 經DNAT處理的數據，在用于目標檢測、語義分割等AI模型訓練時，其性能表現與使用原始數據幾乎沒有差異。
四、總結
全球數據法規的協同化與嚴格化已是不可逆轉的趨勢。對于在自動駕駛領域競爭的企業來說，將數據合規從“成本中心”轉變為“戰略優勢”，是在未來獲勝的關鍵。
展開 客戶案例 | Ansys利用NVIDIA AI推動人工智能賦能的半導體設計取得重大發展
將NVIDIA Modulus框架集成到Ansys SeaScape平臺中，將使客戶能夠使用由Ansys工具生成的高置信度數據訓練其AI引擎，然后使用新創建的引擎執行更穩健的設計探索。
例如，設計人員可以通過Ansys RedHawk-SC中已完成設計的庫，在集成的Modulus框架中訓練AI模型。一旦完成AI訓練，便可將其用于根據所需的規范（如尺寸、功耗和性能），在極短的時間內確定最佳設計。Ansys計劃在其包括RedHawk-SC、Totem-SC、PathFinder-SC和RedHawk-SC Electrothermal在內的半導體解決方案中，添加Modulus創建的AI加速器，以加速熱仿真，簡化功耗計算。Ansys和NVIDIA已證明，這種AI增強型流程可將熱仿真速度提高100倍以上。
Ansys副總裁兼半導體、電子與光學事業部總經理John Lee表示：“多年來，NVIDIA一直作為合作伙伴及客戶與Ansys緊密合作。NVIDIA的強大芯片推動并促成了Ansys半導體設計解決方案的發展，我們將通過合作，繼續為雙方客戶帶來業界領先的EDA工具。”
NVIDIA CAE、EDA及Quantum以及HPC業務高級總監Tim Costa指出：“NVIDIA Modulus可使訓練和部署具有物理學知識并能反映真實世界因果關系的AI模型變得輕松易行。與Ansys用于場半導體設計的多物理仿真產品集成是Modulus的理想應用，其不僅可提高仿真速度，而且還可高效確定最佳設計解決方案。”
展開 參數化，知識工程，仿真技術與AI結合實現快速性能預測
1、基于AI，快速構建全參數化的幾何模型。結合知識工程，實現所需預測的結構、厚度、材料等信息的參數化；
2、設計仿真一體化，快速生成AI學習訓練所需的仿真模型及數據。基于單一的數據源，全參數化設計模型與仿真技術自動關聯，利用仿真自動化流程，多學科多目標優化技術，自動更新模型，自動更新仿真設置；
3、AI神經網格搭建以及AI模型訓練&調試。
4、AI模型預測結果與實際仿真評價對比。
5、AI模型替換仿真模型，實現快速性能預測。
2021首筆超10億芯片投資！燧原科技C輪融資18億，騰訊連投四輪
在2019年底發布首款面向數據中心的AI訓練芯片“邃思”及加速卡“云燧T10”后，燧原科技于2020年12月21日發布首款面向數據中心的AI推理產品 “云燧i10”。
燧原科技CEO趙立東在2020年12月表示，疫情加快了數據中心建設步伐和AI應用的速度。“傳統數據中心和AI沒有直接關系，就是X86+GPU加一堆存儲和數據搬運，但現在數據中心越來越多引入AI加速平臺。AI的滲透率會越來越高，我們預計滲透率會從5%到25%-30%，市場非常龐大。”
趙立東稱，AI真正起步在過去五六年，國內更晚，BAT等大企業從2018、2019年才開始大量采購英偉達V100訓練芯片，“訓練跟推理的關系是——訓練出來的模型被部署到推理產品上使用。當模型、算法不成熟，你需要不斷訓練、迭代，成熟了才能被部署到推理上去真正應用。從2018年開始到2022年，很多場景的算法和模型經過這幾年開始逐漸成熟，真正規模化應用。當推理芯片銷售收入超過訓練芯片，很多算法、模型已經開始被廣泛應用了。對AI領域來講，2022年是個重要的節點。”
中金資本旗下基金表示，AI賦能百業的當下，AI模型訓練所需的算力需求呈指數級增長。云計算、數據中心、5G建設等新基建產業提速，算力向云端集中，各行業對高算力AI芯片需求大幅提升。
商業化方面，燧原科技的云端訓練產品已實現商業落地。2020年9月，燧原科技稱，“云燧T10”和由其組成的多卡分布式訓練集群已在云數據中心落地，正式進入商用階段。據悉，云燧T10已經在互聯網和金融行業的頭部客戶落地商用，云燧i10已支持多款業界主流AI服務器，正與頭部企業展開業務合作。
騰訊是燧原科技的重要合作伙伴。騰訊投資董事總經理姚磊文表示，在燧原成功流片后，目前已與騰訊基于業務真實場景開展了深入合作。
展開 電子電路3D打印廠商NANO DIMENSION收購AI公司DEEPCUBE
Yoav Stern認為，方案的核心將是DeepCube的AI / ML / DL“大腦”，并有望通過它來管理邊緣設備的神經網絡。他們將自我學習、提高效率、自我管理并在整個網絡中實現產量最大化。Nano Dimension機器以及正在開發的下一代設備將成為數字制造神經網絡解決方案中的邊緣設備。DeepCube的聯合創始人兼首席技術官Eli David博士總結稱，在過去的18個月，DeepCube已與一些世界領先的集成電路和中央處理器（CPU）制造商進行談判。這家公司獨特的AI技術可顯著提高現實世界中深度學習的效率，也將成為Nano Dimension戰略的一部分。
DeepCube的CubeIQ和CubeEngine
南極熊搜索了DeepCube的網站，發現了兩款有意思的產品：
CubeIQ是用于訓練AI模型的高效系統，是反復進行神經網絡訓練的繁瑣過程，因此它可以逐漸學會識別正確答案。神經網絡可以根據所呈現的數據學習任意知識。
△CubeIQ
CubeEngine是一個運行由CubeIQ生成的經過訓練的AI模型系統。它的優勢在于輕巧的設計和高速。
△CubeEngine
此次收購將使Nano Dimension能夠在3D打印機和相關設備上進行AI訓練，以此在3D打印過程中提供更好的質量控制。打印過程中傳感器產生的數據可以實時輸入AI系統，然后可以進行適當的調整來降低問題的發生率，這可以大大提高打印質量和可靠性，也是Inudstry4.0制造環境的關鍵之一，值得所有3D打印機制造商考慮。
參考閱讀：
1.
展開 
官方免費 | 3DIC HBM的信號與電源完整性分析在AI芯片的應用
簡介：
HBM是云端AI訓練和推理芯片的一個典型配置。HBM相對于傳統DDRx設計來說有更高的帶寬和功耗效率，時延很低，占用面積小的特點。如果采用相似的帶寬和存儲大小的情況下，GDDR6的PCB占用面積是HBM2的6倍，功耗消耗多3倍，芯片設計面積接近2倍，HBM的優勢比較明顯。但是HBM設計實施卻很困難，除了滿足嚴苛的interposer設計規則及信號完整性規則外，還必須考慮高位寬（1024 bits/2048 bits甚至4096 Bits）同步開關噪聲問題。本次研討會將聚焦HBM設計面臨的挑戰，并以一個全新的視角刨析針對3DIC HBM信號和電源完整性問題和相應的解決方案。
講師簡介：
張書強，Ansys中國半導體事業部技術支持經理，自2010年加入Ansys以來，一直從事芯片-封裝-系統協同設計和協同仿真領域的技術支持工作。主要研究領域：芯片-封裝-系統電源/信號/熱完整性協同仿真分析，芯片功耗噪聲簽核分析。
時間：
2020/05/07 16:00~17:00
報名方式：
掃碼報名
或點擊鏈接報名：http://event.31huiyi.com/1854380264/index?c=jishulink
展開 智能客服為啥總是不好用？
雖然前文提到的種種技術已經為智能客服帶來了不小的進步，但是，如今的AI訓練本質上仍然要依靠大量的數據進行學習。
也正因如此，谷歌推出了BERT，OpenAI推出了GPT-3，這兩者都是用來進行自然語言處理訓練的AI模型，前者擁有33億條語料數據，后者的語料數據則高達驚人的1750億條。
可即便經過了上述兩種模型的訓練，全世界范圍能夠完美應對來自用戶各種問題的智能客服依舊沒有出現，這樣的技術瓶頸是全世界面臨的難題。
2、真實場景環境復雜
AI模型的訓練場景與真實的應用場景是有較大區別的。
一般來說，訓練場景的環境比較理想，沒有過多干擾因素；但真實場景就不同了，顧客提問的方式千差萬別，甚至幾句話都不會觸發智能客服的關鍵字，智能客服甚至根本摸不清楚顧客的真實意圖，也因為這樣，智能客服變成了“智障客服”。
3、垂直行業存在局限
雖然智能客服已經部署進了諸多行業，但仍然有一些領域不適合智能客服過多參與的。
比如，醫療領域。雖然有不少人都曾設想過“AI醫生”的存在，但由于醫學知識過于龐雜，疾病的臨床癥狀又千差萬別，僅靠病人單方面的描述病情而給出診斷，是非常容易出現誤診的。
那么，有沒有辦法解決或者至少緩解智能客服不夠智能的情況呢？有。
既然純靠AI不行，那加上人工客服呢？
把簡單的問題丟給AI，把難搞的問題交給人類，“人機協作”就是這樣的一種模式——包括美洽在內的多數主流智能客服均采用此模式。
但人機協作模式又會引起新的質疑：既然最后仍然要用人工，那還算智能客服嗎？
或許用一組數據可以說明情況。
根據中國信通院發布的《2021年客服中心智能化技術和應用研究報告》，企業運用智能客服平均可節省人力成本42.6%，提升人力資源利用率39.3%，降低運營成本39.9%，提升運營效率34.4%。
展開 【Ansys線上直播回看】3DIC HBM的信號與電源完整性分析在AI芯片的應用
『點擊觀看直播回放』
HBM是云端AI訓練和推理芯片的一個典型配置。HBM相對于傳統DDRx設計來說有更高的帶寬和功耗效率，時延很低，占用面積小的特點。如果采用相似的帶寬和存儲大小的情況下，GDDR6的PCB占用面積是HBM2的6倍，功耗消耗多3倍，芯片設計面積接近2倍，HBM的優勢比較明顯。但是HBM設計實施卻很困難，除了滿足嚴苛的interposer設計規則及信號完整性規則外，還必須考慮高位寬（1024 bits/2048 bits甚至4096 Bits）同步開關噪聲問題。
此次網絡直播吸引了眾多觀眾在線觀看，在會后我們也陸續收到在線觀眾以及其他用戶前來詢問，在此附上本場網絡直播錄播內容，供大家回看學習。
隆重向大家推出Ansys行業應用大講堂“仿真體系建設驅動數字創新”系列在線研討會；5月，我們還將迎來Ansys 2020 R1針對SI/PI和EMC技術亮點及案例系列專題網絡研討會。非常有幸邀請到多位高級工程師為系列專題助陣，歡迎積極報名參加并關注后續精彩內容！
▼▼▼2020 Ansys網絡研討會有獎反饋 - 可免費獲取本場錄播和講解資料，參與者均可獲得千元培訓券及技術鄰金幣獎勵！
關于Simulation World
Simulation World是一場面向全球觀眾且為免費的在線虛擬盛會，將于2020年6月10日-11日舉行，屆時，來自Ansys，客戶和合作伙伴多名演講者將在此發表主題演講。內容涵蓋自動駕駛、電氣化、工業物聯網以及后疫情時代的數字化轉型等前沿趨勢探討，Ansys合作伙伴也將在其冠名的虛擬展廳中展示相關解決方案。立即掃碼報名！
『或點擊此處進入報名通道』
展開 行業熱點｜助力企業解決降本增效的難題，Altair HPCWorks新功能創新升級
用戶通過MLFlow或者KubeFlow提交AI訓練任務的時候，K8s會找到PBS的調度器，啟動每一個硬件資源上的守護進程。通過這個技術實現昂貴的GPU資源在CAE和AI兩個業務場景的復用，同時不改變原有的用戶使用習慣。
目前，我們的HPCWorks也在不斷加入AI功能，包括Deep Learning功能，也會提供給用戶基于機器學習的資源預估功能。
2024年我們新發布了2024.2版本的HPC，更新了入口的一個功能，如圖所示，Altair OptiStruct的結構求解器，在選擇不同內存的時候，會對計算的時間和性能產生影響，用戶輸入不同的CPU核數或者內存參數的時候，菜單會自動給一個預估時間。用戶在提交任務的時候就可以了解到需要怎么提高計算效率。
舉個例子，一個AI工程師需要在AI的資源上提交一個Jupiter Notebook進行訓練，或者基于學習的計算任務。在我們的門戶里會給他一個基于Jupiter Notebook的啟動資源，這個資源是基于HPC的調度分配，只有當GPU卡閑著的時候才會接收到AI訓練的工作。
同時它也支持CPU和GPU的調度，在基于Web版本的用戶提交了任務之后，可以開啟一個IDE完成訓練所需的資源，這個資源在AI工程師不用的時候還可以用做遠程的前后處理以及CAE計算時需要GPU的業務場景。
展開 