※ 引述《KILLE (啃)》之銘言：
: ※ 引述《KILLE (啃)》之銘言：
: : 又過一年了 來看本人兩年前預測文
: : 矽谷這AI職缺明顯變少 https://imgur.com/EM9X6Kj
: : CUDA也變少 https://imgur.com/kzGtpoj
: : 產品要落地 必要之優化不可少
: : 產線要優化 流程要優化 電路設計需要優化 裝置軟體韌體要優化
: : 憑甚就AI不需要 ?
: : https://finance.technews.tw/2021/01/15/unicorn-companies-software-ec-ai/
: 現在結果算是揭曉了
: AI = 拼數據 沒數據就是吃毛
: 數據充足 爛模型亦為結果好棒棒
: 數據不足 神佛亦難救
: 在數據夠情況下 不要說底層優化到自己開晶片
: 就算是推論inference運行模型之晶片 還買都買得到
: 是的 我當初推論偏頗 以CUDA為深度學習量揣指標
: 我未想到還有AI專用晶片這路
: 以我這四年觀察 :
: 人工智能 離不開傳統做法為前處理 不論是統計分析還是訊號圖像處理
: 這些傳統處理 相當多適合一口令一動作無需判斷之併行計算
: (SIMD單指令多筆數據)
: 也就做CUDA(或SIMD(x86 SSE/AVX, arm NEON)優化
: 在數據夠 在玩到一定程度後 這些前處理必需優化
: 而數據量是核心之核心 以致根本沒幾間公司數據量達到需聘人優化前處理
: 人們現發現其實AI(在數據不足時)也沒這樣神
: AI今日退成統計分析之一環 與傳統方法互補
: 今日 累計數據之重要性 比 找個AI天才 來得重要
: AI常只是意謂 這公司有在做統計分析 至於是不是神經網絡 那不是重點
: 結果能用 正確 就可以了
: 採數據才是AI真議題 所以做單晶片韌體之人 比之前來得搶手
: 不過AI也不能說沒用 讓公司重視數據分析 看出些端倪 總是好是
AI在所有人用的方法都差不多，使用的訓練設備都差不多
瓶頸主要在訓練資料和產品的硬體架構
MTK CAI新人十個有十一個都想搞Algorithm
但他們不曉得Algo的世界的殘酷
只有第一名和輸家，這塊早就已經血流成河
投100體力大概只有10的期望回報
台灣不搞雲端，資料這塊基本沒救。
把軟硬體整合做好是唯一出路
現在就是Nvidia Cuda太貴，Arm Neon不夠用。
設計一套新指令集解決Edge computing的需求是當務之急
這邊有滿多Work可以做的，比如說以下這幾項：
RISC-V+客製指令
推論算法/量化算法 (int8 qunatization)
編譯器技術(LLVM/TVM/MLIR)
指令模擬器
這些都是滿值得投資源下去研究的東西
軟硬整合整的好，做的夠省電，效率夠高
用最稀鬆平常的CNN幹下去，就算對手是Qualcomm也是打爆