※ 引述《KILLE (啃)》之铭言：
: ※ 引述《KILLE (啃)》之铭言：
: : 又过一年了 来看本人两年前预测文
: : 硅谷这AI职缺明显变少 https://imgur.com/EM9X6Kj
: : CUDA也变少 https://imgur.com/kzGtpoj
: : 产品要落地 必要之优化不可少
: : 产线要优化 流程要优化 电路设计需要优化 装置软件韧体要优化
: : 凭甚就AI不需要 ?
: : https://finance.technews.tw/2021/01/15/unicorn-companies-software-ec-ai/
: 现在结果算是揭晓了
: AI = 拼数据 没数据就是吃毛
: 数据充足 烂模型亦为结果好棒棒
: 数据不足 神佛亦难救
: 在数据够情况下 不要说底层优化到自己开芯片
: 就算是推论inference运行模型之芯片 还买都买得到
: 是的 我当初推论偏颇 以CUDA为深度学习量揣指标
: 我未想到还有AI专用芯片这路
: 以我这四年观察 :
: 人工智能 离不开传统做法为前处理 不论是统计分析还是讯号图像处理
: 这些传统处理 相当多适合一口令一动作无需判断之并行计算
: (SIMD单指令多笔数据)
: 也就做CUDA(或SIMD(x86 SSE/AVX, arm NEON)优化
: 在数据够 在玩到一定程度后 这些前处理必需优化
: 而数据量是核心之核心 以致根本没几间公司数据量达到需聘人优化前处理
: 人们现发现其实AI(在数据不足时)也没这样神
: AI今日退成统计分析之一环 与传统方法互补
: 今日 累计数据之重要性 比 找个AI天才 来得重要
: AI常只是意谓 这公司有在做统计分析 至于是不是神经网络 那不是重点
: 结果能用 正确 就可以了
: 采数据才是AI真议题 所以做单芯片韧体之人 比之前来得抢手
: 不过AI也不能说没用 让公司重视数据分析 看出些端倪 总是好是
AI在所有人用的方法都差不多，使用的训练设备都差不多
瓶颈主要在训练资料和产品的硬件架构
MTK CAI新人十个有十一个都想搞Algorithm
但他们不晓得Algo的世界的残酷
只有第一名和输家，这块早就已经血流成河
投100体力大概只有10的期望回报
台湾不搞云端，资料这块基本没救。
把软硬件整合做好是唯一出路
现在就是Nvidia Cuda太贵，Arm Neon不够用。
设计一套新指令集解决Edge computing的需求是当务之急
这边有满多Work可以做的，比如说以下这几项：
RISC-V+客制指令
推论算法/量化算法 (int8 qunatization)
编译器技术(LLVM/TVM/MLIR)
指令模拟器
这些都是满值得投资源下去研究的东西
软硬整合整的好，做的够省电，效率够高
用最稀松平常的CNN干下去，就算对手是Qualcomm也是打爆