Artificiell intelligens och maskiner som kan lära sig är hur de saker vi använder varje dag kommer att förbättras. Google och Android är all-in med AI genom Google Assistant och maskininlärning, så det är viktigt att veta hur backend fungerar, hur de kom dit och vilken typ av utrustning som gör allt möjligt. Och det är riktigt coolt också!
De människor som kommer att bygga framtidens teknik kommer att behöva verktygen för att göra det. År 2017, NVIDIA gör sin del, och Jetson TX2 är förkroppsligandet av denna idé. Utvecklare behöver hårdvara som inte bara kan göra datorer och tänka (ja, jag säger det) som vår smartare framtid kommer att behöva, utan också är lätt att använda och distribuera.
AI vid kanten.
NVIDIA hänvisar till detta som "att leverera AI vid kanten" och det är en lämplig beskrivning. TX2 är en komplett superdator. Det kan bearbeta data på egen hand på den plats och tid det faktiskt händer istället för tusentals mil bort via internet. Vi tar anslutning för givet på grund av hur vi använder den just nu, men det finns många fall där det är för länge att vänta på en datorrundtur från en smart maskin. Och en stor del av denna blå marmor vi lever på har ingen anslutning till internet och kommer inte att göra det på länge.
En liten dator som kan göra nästan vad som helst och bearbeta all data den samlar in själv är hur du hanterar dessa problem. NVIDIA verkar ha spikat det här.
Vad är det här för sak?
Det här är inte något du kan hitta på Best Buy för att använda för saker du gör med din telefon. Det kör inte Android (men det skulle verkligen inte vara svårt att fixa det) och det är något de flesta av oss inte kommer att köpa. Men det är fortfarande en mycket viktig del av de saker vi älskar.
Jetson TX2 är ett utvecklingsverktyg. Jetson TX2 är också en färdig modul för att driva all AI-baserad utrustning. Det är en dator som är lika stor som ett kreditkort med alla in- och utgångar som en "vanlig" dator har. När du ansluter TX2-modulen till dess specialdesignade bakplatta (det är en del av utvecklingssatsen) förvandlas mestadels till en typisk liten formfaktor-dator komplett med alla portar och pluggar ditt skrivbord också har.
Utvecklare kan använda detta för att bygga utrustning runt och faktiskt använda Jetson själv för att köra demos och simuleringar. Det är en kapabel liten maskin som kan göra alla beräkningar som något mycket större kan göra när man använder en liten mängd kraft för att göra det. Tekniska specifikationer är imponerande.
- NVIDIA Parker-serien Tegra X2: 256-core Pascal GPU och två 64-bitars Denver CPU-kärnor ihopkopplade med fyra Cortex-A57-processorer i en HMP-konfiguration
- 8 GB 128-bitars LPDDR4 RAM
- 32 GB eMMC 5.1-lagring ombord
- 802.11b / g / n / ac 2x2 MIMO Wi-Fi
- Bluetooth 4.1
- USB 3.0 och USB 2.0
- Gigabit Ethernet
- SD-kortplats för extern lagring
- SATA 2.0
- Komplett PMIC med flera kanaler
- 400-stifts höghastighets- och låghastighetsindustrin standard I / O-kontakt
Den bästa tekniska specifikationen är att Jetson TX2 är en stift för att tappa stift i stället för förra årets Jetson TX1. Låt det sjunka in lite - utvecklare som använder befintliga NVIDIA TX1-datorer för att driva hjärnor bakom deras utrustning kommer att kunna stänga ner saker, dra i det gamla brädet och sätta i det nya ett. Mjukvaran för TX1 kommer att uppdateras till samma programvara som TX2 använder så det kommer bokstavligen att bli en droppe i ersättningen. Om du någonsin har gjort någon typ av fält- eller fabriksarbete på utrustning som kostar mycket pengar när det är stillestånd, förstår du hur viktigt det är. Medan nästa generations utrustning utvecklas använder den hårdvara som fungerar 100% med den befintliga generationen.
Hemligheten här är genom NVIDIA: s Pascal GPU-kärnor. Samma anledning till att Pascal-kärnor används i mycket avancerade grafikkort utformade för VR och 4K 3D-spel är anledningen till att de används för Jetson TX2. GPU-kärnor är ett effektivare sätt att knäcka siffror. De är snabbare och använder mycket mindre kraft.
Datornas heliga gral är artificiell intelligens (AI): att bygga en maskin så intelligent att den kan lära sig själv utan uttrycklig instruktion. Djupinlärning är en viktig ingrediens för att uppnå modern AI. Djupinlärning gör det möjligt för AI "hjärnan" att uppfatta världen runt den; maskinen lär sig och fattar i slutändan beslut själv. Det är nu allmänt erkänt inom den akademiska världen och industrin att GPU: er är toppmoderna för att utbilda djupneurala nätverk (DNN) på grund av både fördelar med hastighet och energieffektivitet jämfört med mer traditionella CPU-baserade plattformar.
NVIDIA GPU-datorer gör redan fantastiska saker. De driver den djupa inlärningen som används för självkörande bilar och undervisar robotar i människoliknande motoriska färdigheter som att gå och greppa, analysera video i hög hastighet för att ge texttexter och till och med spela Go. Och att slå riktigt bra människa motståndare.
GPU-kärnor kan göra samma arbete med mindre ström som traditionell CPU-dator.
Det verkliga testet av AI och hjärnorna som kan driva det är i horisonten. Autonoma robotar och drönare utvecklas för jobb som industriell inspektion, bärbara medicinska apparater som kan tas i fält för att hjälpa till de i nöd behövs desperat och till och med smarta säkerhetskameror som kan analysera vad de ser och vidta lämpliga åtgärder kommer snart att bli verkligheter. Dessa idéer behöver databehandling som kan driva AI med algoritmer för djupinlärning och förmågan att analysera data som samlats in i neuralt nätverk på egen hand. De kan inte anslutas till en kabel och kommer att användas på platser där även Verizon inte har någon täckning.
Förutom att vara kraftfull måste en dator som är designad för att vara liten och bärbar vara energieffektiv. Test visar (.pdf-fil) att NVIDIA GPU-baserad dator kan motsvara en Intel core i7 6700K CPU och använda 6 watt jämfört med 60. För utrustning som inte är ansluten till elnätet är det viktigt.
Vi körde några riktmärken med AlexNet och GoogLeNet - CV-baserat klassificering och upptäckt av objektkategorier testprogramvara och resultaten var fantastiska. I Max-P-läge (högeffekt) kunde Jetson TX2 analysera i genomsnitt 641 bilder per sekund använder AlexNet Network medan du använder bara 13 watt effekt. GoogLeNet-testningen var i genomsnitt 278 bilder per sekund medan de använde 14 watt effekt. Max-Q-test (låg effekt) gjorde i genomsnitt 481 bilder per sekund på AlexNet och 191 bilder per sekund på GoogLeNet medan de bara använde 7 watt. Det här är ungefär dubbelt så mycket som förra årets Jetson TX1 kunde leverera, och det var ganska bra på det också.
När du kan bearbeta information så snabbt och noggrant på plats är en anslutning till molnet inte den begränsande faktorn det var.
I labbet
Jetson TX2 borde vara mycket kapabel i fältet. Det är den första av nästa generations maskiner som lär sig genom att klara sig utan anslutning till molnet och en betydande uppgradering från befintlig utrustning. Men det har också funktioner som utvecklare kommer att älska.
Beräkningsmodulen med kreditkortsstorlek kan anslutas till en komplett bärarkort som finns som en del av utvecklingssatsen för Jetson TX2. Bärarkortet använder de 400 I / O-stiften på Jetson-modulen för att tillhandahålla vanliga skrivbordsanslutningar. En programutvecklare kan använda ett vanligt USB-tangentbord och en mus, en standardmonitor och Jetson TX2 för att skapa en komplett utvecklingsmiljö.
Körs på ett Ubuntu 16.04-baserat Linux4Tegra-operativsystem, alla verktyg du kan behöva för att utveckla och felsöka deep learning AI-applikationer ingår som en del av NVIDIA: s JetPack-programvara. Utvecklare kan ladda ner paketet från NVIDIAs utvecklarzon samt följa handledning och kunskap om samhället för att se vad Jetson kan göra och sedan börja arbeta med sina egna idéer. Inkluderad programvara i JetPack är förkonfigurerad för att köra optimerad på TX2-behandlingssystemet:
- cuDNN - ett GPU-accelererat primitivbibliotek för djupa neurala nätverk.
- NVIDIA VisionWorks är ett programvaruutvecklingspaket för Computer Vision (CV) och bildbehandling.
- CUDA Toolkit - en omfattande utvecklingsmiljö för C- och C ++ -utvecklare som bygger GPU-accelererade applikationer.
- TensorRT - en högpresterande djupinlärningslängd för bildklassificering, segmentering och objektdetektering neurala nätverk.
- NVIDIA Nsight Eclipse - En fullfjädrad och anpassad Eclipse IDE för utveckling, felsökning och profilering av CUDA-C-applikationer.
- Tegra System Profiler och Tegra Graphics Debugger - verktyg för att profilera och prova applikationer med OpenGL.
- Den nödvändiga säkerheten och tillgångarna för att utveckla och designa hårdvara med hjälp av NVIDIA Jetson TX2.
Att använda samma plattform för att bygga och felsöka alla program är ett måste för allt invecklat och komplicerat. Det är ett av sättet utvecklare kan förenkla processen och allt som kan hjälpa till att göra saker lättare gör det för lyckligare utvecklare. Även om Jetson TX2 kanske inte är utformad som den enda utvecklings- och byggdator som någon grupp skulle använda, vet man att den är kapabel är en välsignelse för installation och fältarbete. Att göra små justeringar och ändringar kan göras på kanten på samma sätt som behandlingen sker utan att skicka tillbaka data till en annan datorbank för att behandla och returnera.
Utrustning kan utformas med hjälp av tillgängliga hårdvarutillgångar och ritningar för att inte bara minska komplexiteten utan att tillåta ett enkelt gränssnitt med lättillgängliga kringutrustning och programvara. Beväpnad med en bärbar dator och en USB-kabel har en ingenjör eller fältteknik allt som behövs för att bygga om från grunden om det behövs.
Programvaran NVIDIA Jetpack innebär att utvecklare kan fokusera på sitt arbete och inte skapa en byggmiljö.
Till och med installationen av NVIDIAs Jetpack är strömlinjeformad. Granskarna fick en uppdaterad version att installera och följde några enkla instruktioner genom en smart GUI hade en fullständig ombyggnad av all programvara avslutad med bara några steg och en kopp kaffe. Återigen ser vi NVIDIA göra saker enklare så att utvecklare kan fokusera på sitt arbete snarare än att upprätthålla själva byggmiljön.
Du kan faktiskt bygga och felsöka programvara på Jetson TX2, samtidigt som du har ett sortiment av andra applikationer som kör för att skriva ett blogginlägg.
Efter några dagar med att ställa upp saker och testa allt kom jag mycket imponerad över vad NVIDIA levererar här. Den första Jetson TX1 var en fantastisk produkt som fyllde ett behov av snabb utveckling med GPU-kärnor för att lyfta tungt för djupt lärande neurala nätverksapplikationer. På mycket kort tid har NVIDIA höjt ribban med en efterträdare som kan bryta beroendet av molnet med samma välbekanta utvecklingsverktyg och tekniker.
Framtidens teknik kommer att väcka och inspirera oss alla. Produkter som Jetson TX2 är det som gör den framtiden möjlig. NVIDIA Jetson TX2 Developer Kit kostar 599 $ för detaljhandelns beställningar och 299 $ för studenter.
Se på NVIDIA Embedded Developers portal
Vi kan tjäna en provision för inköp med våra länkar. Läs mer.
Det här är de bästa trådlösa öronsnäckorna du kan köpa till varje pris!
De bästa trådlösa öronsnäckorna är bekväma, låter fantastiskt, kostar inte för mycket och sitter lätt i fickan.
Allt du behöver veta om PS5: Släppdatum, pris och mer.
Sony har officiellt bekräftat att de arbetar på PlayStation 5. Här är allt vi vet om det hittills.
Nokia lanserar två nya budget Android One-telefoner under 200 dollar.
Nokia 2.4 och Nokia 3.4 är de senaste tillskotten till HMD Globals budget smartphone-sortiment. Eftersom de båda är Android One-enheter får de garanterat två stora OS-uppdateringar och regelbundna säkerhetsuppdateringar i upp till tre år.
Få ut mer av dina ringkameror med dessa tillbehör.
Ringsäkerhetskameror är fantastiska ur lådan, men de kan bli så mycket bättre med bra tillbehör. Här är några av de bästa Ringtillbehör som vi tycker att du inte borde vara utan.