机器学习算法，并能灵活性应用于计算出来平台之所以使用异构计算，主要考虑到在性能、生产率、功耗、价格四个方面超过平衡。为了更加直观地展出 HERO 的能力，英特尔中国研究院还特地获取了一个参照机器人——睿宝，用来测试和阐述。在 HERO 及多种传感器的反对下，睿宝不仅不具备了移动能力和操作能力，还不具备了感官能力，未来将同第三方合作厂商牵头研发自适应交互能力。

具体来说，移动能力还包括激光定位和视觉定位的融合、基于语义场景的定位导航；操作能力还包括运动轨迹规划和运动控制、视觉/触觉融合、机器人手臂安全性组件；感官能力则还包括对人脸、物体、不道德的辨识；自适应交互能力还包括自适应物体、场景辨识；自适应语音交互；情绪和不道德辨识；基于多模态融合的人的辨识；自适应社交引擎；自适应科学知识分解引擎、自自学引擎。5G+VR讲解过 HERO 平台后，英特尔中国研究院的研究员展出了通信和计算出来的融合方案，也就是 5G +VR。他指出，在通信领域，通信速率和通信数据的市场需求，大大多达了摩尔定律：2016年，全球移动数据通信量快速增长了 63%，按照这个速度，到2020年部署 5G 的时候，我们将面临50EB数据的流量，每个月的移动数据流量在今天的基础上再行快速增长5倍。尤其是自动驾驶，自动驾驶汽车每天产生的数据是4个TB，自动工厂、智慧城市里的网络工厂，一天要卖几百块硬盘来装你的数据。

同时，英特尔还指出，VR 将在将要来临了数据洪流里占有大量的流量。原因在于，目前互联网的主要传输内容是视频，而 VR 代表着更高质量的视频。手机、电视等屏幕，视角在10-30度之间，而 VR 眼睛可以扩展到 100-150度，减少了数倍，此外在横向上也有倍数的减少。

因此，某种程度分辨率的图片或视频，放到手机、电视上十分明晰，但在 VR 上则十分模糊不清，想超过 VR 表明的高清拒绝，必须在分辨率上提高 25-40倍，因此就必须占有大量的流量。举例来说，未来一个好的VR系统，必须16K到24K超级高清，不传输速率不会超过500Gbps，即使传输之后也超过1Gbps。

同时，VR对表明延后十分脆弱，对传输的容错性也十分脆弱。因此，对5G来说，高质量的虚拟现实和增强现实对5G的通信系统和计算出来系统来说都必须着力应付。面临未来，英特尔指出 AR/VR 必须展开远程沉浸式交互，例如通过 5G 网络将个体和机器人连接起来，人类可以对机器人掌控，和现实的世界展开对话；再行如远程购物、远程观光等。

现阶段，英特尔中国研究院研究的目标主要有两个：动态制备 3D VR 视频，产生高质量内容；如何符合远程沉浸式交互的拒绝在 VR 内容方面，目前的视频内容都是 2D 的，3D VR 的视频分解非常复杂，制作可玩性也相当大。英特尔的作法是将 17 个分辨率为 2k 的摄像头被绑在一起，构成一圈，在水平方向上差值分解 3D 内容。3D VR的制备算法也非常复杂，尤其是产生没瑕疵的3D视频，必须避免鬼影效应，避免拼凑瑕疵，使用非常复杂的光流算法后，即使是目前最强劲的服务器和最强劲的台式机也很难已完成实时性的功能。英特尔为此研发了一个分布式的处置平台，2.5U低的机箱，可以放入12个至强劲CPU卡，同时放入12块FPGA卡，中间有600G左右的网络能力，对视频VR处置、动态制备来说，该平台也可以反对。

有了内容之后，面对的问题是如何把这些内容传输到客户端，这必须比特率最少 100M-1Gbps，而且是10-20ms 的较低时延，目前的网络显然没办法来符合这个拒绝。英特尔的解决方案是，融合通信和计算出来，使用边缘计算出来的能力使VR超过动态传输的拒绝。具体来说，分解VR的视频内容后，把360度的全景视频通过传输传遍边缘服务器，在边缘服务器端有整个全景的内容，可以同时服务多个用户。每个用户不会把自己的视角信息(你在看哪个方向)传授给边缘服务器，边缘服务器把视角信息的内容发给用户。

这样的益处在于，一方面通过通信和计算出来融合的方式，使用边缘服务器需要明显减少从移动到表明的时延，本来是50到100毫秒，现在只是10到20毫秒；另一方面是需要减少无线通信比特率的市场需求，如果不使用这种方法必须1Gbps比特率，使用这种方法可以减少2到3倍。借以，就为 VR 打造出了一个高效的5G网络传输系统。此外，由于人眼和视频的距离将近， VR 对于数据传输的可靠性拒绝很高，如果经常出现扔帧，在体验上不会十分呼吸困难。因此，英特尔把异步时间变形的功能，添加了头显一端。

通过边缘服务器或者是个人的笔记本，把视频、游戏传遍头显末端，第一帧不会准确接管，当第二帧传输告终的时候，头显端会用前一帧的内容根据目前头显的方位信息和视角信息展开转动，新的分解第二帧的内容，这时候用户对传输告终的感觉会过于显著，甚至好像没遗失，用户体验就不会大大提高。人脸分析及情感辨识技术接着 5G+VR 的内容之后，英特尔中国研究院展出了在人脸分析及情感辨识技术的进展。在人脸分析方面，英特尔花上了三年时间，创建了一个 3D 人脸分析引擎，这个引擎不仅需要叙述人脸的形状、表情变化，还可以同时叙述背景光源的变化，以及人的姿态和纹理。

有了这个模型之后，可以给给定一张2D图片创建3D模型，做到适当的图形和动画。李宇春在其MV《今天雨，可是我们在一起》中，就用于了英特尔近期的3D人脸面部表情捕猎技术。

而在情感辨识方面，英特尔着力的方向是多模态情感辨识。在人类情感辨识这个领域，美国计算机学会（ACM）有个十分最重要的竞赛——ACM ICMI。从2013年开始，这个竞赛得出了很多电影里的段落，每个电影段落里标示某一个主要人物表达出来他的情感。英特尔2015年参与该竞赛，并且夺标，但却未用如日中天的深度自学，而是通过表情和肌肉的关系来辨别。

每一个表情来是面部肌肉的运动，肌肉的运动跟某一个分开的表情是涉及的。有所不同的表情之间也是涉及的，首先检测跟单个表情涉及的肌肉运动单元在哪里，其次去解析有所不同运动单元之间的关系，因此打败了当年73个用深度自学的团队。2016年，英特尔再度参赛，这回也用于深度自学的算法，但设计的时候，通过在神经网络里设计浅层、中层和深层上下功夫，明确提出了HoloNe t框架，勇夺了亚军，该处置方法可以超过2000到3000帧，因此取得了四年以来这个竞赛里最有影响力论文。

2017年，英特尔第三次参赛，又一次获得了冠军，并明确提出单体监督的思路，限于于任何的网络。比如2016年基本网络用我们这种方法训练以后，单模型比较提升5.5个百分点。在现在主流的网络上不会提升2个点以上。

这也是首次在几乎大自然的电影场景里，做到情感辨识分类精度，多达了及格线，目前这套技术应用于到英特尔的实感RealSense SDK里面，由英特尔AI团队展开产品化。此外，这两项技术也应用于在了视频方面，展开多模态图像视频解析，这也是最近几年在计算机视觉里流行起来的新研究方向，该研究里有两个问题十分最重要：一是如何提取多元或多模态的数据来源中最具备鉴别力的特征，二是视频信息不是独立国家的，如何去关联。非常简单来说，就是特征提取和特征关联。

而在这个领域，微软公司亚洲研究院的组织的MSRVDG竞赛，是目前该领域最重要的竞赛，英特尔在今年取得了第五名。右图是视频中的一帧，有了这项技术，可以让机器去自动解读图像里面经常出现了什么，有什么样的关系，视频里再次发生了什么事情。神经拟态芯片在开放日的最后，宋继强向(公众号：)在内的媒体讲解了英特尔近期的突破性进展——神经拟态芯片，可以自律自学，取名为 LOIHI。什么叫神经拟态计算出来？宋继强说明说道，首先不是冯·诺依曼结构——计算出来归计算出来，存储归存储，CPU里主要是负责管理运算，获得的指令在存储序列，数据也在存储序列，任何的计算出来过程都是取指令、数据、算数出来的结果又不存在内存里，这是标准的计算出来架构。

而神经拟态计算出来，计算出来和存储是在一起的，构成很多分布式单元，而且是异步计算出来：所有的冯·诺依曼结构都有一个实时的时钟，这个时钟不会分为好多个子时钟，不会驱动有所不同的模块去工作。但是异步计算出来不是，整个芯片就像我们脑子，你在唱歌的时候，只有一个区域，不是所有都在唱歌。神经拟态的益处是以很高的能效比解决问题一些计算出来的问题，而且尤其是一些较为伤痛的问题，比如说稠密编码、词典自学、约束符合，我们人整天做到的都是约束符合，到了有所不同的环境里首先想起这个环境有什么约束，要怎么把我的性格适应环境，放到一些常规的场景。

比如，你去再配数字游戏，还有模式匹配，动态自学和适应环境，这也是很最重要的。神经拟态芯片，可以反对多种自学过程。

此前，在训练一个神经网络的时候，不能自由选择其中一种训练模式，但是在神经拟态芯片的反对网络里，可以同时把这几种模式都做到在里面，都是它的自学模式。同时，宋继强也回应，这个芯片将不会必要获益于摩尔定律的前进，在未来的两到五年不会之后的提升密度，降低功耗，减少脑容量。

今年年底，该芯片就将从美国实验室里拿回中国做到测试，对外开放给一些合作的大学、机构做到适当的实验。原创文章，予以许可禁令刊登。下文闻刊登须知。

本文来源：开元ky6818官网-www.runtothesunrelay.com