出于对强人工智能潜在风险的担忧，时任 Y Combinator 总裁 Sam altman 与特斯拉首席执行官埃隆·马斯克（Elon Musk）在 2015 年共同创建非营利性人工智能研究团体 OpenAI，目标在于建立一个全新的深度学习智能系统，包括在这些年已经被证明的在图像识别、口语辨识翻译等领域的具体应用。

2019 年 7 月 22 日微软投资 OpenAI 10 亿美元，双方将携手合作替 Azure 云端平台服务开发人工智能技术。2020 年 6 月 11 日宣布了 GPT-3 语言模型，GPT-3 的目的是为了使用深度学习分类或产生人类可以理解的自然语言，微软于 2020 年 9 月 22 日取得独家授权。

6月9日，谷歌在《自然》杂志（Nature）上发表论文《A graph placement methodology for fast chip design》表示，它的新人工智能可在不到6小时内完成人类需几个月才能完成的芯片设计工作。该技术已被用于开发最新一代的谷歌张量处理单元（TPU），用于运行人工智能相关任务，也就是用AI设计AI芯片。

张量处理单元（Tensor Processing Unit，TPU），也称张量处理器，是 Google 开发的专用集成电路，专门用于加速机器学习。

引言

在过去几年中，人工智能算法取得了巨大的进步。它在我们日常生活中的应用越来越普遍，经常被用于分析文本或图片的内容，理解语音指令，并且效率常常比人类还高。2016年，AlphaGo算法在围棋比赛中击败了来自韩国的世界冠军李世石，而在10年前，没有一个专家预见它能取得这样的成就。但是，为了达到让人瞩目的表现，这些算法需要消耗大量的电能，远远超过我们的大脑完成同类任务所需的能量。举例来说，BERT是一种处理人类语言的人工智能算法，它的训练过程需要消耗数千千瓦时的电能。这相当于人类大脑运行6年耗费的能量。在能耗层面上，大脑的记忆、计算和学习过程比计算机要高效得多。我们有没有可能从大脑中获得启发，制造出表现更出色的设备？

答案是肯定的，我们或许可以利用电子的自旋做到这一点。

MathWorks 首席战略师 Jim Tung 在预测2021年人工智能的五大趋势时表示，第一大趋势就是人工智能会成为工程师和科学家的应用主流，行业里越来越多的工程师和科学家把人工智能应用在他们实际的产品以及研究中。

特斯拉在2020年销售了50万辆新车，是全球电动车的绝对王者。其中它的智能辅助驾驶系统FSD（Full Self-Driving，完全自动驾驶）套件，能在城市道路上实现L2级自动驾驶，也是目前全球用户数最多的自动驾驶系统。FSD采用纯视觉方案，即8个摄像头、12个超声波雷达和1个前向毫米波雷达，主要通过图像识别道路、行人和红绿灯，可以让车辆在普通导航地图支持下，实现自动驾驶。

Tesla的自动驾驶芯片是FSD系统的最重要部分，芯片中自研的最重要的部分是Neural Network Processor，对标Nvidia Xavier SoC。

本文尝试综述中国互联网巨头与造车新势力的无人驾驶战略及技术方案的现状。

NVIDIA® Jetson Nano 是一款功能强大的人工智能（AI）开发板，可在图像识别、对象检测、语义分割和语音处理等应用中并行运行多个神经网络，助你快速入门学习 AI 技术，并将其应用到各种智能设备上。相校树莓派一类单板计算机的优势是具有专用 GPU 加速处理器，CPU可以通过CUDA框架在GPU上调用CUDA功能，从而实现并行计算的可能性。

针对教育机构、学生和初学者，英伟达在原来 Jetson Nano Developer Kit（B01，4GB）的基础上推出了简化版本 Jetson Nano 2GB Developer Kit，以更低的价格（$54.00）服务世界各地的创客、学习者和嵌入式开发者。

这些课程旨在为人工智能和计算机科学领域的新人们提供广度与深度并重的知识。

AI领域综合了众多知识，其中编程语言、机器学习和深度学习是其核心。举个例子，我们可以从《跟着迪哥学Python数据分析与机器学习实战》一书来认识Python数据分析与机器学习的基本知识结构，从而初步了解AI的学习路径。

本书结合了机器学习、数据分析和Python语言，通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。