【AI简报第20221104期】端侧智能化，在MCU中集成AI功能！、平头哥造芯模式跑通了
嵌入式 ai ai 简报 20221104 期
1. 端侧智能化，在mcu中集成ai功能！ 原文：
https://mp.weixin.qq.com/s/vjl4czbtrzjkalyv8eg3vw
在mcu中集成ai功能
iot应用由感知、计算、执行、连接和安全几部分组成。工作流程基本是：首先，由传感器检测环境信息，将模拟信号转换为数字信号，传递给mcu；接着，mcu对这些数据进行计算分析和处理，得出决策结果，传递给执行层；再接着，执行层根据指令完成相应的动作。在这个过程中，必要的数据也会通过无线连接的方式上传到云端进行云ai运算或存储。
过去ai运算多在云端，现在逐渐向边缘端发展。目前的情况是一般在云端进行机器学习（简称ml）训练，推理除了在云端完成，也可以在设备端进行。在边缘端进行ml的处理，可以提高本地的设备响应，减少云端上传的数据带宽，提高本地数据的安全性。当前一些企业会在mcu中添加特定加速器，通过专用算力进行ml的运算，从而释放cpu的通用算力。
随着5g技术的发展，人们对传统产品的延迟和能耗提出了更高的要求。在mcu中融入人工智能算法，可以将mcu低功耗、低成本、实时性、稳定性、开发周期短、广阔的市场覆盖率等特性与人工智能强大的处理能力相结合，从而更有利于终端智能化。
在应用层面，图像和语音处理是mcu+ai的重要应用方向，比如图形识别、语音助手唤醒词处理以及其他用于各种安全系统的声音分类等应用。人工智能终将会渗透进人们生活的方方面面，而通过mcu来完成一些ai运算，也是未来的重要趋势。
越来越多的厂商布局
从目前的情况来看，全球主要几家mcu厂商都已经在该领域有所布局，包括意法半导体、瑞萨、恩智浦、英飞凌等等。
意法半导体从2007年起开始设计基于arm cortex-m的stm32 32位mcu系列，目前意法半导体通用mcu销量已位居全球首位，拥有基于arm cortex-m0/m0+/m3/m4/m7/m33，arm cortex a7等多个内核，超过1200个料号的多系列、多功能覆盖的全面mcu产品线。
该公司此前表示，近几年，智能家电的快速发展，对mcu的性能、互联提出了越来越高的要求，基于mcu平台运行人工智能和机器学习，发展性能更高、功耗更低的边缘计算，正在成为行业热点。面对这样的趋势，意法半导体很早就开始布局智能的mcu。
意法半导体的软件工具stm32cubemx中就集成了ai模块，可以方便客户将训练好的ai模型转换为mcu上运行的软件，使mcu可以方便实现ai功能。
瑞萨电子在mcu领域也有很深的积累。今年6月9日，该公司宣布买下美国从事机器学习模型开发的新创企业reality ai。
reality ai公司的强项在于声音和视觉之外的传感器数据解析，例如工厂侦测异音或是汽车的语音辨识等都可应用到相关技术。瑞萨买下reality ai，将可以结合自家mcu 产品，以及该公司的开发环境和推论软体等，对外提供支持ai运算的mcu。此前，虽然瑞萨有自行研发机器控制用途的mcu，但ai相关应用软件都是向外部合作伙伴购买的。
恩智浦也推出了内置npu的mcu，该公司表示，ai应用最开始是在云端，而现在有一个很明显的趋势，从pc到嵌入式端的需求越来越多。人脸/语音识别门锁、以及包括语音识别、物体识别等在内的各种识别装置，都提出了在本地实现更多推理的需求。
以前的应用对一款微控制器的要求是，按下按钮就有很快的反应。现在就不止这些了，人们希望处理器本身具有预知性，这就需要增加人工智能技术。
恩智浦推出了针对mcu现有应用场景进行升级的内置npu的mcx，在传统控制应用基础上增加ai元素，在医疗设备、无人机或者工业控制中加上智能识别、故障检测、语音控制等。
基于npu的mcx可以应用在一些更新的场景中，比如可以识别物体的秤，只需把物体放在秤上就可以直接结账；在医学检测中，可以用于检测含疟疾的红细胞；在交通出行中，可以帮助智能车识别障碍，自动做出判断和处理等等。
小结
整体而言，随着物联网时代的发展，作为物联网设备中必不可少的计算大脑的mcu，也迎来了很好的市场增长机会。同时随着ai、5g技术发展，一些新兴应用场景也给mcu提出了新的要求，需要具备一定的ai功能。因此过去几年越来越多的厂商在mcu中集成ai功能。
2. 半年内第二块国产全功能gpu，附带首个游戏显卡！摩尔线程造芯神速，张建中“黄”气逼人 原文：
https://mp.weixin.qq.com/s/tmhmjfzbw96n4cukvq_z1w
他来了，他来了。
手持gpu，一身黑皮衣、下装牛仔裤、黄皮肤长头发，黑框眼镜之下挡不住硬汉气场。
但他不是英伟达的老黄。
他是曾经老黄左膀右臂之一的老张——
张建中，james，此前在英伟达中国区任职一把手长达 15 年时间。
现在更被人熟知的头衔，是国内 gpu 公司摩尔线程的创始人兼 ceo。
而这次刚刚捂热的 gpu，已经是他在今年量产上市的第 2 个了——
时隔，仅半年之久。
不仅如此，附着在这块 gpu 上的标签还有更多：
国产、全功能、全球首个、中高端……
而且基于它，张建中更是发布了国内首个中高端游戏显卡。
讲真，很难想象这般 速度 是由一家刚刚成立 2 年的公司所创造的。
由此不免让人心生疑问：
在做到快的同时，质量和性能上是否也一并跟上了呢？
我们不妨一同来看看。
全球首个支持 pcie 接口的全功能 gpu
摩尔线程的第二个国产全功能 gpu，名为mt- 春晓 。
张建中也是将它作为打头阵的产品发布。
据了解，春晓集成了 220 亿个晶体管，内置 4096musa 架构通用计算核心以及 128 张量计算核心，可以支持 fp32、fp16 和 int8 等计算精度。
其它重点参数如下：
gpu 核心频率：1.8ghz
fp32 计算能力：14.4 tflops
int8 计算能力：57.6 tops
显存宽带：448gb/s
显存类型：gddr6
张健中在现场还提及，春晓解锁了一项 全球第一 ：
因为它是业内唯一支持 pcie gen5 接口的 gpu。
（许多厂商已经达成共识，pcie gen5 将会是未来消费级以及企业级存储设备的重点发展方向。）
那么与半年前摩尔线程所发布的 苏堤 gpu相比，二者又有何区别？
张建中表示在摩尔线程 gpu 四大引擎方面，春晓做到了全面升级：
现代图形渲染引擎性能最高提升 3-5 倍
ai 计算加速引擎性能最高提升 4 倍
智能多媒体引擎性能最高提升 4 倍
物理仿真引擎性能最高提升 2.5 倍
至于为什么摩尔线程要在半年时间就将自家 gpu 推陈出新，这个问题我们请教了下张健中：
我们第一个全功能 gpu 苏堤，实际上属于中低端处理器，在 gpu 行业中可以满足国内国产化应用的需求。
但对于大部分主流用户，他们还是期待更高性能的 gpu，因此我们快速发布了春晓，去满足高端的游戏玩家，满足更多用户对图形和计算的需要。
如此一来，我们的产品就能够覆盖高中低端的所有用户。
而提到了游戏，张建中基于春晓 gpu，便发布了另一款 国内第一 的产品。
国内首款游戏显卡
其实摩尔线程在半年前基于苏堤也发布过显卡产品mtt s60。
但这张显卡的 用武之地 似乎更多面向的是产业，也就是 b 端。
而这次基于春晓打造的这张显卡mtt s80，则是能让更多大众摸得着的那种了——国内首款游戏显卡。
在现场，张建中还用了一个比较有意思的词来形容它： 国潮 。
3. 平头哥造芯模式，正式跑通！ 原文：
https://mp.weixin.qq.com/s/xem30mmeip9ftuxuu9hpjg
“生死看淡，不服就干”，平头哥造芯模式，正式跑通。
2022云栖大会现场，新进展再次由阿里云智能总裁张建锋对外宣布。
倚天710已大规模应用，成为中国首个云上大规模应用的自研cpu。
在核心应用场景中，算力性价比提升30%以上，单位算力功耗（耗电量）降低60%以上。
张建锋还宣布，倚天710的部署规模还会进一步扩大，未来两年20%的新增算力都将使用自研cpu。
更直白翻译，就是以后阿里云的芯片部署中，每10颗cpu芯片里就有2颗自研cpu。
这个进展和应用，为何重要？
首先，大规模部署代表着芯片产品获得了市场检验，也意味着最难的生态一环达成闭环——虽然不如新硬件来的“刺激”，但意义和价值却丝毫不逊于新品发布，甚至长远来看，量级简直不能相提并论。
其次，倚天710，作为一款基于arm架构的云端cpu，想要在x86占主导地位的全球云计算和服务器芯片生态中立足，更是难上加难，目标十中有二更是arm架构在云端里程碑式的新突破。
最后，倚天710的大规模部署，不仅是中国首个自研cpu的应用纪录，还意味着诞生在造芯浪潮中的平头哥模式干出来了！
纵观半导体半个世纪的发展史，检验造芯模式的核心关键一以贯之：
造出来（设计和流片）
用得上（需求和性能）
用得好（功耗和成本）
离不开（工具和生态）
而在倚天710的进展中，这四大流程关键，平头哥都（一口气）完成了实践证明。
唯一待解之谜，只剩下造芯模式的通关速度——
传统it时代的造芯公司和通用芯片，短则5~7年，长则可能10年……
而平头哥的倚天710，仅仅用了2年。
所以这种模式和速度背后，根本原因是什么？
是半导体领域也面临世纪变革？
抑或一个时代果真有一个时代的造芯模式？
4. 国产ai制药新突破！深势科技发布一站式药研计算设计平台hermite 原文：
https://mp.weixin.qq.com/s/v-t4m1cx7va0xilxl2p6bg
年度最受关注赛道——ai制药，传来最新进展：
深势科技的新一代药物计算设计平台hermite正式发布，并且迅速引发圈内热议和关注。
传统上，研发一款新药平均需要耗费10-15年时间、花费26亿美元，其中包括大量失败尝试的支出。
而ai for science的新范式正是被寄予了提高研发成功率，从而加速研发周期、减少成本、最终提高新药研发投资回报率的厚望。
此轮ai制药热潮始于预测蛋白质结构的alphafold系列，但这只是新药研发的第一步。
后续还需要结构精修，到苗头化合物筛选，再到先导化合物优化和性质预测等等。
这众多环节，也都急需相应的新工具，新算法和不断进步的认知。
在科研工具方面，深势科技团队于去年推出uni-fold，全尺寸复现alphafold 2，并开源了训练代码与推理代码，为国际上首家。
如今近一年过去，不但uni-fold在功能和速度上迎来诸多改进，还有更多后续核心功能集中发布。
这些功能整合在hermite平台上，致力于为药物研发工作者提供在cadd（计算机辅助药物设计）中数据、算法、算力三位一体的一站式解决方案。
药物研发一站式解决方案hermite
hermite平台的四大核心功能，对应着小分子药物设计领域的各项流程。
首先，蛋白质结构预测与优化工具uni-fold是一个起点。
uni-fold做到精度与alphafold 2接近，但效率比alphafold 2 显著提升，并克服了alphafold 2未开源训练代码、硬件支持单一、模型不可商用等局限性，
最近的升级中，uni-fold还在超大规模蛋白复合物预测上取得新突破，对包括离子通道、新冠病毒刺突糖蛋白等在内的对称蛋白的进一步研究具有重大意义。
预测出靶点蛋白质的结构就可以进入苗头化合物筛选环节，对应的是超高通量虚拟筛选工具uni-docking。
uni-docking在保持筛选精度的前提下，在gpu上实现了比单核cpu 1600倍的加速，最快0.5小时可完成1200万可采买分子数据库的筛选。
与mm gb/pbsa组成虚拟筛选工作流后，准确性还能进一步得到提升，将千万级分子数据库的虚拟筛选推入可及、可用、可靠的时代。
有了靶点和苗头化合物，接下来还需要预测药靶结合模式，对应工具为uni-ifd。
通过模拟药物分子与靶点结合产生的“诱导契合”效应，uni-ifd可以精确预测药物与靶点的结合模式。
同时，uni-aquasite可以通过计算得到每个水分子的自由能，寻找对药靶结合影响较大的水分子。
最后，则是基于自由能微扰的先导化合物优化工具uni-fep。
uni-fep 基于自由能微扰理论、分子动力学、增强采样算法，以化学精度高效评估蛋白质与配体的结合亲和能。克服了传统分子对接方法打分函数不准、采样不足的问题。
适用于r基团优化、骨架跃迁、电荷转移、大环成环等多种不同的优化场景，以实现工业规模的先导化合物优化。
5. 谷歌、openai学者谈ai：语言模型正在努力「攻克」数学 原文：
https://mp.weixin.qq.com/s/vampymjvkk8hrwffcjmyiw
如果问计算机擅长什么，在所有的答案里，数学必须榜上有名。在经历了漫长的研究之后，顶尖学者们在研究计算机关于数学计算方面的发展，取得了令人惊讶的成绩。
论文地址：
https://arxiv.org/pdf/2206.14858.pdf
就拿去年来说，来自加州大学伯克利分校、openai 和 google 的研究人员在语言模型方面取得了长足的进步，gpt-3、dall·e 2 等被开发出来。然而，直到现在，语言模型还无法解决一些简单的、用语言描述的数学问题，例如「alice 比 bob 多五个球，bob 在给 charlie 四个球后有两个球。问 alice 有几个球？」这对语言模型来说，想要给出正确答案，可能就有点「吃力」了。
「当我们说计算机非常擅长数学时，意思是它们非常擅长特定的、具体的事情，」来自谷歌的机器学习专家 guy gur-ari 表示。计算机擅长算术是不假，但在特定的模式之外，计算机就无能为力了，简单的文字描述题都回答不了。
谷歌研究员 ethan dyer 曾经表示：做数学研究的人有一套僵化的推理系统，对于他们熟知的和不了解的内容，这两者之间有着明显的鸿沟。
解决文字问题或定量推理问题很棘手，因为不同于其他问题，这两者需要鲁棒性和严谨性。如果过程中的任何一步出现错误，将会导致错误的答案。dall·e 在绘画方面令人印象深刻，尽管它生成的图像有时会很奇怪，可能遗漏人的手指、眼睛长得奇怪…… 这些我们都能接受，但是它在数学方面出现了错误，我们的容忍度就会非常小。来自 openai 的机器学习专家 vineet kosaraju 也曾表达过这种想法，「我们对语言模型所犯的数学错误（比如将 10 误解为 1 和 0，而不是 10）容忍性还是比较小的。」
「我们研究数学仅仅是因为我们发现它独立且非常有趣，」openai 机器学习专家 karl cobbe 说。
随着机器学习模型在更大的数据样本上训练而成，它们的鲁棒性更好、出错也更少。但扩大模型规模似乎只能通过定量推理进行。研究人员意识到，对于语言模型所犯的错误似乎需要更有针对性的方法来解决。
minerva 基于谷歌自研的 pathways 语言模型 (palm)，具有更多的数学数据集，包含 arxiv、 latex 等数学格式。minerva 还采用了其他策略，在思维链提示（chain-of-thought prompting）中，minerva 将更大的问题分解成小块。此外，minerva 还使用多数投票（majority voting），不是要求模型给出一个答案，而是要求它提出 100 种答案。在这些答案中，minerva 选择最常见的一种答案。
这些新策略的收益是巨大的，minerva 在 math 上的准确率高达 50%，在 gsm8k 以及 mmlu（包括化学和生物学在内的一组更通用的 stem 问题）上的准确率接近 80%。当 minerva 被要求重做稍微调整过的问题时，它的表现同样很好，这表明它的能力不仅仅是来自记忆。
minerva 可能有奇怪、混乱的推理，但仍然得出正确的答案。尽管像 minerva 这样的模型可能会得出与人类相同的答案，但它们所遵循的实际过程可能大不相同。
谷歌机器学习专家 ethan dyer 表示，「我认为存在这样一种观念，即数学相关人士有一些严格的推理系统，了解某事和不了解某事之间存在明显的区别。」但人们给出的答案不一致，会犯错误，也无法应用核心概念。在机器学习前沿中，边界是模糊的。
6. ai挑战国际数学奥林匹克竞赛，meta神经定理证明器拿到多项sota 原文：
https://mp.weixin.qq.com/s/n1zopnkcshjse2umrovwfa
论文地址：
https://arxiv.org/pdf/2205.11491.pdf
数学定理证明一直被视为构建智能机器的关键能力。证明一个特定的猜想是真是假，需要使用符号推理等数学知识，比简单的识别、分类等任务要难得多。
近日，meta ai 构建了一个神经定理证明器 hypertree proof search（htps），已经解决了 10 场国际数学奥林匹克竞赛 (imo) 中的问题，比以往任何系统都更多。此外，该 ai 模型的性能比数学基准 minif2f 上的 sota 方法高出 20%，比 metamath 基准上的 sota 方法高出 10%。
在一定意义上，定理证明要比构建 ai 来玩国际象棋等棋盘游戏更具挑战性。当研究者试图证明一个定理时，可能移动的动作空间不仅很大而且有可能是无限的。相比较而言，在国际象棋或围棋中，这些游戏的一系列走法会被预测出来，即使算法没有给出最好的走法也影响不大。而在定理证明中，当算法走入死胡同就没办法解决了，性能再好的求解器也只是白费力气。meta ai的新方法解决了这个棘手的问题，lecun也转推称赞。
我们用一个例子来说明 htps 的优势：假设 a 和 b 都是质因子为 7 的自然数，并且 7 也是 a + b 的质因子，如果假设 7^7 可以整除(a + b)^7 - a^7 - b^7，那么请证明 a + b 至少是 19。
假如让人类来证明的话，他们大概率会用到二项式。而 htps 使用 contraposition 方法，大大简化了方程，然后再检查多种不同的情况。
如下图为本文模型发现的证明示例，即在 minif2f 中另一个 imo 问题的证明：
7. 一文汇总超参自动优化方法 原文：
https://mp.weixin.qq.com/s/e2osix2peor7ateein0flq
一、网格搜索(grid search)
网格搜索是暴力搜索，在给定超参搜索空间内，尝试所有超参组合，最后搜索出最优的超参组合。sklearn已实现该方法，使用样例如下:
1from sklearn import svm, datasets 2from sklearn.model_selection import gridsearchcv 3import pandas as pd 4 5# 导入数据 6iris = datasets.load_iris() 7# 定义超参搜索空间 8parameters = {'kernel':('linear', 'rbf'), 'c':[1, 10]} 9# 初始化模型10svc = svm.svc()11# 网格搜索12clf = gridsearchcv(estimator = svc,13 param_grid = parameters,14 scoring = 'accuracy',15 n_jobs = -1,16 cv = 5)17clf.fit(iris.data, iris.target)18返回：gridsearchcv(cv=5, estimator=svc(), n_jobs=-1,19 param_grid={'c': [1, 10], 'kernel': ('linear', 'rbf')},20 scoring='accuracy')2122# 打印结果23print('详细结果:', pd.dataframe.from_dict(clf.cv_results_))24print('最佳分类器:', clf.best_estimator_)25print('最佳分数:', clf.best_score_)26print('最佳参数:', clf.best_params_).27返回：28详细结果:29 mean_fit_time std_fit_time mean_score_time std_score_time param_c ... split3_test_score split4_test_score mean_test_score std_test_score rank_test_score300 0.000788 0.000394 0.000194 0.000389 1 ... 0.966667 1.0 0.980000 0.016330 1311 0.000804 0.000402 0.000199 0.000399 1 ... 0.933333 1.0 0.966667 0.021082 4322 0.000593 0.000484 0.000593 0.000484 10 ... 0.966667 1.0 0.973333 0.038873 3333 0.000593 0.000484 0.000399 0.000489 10 ... 0.966667 1.0 0.980000 0.016330 134[4 rows x 15 columns]35最佳分类器:36 svc(c=1, kernel='linear')37最佳分数:380.980000000000000139最佳参数:40 {'c': 1, 'kernel': 'linear'} sklearn.model_selection.gridsearchcv[1]的重要参数说明:
estimator: scikit-learn模型。
param_grid: 超参搜索空间，即超参数字典。
scoring: 在交叉验证中使用的评估策略。
n_jobs: 并行任务数，-1为使用所有cpu。
cv: 决定采用几折交叉验证。
二、随机搜索(randomized search)
随机搜索是在搜索空间中采样出超参组合，然后选出采样组合中最优的超参组合。随机搜索的好处如下图所示：
解释图1，如果目前我们要搜索两个参数，但参数a重要而另一个参数b并没有想象中重要，网格搜索9个参数组合(a, b)，而由于模型更依赖于重要参数a，所以只有3个参数值是真正参与到最优参数的搜索工作中。反观随机搜索，随机采样9种超参组合，在重要参数a上会有9个参数值参与到搜索工作中，所以，在某些参数对模型影响较小时，使用随机搜索能让我们有更多的探索空间。
同样地，sklearn实现了随机搜索[3]，样例代码如下:
1from sklearn import svm, datasets 2from sklearn.model_selection import randomizedsearchcv 3import pandas as pd 4from scipy.stats import uniform 5 6 7# 导入数据 8iris = datasets.load_iris() 9# 定义超参搜索空间10distributions = {'kernel':['linear', 'rbf'], 'c':uniform(loc=1, scale=9)}11# 初始化模型12svc = svm.svc()13# 网格搜索14clf = randomizedsearchcv(estimator = svc,15 param_distributions = distributions,16 n_iter = 4,17 scoring = 'accuracy',18 cv = 5,19 n_jobs = -1,20 random_state = 2021)21clf.fit(iris.data, iris.target)22返回：randomizedsearchcv(cv=5, estimator=svc(), n_iter=4, n_jobs=-1,23 param_distributions={'c': 0x000001f372f9a190>,24 'kernel': ['linear', 'rbf']},25 random_state=2021, scoring='accuracy')262728# 打印结果29print('详细结果:', pd.dataframe.from_dict(clf.cv_results_))30print('最佳分类器:', clf.best_estimator_)31print('最佳分数:', clf.best_score_)32print('最佳参数:', clf.best_params_)33返回：34详细结果:35 mean_fit_time std_fit_time mean_score_time std_score_time param_c ... split3_test_score split4_test_score mean_test_score std_test_score rank_test_score360 0.000598 0.000489 0.000200 0.000400 6.4538 ... 0.966667 1.0 0.986667 0.016330 1371 0.000997 0.000002 0.000000 0.000000 4.99782 ... 0.966667 1.0 0.980000 0.026667 3382 0.000798 0.000399 0.000399 0.000488 3.81406 ... 0.966667 1.0 0.980000 0.016330 3393 0.000598 0.000488 0.000200 0.000399 5.36286 ... 0.966667 1.0 0.986667 0.016330 140[4 rows x 15 columns]41最佳分类器:42 svc(c=6.453804509266643)43最佳分数:440.986666666666666745最佳参数:46 {'c': 6.453804509266643, 'kernel': 'rbf'} 相比于网格搜索，sklearn随机搜索中主要改变的参数是param_distributions，负责提供超参值分布范围。
三、贝叶斯优化(bayesian optimization)
我写本文的目的主要是冲着贝叶斯优化来的，一直有所耳闻却未深入了解，所以我就来查漏补缺了。以下内容主要基于duane rich在《how does bayesian optimization work?》[4]的回答。
关于超参数更多的解读，请大家点击原文了解更多。
end
爱我就给我点在看
点击阅读原文进入官网
原文标题：【ai简报第20221104期】端侧智能化，在mcu中集成ai功能！、平头哥造芯模式跑通了
文章出处：【微信公众号：rtthread物联网操作系统】欢迎添加关注！文章转载请注明出处。
常用的电气仪表动态原理图合集免费下载
10×10便携式蓝牙音箱的制作教程
工程师开发出新技术,为计算机芯片的集成添动力
M1芯片如此之快 苹果是否采用了一些非同寻常的技术
随着云计算技术的兴起 FPGA与用户应用之间的距离逐渐被拉近
【AI简报第20221104期】端侧智能化，在MCU中集成AI功能！、平头哥造芯模式跑通了
加拿大家族企业JWC宣布与欧司朗达成协议 后者将提供LED照明解决方案
芯片设计挑战:小芯片高能耗
PLC的输入输出接线及其日常维修方法
物联网中的隐藏会是怎样的
关于NB-IOT无线技术的介绍
Maxim MAXQ3183电能测量前端方案
一文看懂RFID RC522和PN532的区别
现代化高科技的最新产物，智能镜子显示屏问世
激光切割机有着广泛的应用，它的优势有哪些
什么是数字式传感器
DFRobot柔性非接触式液位传感器的介绍
2017年性价比最高4款手机，红米note4第一当之无愧
智能钥匙自动授权管理柜——使钥匙管理智能化
威刚一款移动式便携SSD将亮相CES2019 读写速度最高都能达到1GB/s
1. 端侧智能化，在mcu中集成ai功能！ 原文：
https://mp.weixin.qq.com/s/vjl4czbtrzjkalyv8eg3vw
在mcu中集成ai功能
iot应用由感知、计算、执行、连接和安全几部分组成。工作流程基本是：首先，由传感器检测环境信息，将模拟信号转换为数字信号，传递给mcu；接着，mcu对这些数据进行计算分析和处理，得出决策结果，传递给执行层；再接着，执行层根据指令完成相应的动作。在这个过程中，必要的数据也会通过无线连接的方式上传到云端进行云ai运算或存储。
过去ai运算多在云端，现在逐渐向边缘端发展。目前的情况是一般在云端进行机器学习（简称ml）训练，推理除了在云端完成，也可以在设备端进行。在边缘端进行ml的处理，可以提高本地的设备响应，减少云端上传的数据带宽，提高本地数据的安全性。当前一些企业会在mcu中添加特定加速器，通过专用算力进行ml的运算，从而释放cpu的通用算力。
随着5g技术的发展，人们对传统产品的延迟和能耗提出了更高的要求。在mcu中融入人工智能算法，可以将mcu低功耗、低成本、实时性、稳定性、开发周期短、广阔的市场覆盖率等特性与人工智能强大的处理能力相结合，从而更有利于终端智能化。
在应用层面，图像和语音处理是mcu+ai的重要应用方向，比如图形识别、语音助手唤醒词处理以及其他用于各种安全系统的声音分类等应用。人工智能终将会渗透进人们生活的方方面面，而通过mcu来完成一些ai运算，也是未来的重要趋势。
越来越多的厂商布局
从目前的情况来看，全球主要几家mcu厂商都已经在该领域有所布局，包括意法半导体、瑞萨、恩智浦、英飞凌等等。
意法半导体从2007年起开始设计基于arm cortex-m的stm32 32位mcu系列，目前意法半导体通用mcu销量已位居全球首位，拥有基于arm cortex-m0/m0+/m3/m4/m7/m33，arm cortex a7等多个内核，超过1200个料号的多系列、多功能覆盖的全面mcu产品线。
该公司此前表示，近几年，智能家电的快速发展，对mcu的性能、互联提出了越来越高的要求，基于mcu平台运行人工智能和机器学习，发展性能更高、功耗更低的边缘计算，正在成为行业热点。面对这样的趋势，意法半导体很早就开始布局智能的mcu。
意法半导体的软件工具stm32cubemx中就集成了ai模块，可以方便客户将训练好的ai模型转换为mcu上运行的软件，使mcu可以方便实现ai功能。
瑞萨电子在mcu领域也有很深的积累。今年6月9日，该公司宣布买下美国从事机器学习模型开发的新创企业reality ai。
reality ai公司的强项在于声音和视觉之外的传感器数据解析，例如工厂侦测异音或是汽车的语音辨识等都可应用到相关技术。瑞萨买下reality ai，将可以结合自家mcu 产品，以及该公司的开发环境和推论软体等，对外提供支持ai运算的mcu。此前，虽然瑞萨有自行研发机器控制用途的mcu，但ai相关应用软件都是向外部合作伙伴购买的。
恩智浦也推出了内置npu的mcu，该公司表示，ai应用最开始是在云端，而现在有一个很明显的趋势，从pc到嵌入式端的需求越来越多。人脸/语音识别门锁、以及包括语音识别、物体识别等在内的各种识别装置，都提出了在本地实现更多推理的需求。
以前的应用对一款微控制器的要求是，按下按钮就有很快的反应。现在就不止这些了，人们希望处理器本身具有预知性，这就需要增加人工智能技术。
恩智浦推出了针对mcu现有应用场景进行升级的内置npu的mcx，在传统控制应用基础上增加ai元素，在医疗设备、无人机或者工业控制中加上智能识别、故障检测、语音控制等。
基于npu的mcx可以应用在一些更新的场景中，比如可以识别物体的秤，只需把物体放在秤上就可以直接结账；在医学检测中，可以用于检测含疟疾的红细胞；在交通出行中，可以帮助智能车识别障碍，自动做出判断和处理等等。
小结
整体而言，随着物联网时代的发展，作为物联网设备中必不可少的计算大脑的mcu，也迎来了很好的市场增长机会。同时随着ai、5g技术发展，一些新兴应用场景也给mcu提出了新的要求，需要具备一定的ai功能。因此过去几年越来越多的厂商在mcu中集成ai功能。
2. 半年内第二块国产全功能gpu，附带首个游戏显卡！摩尔线程造芯神速，张建中“黄”气逼人 原文：
https://mp.weixin.qq.com/s/tmhmjfzbw96n4cukvq_z1w
他来了，他来了。
手持gpu，一身黑皮衣、下装牛仔裤、黄皮肤长头发，黑框眼镜之下挡不住硬汉气场。
但他不是英伟达的老黄。
他是曾经老黄左膀右臂之一的老张——
张建中，james，此前在英伟达中国区任职一把手长达 15 年时间。
现在更被人熟知的头衔，是国内 gpu 公司摩尔线程的创始人兼 ceo。
而这次刚刚捂热的 gpu，已经是他在今年量产上市的第 2 个了——
时隔，仅半年之久。
不仅如此，附着在这块 gpu 上的标签还有更多：
国产、全功能、全球首个、中高端……
而且基于它，张建中更是发布了国内首个中高端游戏显卡。
讲真，很难想象这般 速度 是由一家刚刚成立 2 年的公司所创造的。
由此不免让人心生疑问：
在做到快的同时，质量和性能上是否也一并跟上了呢？
我们不妨一同来看看。
全球首个支持 pcie 接口的全功能 gpu
摩尔线程的第二个国产全功能 gpu，名为mt- 春晓 。
张建中也是将它作为打头阵的产品发布。
据了解，春晓集成了 220 亿个晶体管，内置 4096musa 架构通用计算核心以及 128 张量计算核心，可以支持 fp32、fp16 和 int8 等计算精度。
其它重点参数如下：
gpu 核心频率：1.8ghz
fp32 计算能力：14.4 tflops
int8 计算能力：57.6 tops
显存宽带：448gb/s
显存类型：gddr6
张健中在现场还提及，春晓解锁了一项 全球第一 ：
因为它是业内唯一支持 pcie gen5 接口的 gpu。
（许多厂商已经达成共识，pcie gen5 将会是未来消费级以及企业级存储设备的重点发展方向。）
那么与半年前摩尔线程所发布的 苏堤 gpu相比，二者又有何区别？
张建中表示在摩尔线程 gpu 四大引擎方面，春晓做到了全面升级：
现代图形渲染引擎性能最高提升 3-5 倍
ai 计算加速引擎性能最高提升 4 倍
智能多媒体引擎性能最高提升 4 倍
物理仿真引擎性能最高提升 2.5 倍
至于为什么摩尔线程要在半年时间就将自家 gpu 推陈出新，这个问题我们请教了下张健中：
我们第一个全功能 gpu 苏堤，实际上属于中低端处理器，在 gpu 行业中可以满足国内国产化应用的需求。
但对于大部分主流用户，他们还是期待更高性能的 gpu，因此我们快速发布了春晓，去满足高端的游戏玩家，满足更多用户对图形和计算的需要。
如此一来，我们的产品就能够覆盖高中低端的所有用户。
而提到了游戏，张建中基于春晓 gpu，便发布了另一款 国内第一 的产品。
国内首款游戏显卡
其实摩尔线程在半年前基于苏堤也发布过显卡产品mtt s60。
但这张显卡的 用武之地 似乎更多面向的是产业，也就是 b 端。
而这次基于春晓打造的这张显卡mtt s80，则是能让更多大众摸得着的那种了——国内首款游戏显卡。
在现场，张建中还用了一个比较有意思的词来形容它： 国潮 。
3. 平头哥造芯模式，正式跑通！ 原文：
https://mp.weixin.qq.com/s/xem30mmeip9ftuxuu9hpjg
“生死看淡，不服就干”，平头哥造芯模式，正式跑通。
2022云栖大会现场，新进展再次由阿里云智能总裁张建锋对外宣布。
倚天710已大规模应用，成为中国首个云上大规模应用的自研cpu。
在核心应用场景中，算力性价比提升30%以上，单位算力功耗（耗电量）降低60%以上。
张建锋还宣布，倚天710的部署规模还会进一步扩大，未来两年20%的新增算力都将使用自研cpu。
更直白翻译，就是以后阿里云的芯片部署中，每10颗cpu芯片里就有2颗自研cpu。
这个进展和应用，为何重要？
首先，大规模部署代表着芯片产品获得了市场检验，也意味着最难的生态一环达成闭环——虽然不如新硬件来的“刺激”，但意义和价值却丝毫不逊于新品发布，甚至长远来看，量级简直不能相提并论。
其次，倚天710，作为一款基于arm架构的云端cpu，想要在x86占主导地位的全球云计算和服务器芯片生态中立足，更是难上加难，目标十中有二更是arm架构在云端里程碑式的新突破。
最后，倚天710的大规模部署，不仅是中国首个自研cpu的应用纪录，还意味着诞生在造芯浪潮中的平头哥模式干出来了！
纵观半导体半个世纪的发展史，检验造芯模式的核心关键一以贯之：
造出来（设计和流片）
用得上（需求和性能）
用得好（功耗和成本）
离不开（工具和生态）
而在倚天710的进展中，这四大流程关键，平头哥都（一口气）完成了实践证明。
唯一待解之谜，只剩下造芯模式的通关速度——
传统it时代的造芯公司和通用芯片，短则5~7年，长则可能10年……
而平头哥的倚天710，仅仅用了2年。
所以这种模式和速度背后，根本原因是什么？
是半导体领域也面临世纪变革？
抑或一个时代果真有一个时代的造芯模式？
4. 国产ai制药新突破！深势科技发布一站式药研计算设计平台hermite 原文：
https://mp.weixin.qq.com/s/v-t4m1cx7va0xilxl2p6bg
年度最受关注赛道——ai制药，传来最新进展：
深势科技的新一代药物计算设计平台hermite正式发布，并且迅速引发圈内热议和关注。
传统上，研发一款新药平均需要耗费10-15年时间、花费26亿美元，其中包括大量失败尝试的支出。
而ai for science的新范式正是被寄予了提高研发成功率，从而加速研发周期、减少成本、最终提高新药研发投资回报率的厚望。
此轮ai制药热潮始于预测蛋白质结构的alphafold系列，但这只是新药研发的第一步。
后续还需要结构精修，到苗头化合物筛选，再到先导化合物优化和性质预测等等。
这众多环节，也都急需相应的新工具，新算法和不断进步的认知。
在科研工具方面，深势科技团队于去年推出uni-fold，全尺寸复现alphafold 2，并开源了训练代码与推理代码，为国际上首家。
如今近一年过去，不但uni-fold在功能和速度上迎来诸多改进，还有更多后续核心功能集中发布。
这些功能整合在hermite平台上，致力于为药物研发工作者提供在cadd（计算机辅助药物设计）中数据、算法、算力三位一体的一站式解决方案。
药物研发一站式解决方案hermite
hermite平台的四大核心功能，对应着小分子药物设计领域的各项流程。
首先，蛋白质结构预测与优化工具uni-fold是一个起点。
uni-fold做到精度与alphafold 2接近，但效率比alphafold 2 显著提升，并克服了alphafold 2未开源训练代码、硬件支持单一、模型不可商用等局限性，
最近的升级中，uni-fold还在超大规模蛋白复合物预测上取得新突破，对包括离子通道、新冠病毒刺突糖蛋白等在内的对称蛋白的进一步研究具有重大意义。
预测出靶点蛋白质的结构就可以进入苗头化合物筛选环节，对应的是超高通量虚拟筛选工具uni-docking。
uni-docking在保持筛选精度的前提下，在gpu上实现了比单核cpu 1600倍的加速，最快0.5小时可完成1200万可采买分子数据库的筛选。
与mm gb/pbsa组成虚拟筛选工作流后，准确性还能进一步得到提升，将千万级分子数据库的虚拟筛选推入可及、可用、可靠的时代。
有了靶点和苗头化合物，接下来还需要预测药靶结合模式，对应工具为uni-ifd。
通过模拟药物分子与靶点结合产生的“诱导契合”效应，uni-ifd可以精确预测药物与靶点的结合模式。
同时，uni-aquasite可以通过计算得到每个水分子的自由能，寻找对药靶结合影响较大的水分子。
最后，则是基于自由能微扰的先导化合物优化工具uni-fep。
uni-fep 基于自由能微扰理论、分子动力学、增强采样算法，以化学精度高效评估蛋白质与配体的结合亲和能。克服了传统分子对接方法打分函数不准、采样不足的问题。
适用于r基团优化、骨架跃迁、电荷转移、大环成环等多种不同的优化场景，以实现工业规模的先导化合物优化。
5. 谷歌、openai学者谈ai：语言模型正在努力「攻克」数学 原文：
https://mp.weixin.qq.com/s/vampymjvkk8hrwffcjmyiw
如果问计算机擅长什么，在所有的答案里，数学必须榜上有名。在经历了漫长的研究之后，顶尖学者们在研究计算机关于数学计算方面的发展，取得了令人惊讶的成绩。
论文地址：
https://arxiv.org/pdf/2206.14858.pdf
就拿去年来说，来自加州大学伯克利分校、openai 和 google 的研究人员在语言模型方面取得了长足的进步，gpt-3、dall·e 2 等被开发出来。然而，直到现在，语言模型还无法解决一些简单的、用语言描述的数学问题，例如「alice 比 bob 多五个球，bob 在给 charlie 四个球后有两个球。问 alice 有几个球？」这对语言模型来说，想要给出正确答案，可能就有点「吃力」了。
「当我们说计算机非常擅长数学时，意思是它们非常擅长特定的、具体的事情，」来自谷歌的机器学习专家 guy gur-ari 表示。计算机擅长算术是不假，但在特定的模式之外，计算机就无能为力了，简单的文字描述题都回答不了。
谷歌研究员 ethan dyer 曾经表示：做数学研究的人有一套僵化的推理系统，对于他们熟知的和不了解的内容，这两者之间有着明显的鸿沟。
解决文字问题或定量推理问题很棘手，因为不同于其他问题，这两者需要鲁棒性和严谨性。如果过程中的任何一步出现错误，将会导致错误的答案。dall·e 在绘画方面令人印象深刻，尽管它生成的图像有时会很奇怪，可能遗漏人的手指、眼睛长得奇怪…… 这些我们都能接受，但是它在数学方面出现了错误，我们的容忍度就会非常小。来自 openai 的机器学习专家 vineet kosaraju 也曾表达过这种想法，「我们对语言模型所犯的数学错误（比如将 10 误解为 1 和 0，而不是 10）容忍性还是比较小的。」
「我们研究数学仅仅是因为我们发现它独立且非常有趣，」openai 机器学习专家 karl cobbe 说。
随着机器学习模型在更大的数据样本上训练而成，它们的鲁棒性更好、出错也更少。但扩大模型规模似乎只能通过定量推理进行。研究人员意识到，对于语言模型所犯的错误似乎需要更有针对性的方法来解决。
minerva 基于谷歌自研的 pathways 语言模型 (palm)，具有更多的数学数据集，包含 arxiv、 latex 等数学格式。minerva 还采用了其他策略，在思维链提示（chain-of-thought prompting）中，minerva 将更大的问题分解成小块。此外，minerva 还使用多数投票（majority voting），不是要求模型给出一个答案，而是要求它提出 100 种答案。在这些答案中，minerva 选择最常见的一种答案。
这些新策略的收益是巨大的，minerva 在 math 上的准确率高达 50%，在 gsm8k 以及 mmlu（包括化学和生物学在内的一组更通用的 stem 问题）上的准确率接近 80%。当 minerva 被要求重做稍微调整过的问题时，它的表现同样很好，这表明它的能力不仅仅是来自记忆。
minerva 可能有奇怪、混乱的推理，但仍然得出正确的答案。尽管像 minerva 这样的模型可能会得出与人类相同的答案，但它们所遵循的实际过程可能大不相同。
谷歌机器学习专家 ethan dyer 表示，「我认为存在这样一种观念，即数学相关人士有一些严格的推理系统，了解某事和不了解某事之间存在明显的区别。」但人们给出的答案不一致，会犯错误，也无法应用核心概念。在机器学习前沿中，边界是模糊的。
6. ai挑战国际数学奥林匹克竞赛，meta神经定理证明器拿到多项sota 原文：
https://mp.weixin.qq.com/s/n1zopnkcshjse2umrovwfa
论文地址：
https://arxiv.org/pdf/2205.11491.pdf
数学定理证明一直被视为构建智能机器的关键能力。证明一个特定的猜想是真是假，需要使用符号推理等数学知识，比简单的识别、分类等任务要难得多。
近日，meta ai 构建了一个神经定理证明器 hypertree proof search（htps），已经解决了 10 场国际数学奥林匹克竞赛 (imo) 中的问题，比以往任何系统都更多。此外，该 ai 模型的性能比数学基准 minif2f 上的 sota 方法高出 20%，比 metamath 基准上的 sota 方法高出 10%。
在一定意义上，定理证明要比构建 ai 来玩国际象棋等棋盘游戏更具挑战性。当研究者试图证明一个定理时，可能移动的动作空间不仅很大而且有可能是无限的。相比较而言，在国际象棋或围棋中，这些游戏的一系列走法会被预测出来，即使算法没有给出最好的走法也影响不大。而在定理证明中，当算法走入死胡同就没办法解决了，性能再好的求解器也只是白费力气。meta ai的新方法解决了这个棘手的问题，lecun也转推称赞。
我们用一个例子来说明 htps 的优势：假设 a 和 b 都是质因子为 7 的自然数，并且 7 也是 a + b 的质因子，如果假设 7^7 可以整除(a + b)^7 - a^7 - b^7，那么请证明 a + b 至少是 19。
假如让人类来证明的话，他们大概率会用到二项式。而 htps 使用 contraposition 方法，大大简化了方程，然后再检查多种不同的情况。
如下图为本文模型发现的证明示例，即在 minif2f 中另一个 imo 问题的证明：
7. 一文汇总超参自动优化方法 原文：
https://mp.weixin.qq.com/s/e2osix2peor7ateein0flq
一、网格搜索(grid search)
网格搜索是暴力搜索，在给定超参搜索空间内，尝试所有超参组合，最后搜索出最优的超参组合。sklearn已实现该方法，使用样例如下:
1from sklearn import svm, datasets 2from sklearn.model_selection import gridsearchcv 3import pandas as pd 4 5# 导入数据 6iris = datasets.load_iris() 7# 定义超参搜索空间 8parameters = {'kernel':('linear', 'rbf'), 'c':[1, 10]} 9# 初始化模型10svc = svm.svc()11# 网格搜索12clf = gridsearchcv(estimator = svc,13 param_grid = parameters,14 scoring = 'accuracy',15 n_jobs = -1,16 cv = 5)17clf.fit(iris.data, iris.target)18返回：gridsearchcv(cv=5, estimator=svc(), n_jobs=-1,19 param_grid={'c': [1, 10], 'kernel': ('linear', 'rbf')},20 scoring='accuracy')2122# 打印结果23print('详细结果:', pd.dataframe.from_dict(clf.cv_results_))24print('最佳分类器:', clf.best_estimator_)25print('最佳分数:', clf.best_score_)26print('最佳参数:', clf.best_params_).27返回：28详细结果:29 mean_fit_time std_fit_time mean_score_time std_score_time param_c ... split3_test_score split4_test_score mean_test_score std_test_score rank_test_score300 0.000788 0.000394 0.000194 0.000389 1 ... 0.966667 1.0 0.980000 0.016330 1311 0.000804 0.000402 0.000199 0.000399 1 ... 0.933333 1.0 0.966667 0.021082 4322 0.000593 0.000484 0.000593 0.000484 10 ... 0.966667 1.0 0.973333 0.038873 3333 0.000593 0.000484 0.000399 0.000489 10 ... 0.966667 1.0 0.980000 0.016330 134[4 rows x 15 columns]35最佳分类器:36 svc(c=1, kernel='linear')37最佳分数:380.980000000000000139最佳参数:40 {'c': 1, 'kernel': 'linear'} sklearn.model_selection.gridsearchcv[1]的重要参数说明:
estimator: scikit-learn模型。
param_grid: 超参搜索空间，即超参数字典。
scoring: 在交叉验证中使用的评估策略。
n_jobs: 并行任务数，-1为使用所有cpu。
cv: 决定采用几折交叉验证。
二、随机搜索(randomized search)
随机搜索是在搜索空间中采样出超参组合，然后选出采样组合中最优的超参组合。随机搜索的好处如下图所示：
解释图1，如果目前我们要搜索两个参数，但参数a重要而另一个参数b并没有想象中重要，网格搜索9个参数组合(a, b)，而由于模型更依赖于重要参数a，所以只有3个参数值是真正参与到最优参数的搜索工作中。反观随机搜索，随机采样9种超参组合，在重要参数a上会有9个参数值参与到搜索工作中，所以，在某些参数对模型影响较小时，使用随机搜索能让我们有更多的探索空间。
同样地，sklearn实现了随机搜索[3]，样例代码如下:
1from sklearn import svm, datasets 2from sklearn.model_selection import randomizedsearchcv 3import pandas as pd 4from scipy.stats import uniform 5 6 7# 导入数据 8iris = datasets.load_iris() 9# 定义超参搜索空间10distributions = {'kernel':['linear', 'rbf'], 'c':uniform(loc=1, scale=9)}11# 初始化模型12svc = svm.svc()13# 网格搜索14clf = randomizedsearchcv(estimator = svc,15 param_distributions = distributions,16 n_iter = 4,17 scoring = 'accuracy',18 cv = 5,19 n_jobs = -1,20 random_state = 2021)21clf.fit(iris.data, iris.target)22返回：randomizedsearchcv(cv=5, estimator=svc(), n_iter=4, n_jobs=-1,23 param_distributions={'c': 0x000001f372f9a190>,24 'kernel': ['linear', 'rbf']},25 random_state=2021, scoring='accuracy')262728# 打印结果29print('详细结果:', pd.dataframe.from_dict(clf.cv_results_))30print('最佳分类器:', clf.best_estimator_)31print('最佳分数:', clf.best_score_)32print('最佳参数:', clf.best_params_)33返回：34详细结果:35 mean_fit_time std_fit_time mean_score_time std_score_time param_c ... split3_test_score split4_test_score mean_test_score std_test_score rank_test_score360 0.000598 0.000489 0.000200 0.000400 6.4538 ... 0.966667 1.0 0.986667 0.016330 1371 0.000997 0.000002 0.000000 0.000000 4.99782 ... 0.966667 1.0 0.980000 0.026667 3382 0.000798 0.000399 0.000399 0.000488 3.81406 ... 0.966667 1.0 0.980000 0.016330 3393 0.000598 0.000488 0.000200 0.000399 5.36286 ... 0.966667 1.0 0.986667 0.016330 140[4 rows x 15 columns]41最佳分类器:42 svc(c=6.453804509266643)43最佳分数:440.986666666666666745最佳参数:46 {'c': 6.453804509266643, 'kernel': 'rbf'} 相比于网格搜索，sklearn随机搜索中主要改变的参数是param_distributions，负责提供超参值分布范围。
三、贝叶斯优化(bayesian optimization)
我写本文的目的主要是冲着贝叶斯优化来的，一直有所耳闻却未深入了解，所以我就来查漏补缺了。以下内容主要基于duane rich在《how does bayesian optimization work?》[4]的回答。
关于超参数更多的解读，请大家点击原文了解更多。
end
爱我就给我点在看
点击阅读原文进入官网
原文标题：【ai简报第20221104期】端侧智能化，在mcu中集成ai功能！、平头哥造芯模式跑通了
文章出处：【微信公众号：rtthread物联网操作系统】欢迎添加关注！文章转载请注明出处。
常用的电气仪表动态原理图合集免费下载
10×10便携式蓝牙音箱的制作教程
工程师开发出新技术,为计算机芯片的集成添动力
M1芯片如此之快 苹果是否采用了一些非同寻常的技术
随着云计算技术的兴起 FPGA与用户应用之间的距离逐渐被拉近
【AI简报第20221104期】端侧智能化，在MCU中集成AI功能！、平头哥造芯模式跑通了
加拿大家族企业JWC宣布与欧司朗达成协议 后者将提供LED照明解决方案
芯片设计挑战:小芯片高能耗
PLC的输入输出接线及其日常维修方法
物联网中的隐藏会是怎样的
关于NB-IOT无线技术的介绍
Maxim MAXQ3183电能测量前端方案
一文看懂RFID RC522和PN532的区别
现代化高科技的最新产物，智能镜子显示屏问世
激光切割机有着广泛的应用，它的优势有哪些
什么是数字式传感器
DFRobot柔性非接触式液位传感器的介绍
2017年性价比最高4款手机，红米note4第一当之无愧
智能钥匙自动授权管理柜——使钥匙管理智能化
威刚一款移动式便携SSD将亮相CES2019 读写速度最高都能达到1GB/s