据韩联社6月26日报道,韩国政府将与人工智能芯片和云计算企业联合,组成一个团队,开发高运算能力和低能耗的神经网络处理器(npu)推理芯片。这是为了避开nvidia的长期gpu进行竞争。该项目为延长韩国在半导体领域的地位而努力,并为到2030年取得显着的成果而努力。
科学技术信息通讯部长官李宗昊26日主持第三次人工智能半导体战略对话,公布了“k-云计算”(韩国云计算)项目第一期的出台。三星电子、sk海力士等大企业和国内ai半导体创业企业、云计算领域的企业参加了当天的活动。
据介绍,韩国npu芯片研发第一期项目将投资1000亿韩元,到2025年完成神经网络处理器验证。第二步,到2028年研制出低功耗pim芯片。第三期的目标是到2030年为止研究开发超低电力低电力存储器芯片。该项目的最终目标是到2030年将ai芯片技术提升到世界第一。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。
举报投诉
-
芯片
+关注
关注
460文章
52738浏览量
444253 -
云计算
+关注
关注
39文章
7982浏览量
140878 -
人工智能
+关注
关注
1810文章
49221浏览量
251601
发布评论请先 登录
相关推荐
热点推荐
【「芯片通识课:一本书读懂芯片技术」阅读体验】从deepseek看今天芯片发展
的:
神经网络处理器(NPU)是一种模仿人脑神经网络的电路系统,是实现人工智能中神经网络计算的专用处理器
发表于 04-02 17:25
BP神经网络与卷积神经网络的比较
多层。 每一层都由若干个神经元构成,神经元之间通过权重连接。信号在神经网络中是前向传播的,而误差是反向传播的。 卷积神经网络(CNN) : CNN主要由卷积层、池化层和全连接层组成。
BP神经网络与深度学习的关系
),是一种多层前馈神经网络,它通过反向传播算法进行训练。BP神经网络由输入层、一个或多个隐藏层和输出层组成,通过逐层递减的方式调整网络权重,目的是最小化网络的输出误差。 二、深度学习的
NPU是如何发展起来的?性能受哪些因素影响?
(电子发烧友网综合报道) NPU是一种专门用于加速神经网络计算的硬件处理器。随着人工智能和深度学习技术的快速发展,传统的CPU和GPU在处理复杂的神
人工神经网络的原理和多种神经网络架构方法
在上一篇文章中,我们介绍了传统机器学习的基础知识和多种算法。在本文中,我们会介绍人工神经网络的原理和多种神经网络架构方法,供各位老师选择。 01 人工神经网络 ? 人工神经网络模型之所

卷积神经网络的实现工具与框架
卷积神经网络因其在图像和视频处理任务中的卓越性能而广受欢迎。随着深度学习技术的快速发展,多种实现工具和框架应运而生,为研究人员和开发者提供了强大的支持。 TensorFlow 概述
卷积神经网络在自然语言处理中的应用
自然语言处理是人工智能领域的一个重要分支,它致力于使计算机能够理解、解释和生成人类语言。随着深度学习技术的发展,卷积神经网络(CNNs)作为一种强大的模型,在图像识别和语音处理等领域取得了显著成果
卷积神经网络与传统神经网络的比较
在深度学习领域,神经网络模型被广泛应用于各种任务,如图像识别、自然语言处理和游戏智能等。其中,卷积神经网络(CNNs)和传统神经网络是两种常见的模型。 1. 结构差异 1.1 传统
RNN模型与传统神经网络的区别
神经网络是机器学习领域中的一种强大工具,它们能够模拟人脑处理信息的方式。随着技术的发展,神经网络的类型也在不断增加,其中循环神经网络(RNN)和传统
NPU与传统处理器的区别是什么
随着人工智能技术的快速发展,深度学习成为了推动这一进步的核心动力。深度学习模型,尤其是神经网络,需要大量的并行计算能力来训练和推理。为了满足这一需求,NPU(神经处理单元)应运而生,与
NPU在边缘计算中的优势
随着物联网(IoT)和5G技术的发展,边缘计算作为一种新兴的计算模式,正在逐渐成为处理和分析数据的重要手段。 NPU的定义与功能 NPU是一种专门为深度学习和神经网络运算设计的
LSTM神经网络的结构与工作机制
LSTM(Long Short-Term Memory,长短期记忆)神经网络是一种特殊的循环神经网络(RNN),设计用于解决长期依赖问题,特别是在处理时间序列数据时表现出色。以下是LSTM神经
LSTM神经网络与传统RNN的区别
在深度学习领域,循环神经网络(RNN)因其能够处理序列数据而受到广泛关注。然而,传统RNN在处理长序列时存在梯度消失或梯度爆炸的问题。为了解决这一问题,LSTM(长短期记忆)神经网络应
LSTM神经网络的基本原理 如何实现LSTM神经网络
LSTM(长短期记忆)神经网络是一种特殊的循环神经网络(RNN),它能够学习长期依赖信息。在处理序列数据时,如时间序列分析、自然语言处理等,LSTM因其能够有效地捕捉时间序列中的长期依
评论