特斯拉开发 Dojo 神经网络训练计算机；CMU 新实验改善机器人知觉

开发者社区行业周刊又和大家见面了，快来看看这周有哪些值得我们开发者关注的重要新闻吧。

• 特斯拉开发 Dojo 神经网络训练计算机 后者是性能野兽

• 高通骁龙芯片存在 400 多个漏洞，影响全球超 40% 机型

• 战略合作：携程核心供应链接入京东

• 英特尔 11 代酷睿实现 “跨代式”提升：低电压下可达更高频率

• 英伟达收购Arm交易最快夏末完成 后者价值约 440 亿美元

• 几行代码即可高效创建数据集，谷歌开源 TFRecorder

• CMU 研究人员探索声音以帮助改善机器人知觉

• 谷歌开源 chromeOS.dev，在 Chrome OS 上构建应用更轻松

• ACL 2020 丨基于不同硬件搜索更好的Transformer结构

• ECCV 2020 Spotlight 丨图像定位上的细粒化区域相似性自监督

• ECCV2020丨显著改善分割预测，ETH 开源基于情景图储存网络的视频目标分割

行 业 要 闻

Industry   News

▲▲▲

8 月 16 日消息，特斯拉 CEO 马斯克日前在社交网络上表示，公司正在开发一种称为 Dojo 的神经网络训练计算机，以处理大量的视频数据。马斯克称，Dojo 就像是一头真正的性能野兽。在去年的自动驾驶开放日（“Autonomy Day”）上，马斯克曾表示，Dojo 目标是能够接收大量数据并在视频级别进行培训，并使用 Dojo 程序或 Dojo 计算机对大量视频进行无监督的大规模训练（unsupervised massive training）。

网络安全供应商 Check Point 表示，该公司在一项代号为“Achilles”研究中，对高通骁龙的数字信号处理（ Digital Signal Processing，DSP）芯片进行了广泛的安全性评估。结果发现，该芯片中存在 400 多个易受攻击的代码段。 这意味着，全球市场上有超过 40% 的设备（涉及谷歌、三星、LG、小米、一加等安卓手机）将受到该漏洞影响，面临被黑客入侵的风险。DSP 芯片是手机中的一种辅助芯片，主要负责处理音频、视频和图像数据；出现在大多数现代手机中，并随高通的骁龙处理器一起提供。

8 月 16 日，京东集团、携程集团正式签署战略合作协议。根据合作协议，携程的核心产品供应链将接入京东平台，同时双方将在用户流量、渠道资源、跨界营销、商旅拓展、电商合作等方面开展全方位的合作。达成合作后，携程将为京东提供实时产品库存，以及极具市场竞争力的产品价格，京东则将接入携程的核心产品供应链，并将京东平台的用户流量开放给携程，在日常运营、精准营销方面为携程旅行产品供应链提供全方位的支持。

英特尔正式公布了 Tiger Lake SoC，采用了 Willow Cove 架构，官方称将提供超越代间 CPU 性能的提高。根据英特尔的官方文件， Willow Cove 架构下，处理器可在更低的电压下达到更高的频率。

知情人士称，英伟达和 Arm 双方已进入排他性谈判阶段，有望在夏末之前达成交易。外媒称，今年 4 月，Arm 首次被其母公司软银挂牌出售，当时美国投行高盛受聘物色潜在买家。高盛 4 月份曾联系苹果，但苹果并不打算参与竞购，因为 Arm 的授权业务与苹果软件和硬件结合的商业模式并不十分相符。并且，如果苹果收购这家为众多竞争对手供货的芯片技术授权商，还有可能引发监管方面的担忧。

 

 

谷歌近期开源了 TensorFlow Recorder（即 TFRecorder）项目，旨在简化 TFRecord 的创建流程。TFRecord是一种二进制文件格式，处理数据相对高效，但要将其他数据转为 TFRecord 较为麻烦，通常需要编写一个数据管道来解析结构化数据，从存储中加载图像，然后再将结果序列化为 TFRecord 格式。而此次开源的 TFRecorder 能够直接从 Pandas dataframe 或 CSV 等格式写入 TFRecords，无需再编写复杂的代码。 

卡内基梅隆大学的研究团队的一项新实验提出了使用 Rethink Robotics 的 Sawyer 在金属托盘中移动物体的方法，以使它们感觉到它们在周围滚动，滑动并撞向侧面时发出的声音。总共有 60 个对象-包括工具、木块、网球和一个苹果-记录和分类了 15,000 个「交互」。该团队将机器人命名为「Tilt-Bot」，能够识别物体，成功率高达 76％，甚至可以确定金属螺丝刀和扳手之间相对较小的材料差异。通过使用声音数据，该机器人通常能够正确确定对象的材料构成。

谷歌近日推出了 Chrome OS 开发者中心（chromeOS.dev），网站内包含许多技术资源、教程、代码示例和新鲜资讯等，其目的是“帮助开发者更大限度地利用平台上的功能”，了解 Chrome OS，并更轻松地构建 Chrome OS 应用程序。chromeOS.dev 的主要目标人群是 Web、Android 以及 Linux 开发者，也包括设计师、产品经理，还有业务负责人。目前该网站仅提供英文和西班牙语，之后会陆续支持更多语种。

学 术 前 沿

Academic News

▲▲▲

过去有大量针对 Transformer 结构进行简化的工作，但是它们都没有考虑到不同硬件对模型结构的影响。本文首次提出使用网络结构搜索（NAS）的方法，针对不同的硬件，搜索适合该硬件的最佳的 Transformer 结构。实验表明，在不同硬件下，得到的Transformer结构相比其他模型更小、更快，且不损效果。

*论文链接：https://arxiv.org/abs/2005.14187

本文介绍一篇发表于 ECCV 2020 的论文，该论文被收录为 spotlight presentation。针对大规模图像定位中的弱监督问题提出有效的解决方法，旨在通过自监督学习的方法充分挖掘表征学习中的难样本，并进一步将图像级监督细粒化为区域级监督，以更好地建模图像与区域间的复杂关系。利用该算法训练的模型具有较强的鲁棒性和泛化性，在多个图像定位数据集上进行了验证，Recall@1 准确度大幅超越最先进技术高达 5.7%，代码和模型均已公开。

*论文链接：https://arxiv.org/abs/2006.03926

本文着力于解决视频目标分割领域的一个基本问题：使分割模型有效适应特定视频以及在线目标的外观变化。提出了一种简洁快速的新图存储机制，显著改善了分割预测。此外，图存储网络产生的框架还可以推广到one-shot和zero-shot视频目标分割任务。

*论文链接：https://arxiv.org/pdf/2007.07020.pdf

*以上信息来源于网络，由“京东智联云开发者”公众号编辑整理，

不代表京东智联云立场*