AI是如何工作的?研究人员揭示成功机器学习的机制

AI是如何工作的?研究人员揭示成功机器学习的机制 图像分类是一项复杂的任务,深度学习架构可以成功完成这项任务。这些深度架构通常由许多层组成,每一层由许多过滤器组成。通常的理解是,随着图像层层深入,图像的更多增强特征和特征的特征就会显现出来。然而,这些特征和特征的特征是无法量化的,因此机器学习如何工作仍然是一个谜。巴伊兰大学(Bar-Ilan University)的研究人员最近在《科学报告》(Scientific Reports)上发表了一篇文章,揭示了成功的机器学习的内在机制,这种机制使机器学习能够出色地完成分类任务。"每个滤波器基本上都能识别一小簇图像,随着层数的增加,识别能力也会增强。巴伊兰大学物理系和 Gonda (Goldschmied) 多学科大脑研究中心的 Ido Kanter 教授领导了这项研究。介绍研究的视频。资料来源:巴伊兰大学 Ido Kanter 教授这项工作的主要贡献者之一、博士生尤瓦尔-迈尔(Yuval Meir)说:"这一发现可以为更好地理解人工智能的工作原理铺平道路。这可以在不降低整体准确性的情况下,改善延迟、内存使用和架构的复杂性。虽然人工智能一直处于近期技术进步的前沿,但了解这些机器的实际工作原理可以为更先进的人工智能开辟道路。"编译自:ScitechDaily ... PC版: 手机版:

相关推荐

封面图片

解码癌症:研究人员揭示细胞是如何"叛变"的

解码癌症:研究人员揭示细胞是如何"叛变"的 访问:NordVPN 立减 75% + 外加 3 个月时长 另有NordPass密码管理器 约翰斯-霍普金斯大学医学院的科学家们绘制了人类乳腺和肺细胞中的一条分子途径,它可能导致基因组过度复制,而这正是癌细胞的一个特征。这些发现最近发表在《科学》杂志上,揭示了当一组分子和酶触发并调节所谓的"细胞周期"(用细胞的遗传物质制造新细胞的重复过程)时,会出现什么问题。研究人员认为,这些发现可用于开发中断细胞周期障碍的疗法,并有可能阻止癌症的生长。为了复制,细胞会遵循一个有序的程序,首先复制整个基因组,然后分离基因组副本,最后将复制的DNA平均分成两个"子"细胞。人类细胞的每对染色体有 23 对一半来自母亲,一半来自父亲,包括性染色体 X 和 Y即总共 46 对,但已知癌细胞会经历一个中间状态,即拥有双倍的数量92 条染色体。这是如何发生的是一个谜。约翰霍普金斯大学医学院分子生物学和遗传学副教授塞尔吉-雷戈特(Sergi Regot)博士说:"癌症领域科学家们的一个永恒问题是:癌细胞基因组是如何变得如此糟糕的?我们的研究对细胞周期的基础知识提出了挑战,让我们重新评估了关于细胞周期如何调节的想法"。细胞周期调控面临的挑战雷戈特说,复制基因组后受到压力的细胞会进入休眠或衰老阶段,并错误地冒着再次复制基因组的风险。一般来说,这些休眠细胞在被免疫系统"识别"为有问题的细胞后,最终会被清除。但有时,尤其是随着年龄的增长,免疫系统无法清除这些细胞。如果任由这些异常细胞在体内游荡,它们就会再次复制基因组,在下一次分裂时对染色体进行洗牌,从而引发癌症。为了确定细胞周期中出现问题的分子途径的细节,雷戈特和研究生研究助理康纳-麦肯尼(Connor McKenney)领导约翰-霍普金斯大学的研究小组,重点研究了乳腺导管和肺组织中的人类细胞。原因何在?这些细胞的分裂速度通常比体内其他细胞更快,从而增加了观察细胞周期的机会。观看这段视频,了解细胞在不分裂的情况下经历两次复制基因组的细胞周期阶段。细胞核中出现的亮点表明 DNA 正在复制的位置。资料来源:约翰-霍普金斯大学医学院塞尔吉-雷戈特实验室雷戈特的实验室擅长对单个细胞进行成像,因此特别适合发现极少数没有进入休眠期、继续复制基因组的细胞。在这项新研究中,研究小组仔细观察了数千张单细胞在细胞分裂过程中的图像。研究人员开发了发光生物传感器,用于标记细胞周期蛋白依赖性激酶(CDKs)。他们发现,各种 CDK 在细胞周期的不同时期激活。在细胞受到环境压力(如干扰蛋白质生产的药物、紫外线辐射或所谓的渗透压(细胞周围水压的突然变化))后,研究人员发现 CDK 4 和 CDK 6 的活性降低了。细胞周期破坏的研究结果五到六小时后,当细胞开始准备分裂时,CDK 2 也受到了抑制。此时,一种名为无丝分裂促进复合物(APC)的蛋白质复合物在细胞分裂前的阶段被激活,这一步骤被称为有丝分裂。Regot说:"在研究中的受压环境中,APC激活发生在有丝分裂之前,而通常人们只知道它在有丝分裂过程中激活。"当暴露在任何环境压力下时,约 90% 的乳腺细胞和肺细胞会离开细胞周期,进入安静状态。在他们的实验细胞中,并非所有细胞都安静了下来。研究小组发现,约有 5%-10%的乳腺细胞和肺细胞重返细胞周期,再次分裂染色体。通过另一系列实验,研究小组发现,所谓的应激活化蛋白激酶活性的增加与一小部分细胞脱离安静阶段并继续将基因组翻倍有关。雷戈特说,目前正在进行一些临床试验,测试DNA损伤剂与阻断CDK的药物。联合用药有可能促使一些癌细胞将基因组复制两次,产生异质性,最终产生抗药性。也许有药物可以阻止 APC 在有丝分裂前激活,从而防止癌细胞二次复制基因组,防止肿瘤阶段性进展。编译来源:ScitechDaily ... PC版: 手机版:

封面图片

微小裂缝,全球影响:MIT研究人员揭示微观冰层缺陷如何塑造冰川

微小裂缝,全球影响:MIT研究人员揭示微观冰层缺陷如何塑造冰川 一条冰川流入格陵兰岛西南海岸的峡湾。麻省理工学院的一项新研究介绍了一种基于微观冰缺陷绘制冰川流动图的模型,通过详细描述冰川对压力敏感性的区域变化,提供了冰川动力学的细微视角,并改进了海平面上升的预测。资料来源:Meghana Ranganathan冰川流动与海平面上升随着冰川和冰盖的融化和入海,全球水位正以前所未有的速度上升。科学家需要更好地了解冰川融化的速度以及影响冰川流动的因素,以便预测未来海平面上升的情况并做好准备。现在,麻省理工学院科学家的一项研究根据冰的微观变形,为冰川流动提供了新的图景。研究结果表明,冰川的流动在很大程度上取决于微观缺陷如何在冰层中移动。研究人员发现,他们可以根据冰川是否容易出现某种微观缺陷来估计冰川的流动情况。他们利用这种微观和宏观变形之间的关系,建立了冰川流动的新模型。利用这个新模型,他们绘制了南极冰原上各个地点的冰流图。穿过南极洲罗斯冰架附近山谷的冰流。图片来源:Meghana Ranganathan挑战冰流的传统观点他们发现,与传统观点相反,冰原并不是一个整体,相反,它在应对气候变暖压力时的流动地点和方式更加多样。研究人员在论文中写道,这项研究"极大地改变了海洋冰原可能变得不稳定并导致海平面快速上升的气候条件"。Meghana Ranganathan 博士说:"这项研究真正展示了微观过程对宏观行为的影响。这些机制发生在水分子的尺度上,最终会影响南极西部冰盖的稳定性"。她是麻省理工学院地球、大气和行星科学系(EAPS)的研究生,现在是佐治亚理工学院的博士后。共同作者、EAPS 副教授 Brent Minchew 补充说:"广义上讲,冰川正在加速,围绕这一点有很多变数。这是第一项从实验室到冰原的研究,开始评估自然环境中冰的稳定性。这最终将有助于我们了解灾难性海平面上升的概率。"Ranganathan 和 Minchew 的研究最近发表在《美国国家科学院院刊》上。冰川运动与海平面影响冰川流动是指冰从冰川的顶峰或冰原的中心向下移动到边缘,然后冰在边缘断裂并融化到海洋中的过程这个过程通常很缓慢,但随着时间的推移,会导致世界平均海平面上升。近年来,在全球变暖以及冰川和冰原加速融化的推动下,海洋以前所未有的速度上升。众所周知,极地冰川的消失是导致海平面上升的主要原因,但这也是预测时最大的不确定因素。"部分原因是规模问题,"Ranganathan 解释说。"很多导致冰流动的基本机制都发生在我们无法看到的非常小的尺度上。我们想准确地确定这些支配冰流的微物理过程是什么,而海平面变化模型中还没有体现出这些微物理过程。"明尼苏达大学的地质学家在 2000 年代初进行了实验,研究了小块冰在受到物理压力和压缩时如何变形。他们的研究揭示了冰流动的两种微观机制:一种是"位错蠕变",即分子大小的裂缝在冰中移动;另一种是"晶界滑动",即单个冰晶相互滑动,导致它们之间的边界在冰中移动。地质学家发现,冰对应力的敏感性,或者说冰流动的可能性,取决于两种机制中哪一种占主导地位。具体来说,当微观缺陷是通过位错蠕变而不是晶界滑动产生时,冰对应力更敏感。兰加纳坦和明切意识到,这些微观层面的发现可以重新定义冰川尺度更大的冰流方式。他们解释说:"目前的海平面上升模型假定冰对压力的敏感性只有一个值,并且在整个冰原上保持这个值不变。"这些实验表明,实际上,由于这些机制中的哪一种在起作用,冰的敏感性存在着相当大的变异性"。预测冰川流动的新模型在新的研究中,麻省理工学院的研究小组从之前的实验中汲取灵感,建立了一个模型来估算冰区对应力的敏感度,这直接关系到冰流动的可能性。该模型吸收了环境温度、冰晶平均大小和该区域冰的估计质量等信息,并计算出冰通过位错蠕变和晶界滑动发生变形的程度。根据这两种机制中哪一种占主导地位,模型就能估算出该区域对应力的敏感性。科学家们将从南极冰原上不同地点观测到的实际数据输入到模型中,其他科学家之前在这些地点记录了当地的冰层高度、冰晶大小和环境温度等数据。根据模型的估计,研究小组绘制了南极冰原上冰对压力的敏感性地图。当他们将该地图与卫星和实地对冰原的长期测量结果进行比较时,发现两者非常吻合,这表明该模型可用于准确预测冰川和冰原在未来的流动情况。"随着气候变化使冰川开始变薄,这可能会影响冰对压力的敏感性,"Ranganathan 说。"我们预计南极洲的不稳定性可能会非常不同,我们现在可以利用这个模型捕捉这些差异。"编译自/scitechdaily ... PC版: 手机版:

封面图片

研究人员通过低温电子显微镜揭示了复制酶的原子结构

研究人员通过低温电子显微镜揭示了复制酶的原子结构 图中显示的是一种被认为与生命起源有关的 RNA 聚合酶核糖酶。图中的核糖酶被冰冻起来,象征着它是如何被及时冷冻以进行成像的,以及它是如何在冰冷的条件下发挥最佳作用的。黄/红光突出显示了活性位点,透明显示了模板-产物螺旋的拟议位置。图片来源:Rune Kidmose错综复杂的生命分子机制是如何从简单的起点产生的,这是一个长期存在的问题。一些证据表明,在原始的"RNA 世界"中,"RNA 复制机"(即所谓的复制酶)开始复制自身和其他 RNA 分子,从而启动了进化和生命本身。然而,古老的复制酶似乎已经消失在时间的长河中,它在现代生物学中的作用已被更高效的蛋白质机器所取代。为了支持"RNA 世界"假说,研究人员一直试图在实验室中重新创造出一种等效的 RNA 复制酶。虽然已经发现了这种古代复制酶的分子"二重身",但由于难以确定动态 RNA 分子的结构,它们的详细分子结构和作用方式仍然难以确定。嗜冰 RNA 复制酶的结构在发表于《美国国家科学院院刊》(PNAS)的一篇研究论文中,一个研究小组首次利用低温电子显微镜(cryo-EM)报告了 RNA 复制酶的原子结构。正在研究的 RNA 复制酶是由 Holliger 实验室(英国剑桥大学 MRC LMB)开发的,能够在共晶冰相(类似于冰渣)中利用核苷酸三联体高效复制长模板。现任奥胡斯大学助理教授的 Emil L. Kristoffersen 从霍利格实验室博士后学习归来后,促成了与安德森实验室(丹麦奥胡斯大学)的合作,通过低温电子显微镜确定了 RNA 复制酶的结构。有趣的是,该结构与基于蛋白质的聚合酶有着惊人的相似之处,其模板结合、聚合和底物分辨结构域的分子形状类似于一只张开的手。"我们惊讶地发现,我们在试管中人工进化出的核糖酶竟然具有天然存在的蛋白质聚合酶的特征。"英国剑桥大学 MRC LMB 项目负责人 Philipp Holliger 解释说:"这表明,无论材料是 RNA 还是蛋白质,进化都能发现趋同的分子解决方案。"RNA 世界中的 RNA 合成模型为了更好地了解 RNA 复制酶的工作原理,研究人员进行了全面的突变研究,以突出 RNA 结构的关键要素。这项分析证实了催化位点的特征,同时也揭示了两个所谓的"接吻环"相互作用的重要性,这两个相互作用将支架亚基和催化亚基结合在一起,同时也揭示了一个特定的RNA结构域对保真度的重要性,即复制酶复制RNA链的准确性。虽然研究人员无法确定复制酶在积极复制 RNA 时的"作用中"结构,但他们还是建立了一个与所有实验数据相一致的基于 RNA 的 RNA 复制模型。"冷冻电镜是研究 RNA 分子结构和动态特征的一种强大方法。通过将低温电子显微镜数据与实验相结合,我们能够建立这种复杂的 RNA 机器内部运作的模型。"Ewan McRae 告诉我们,他在奥胡斯大学安德森实验室做博士后时曾从事过低温电子显微镜工作,现在已经在美国得克萨斯州休斯顿卫理公会研究所成立了自己的研究小组。RNA 纳米技术和医学的灵感来源这项研究令人兴奋地首次看到了被认为位于生命之树根部的 RNA 复制酶。然而,目前开发的基于 RNA 的复制酶效率很低(与基于蛋白质的聚合酶相比),还不能维持自身的复制和进化。这项研究提供的结构洞察力可能有助于设计更高效的复制机制,从而让我们更接近在试管中开发 RNA 世界的情景。"通过使用可能存在于 RNA 世界中的化学修饰,RNA 复制酶的特性可能会得到进一步改善。"丹麦奥胡斯大学副教授 Ebbe Sloth Andersen 解释说:"此外,对生命起源的研究还发现了几种新型 RNA 构建模块,可用于新兴的 RNA 纳米技术和医学领域。"编译来源:ScitechDaily ... PC版: 手机版:

封面图片

MIT研究人员利用人工智能将仓库改造成高效枢纽

MIT研究人员利用人工智能将仓库改造成高效枢纽 在一个巨大的机器人仓库里,数百个机器人在地面上来回穿梭,抓取物品并交付给人类工人进行包装和运输。这种仓库正日益成为从电子商务到汽车生产等许多行业供应链的一部分。然而,要让 800 个机器人高效地往返于目的地,同时又要防止它们相互碰撞,并非易事。这个问题非常复杂,即使是最好的路径搜索算法,也很难跟上电子商务或制造业的飞速发展。人工智能驱动的高效解决方案从某种意义上说,这些机器人就像试图在拥挤的市中心穿梭的汽车。因此,一群利用人工智能缓解交通拥堵的麻省理工学院研究人员运用了这一领域的理念来解决这一问题。他们建立了一个深度学习模型,对仓库的重要信息(包括机器人、计划路径、任务和障碍物)进行编码,并利用这些信息预测仓库的最佳疏导区域,以提高整体效率。他们的技术将仓库中的机器人分成若干组,因此这些较小的机器人组可以用协调机器人的传统算法更快地消除拥堵。最终,与强随机搜索法相比,他们的方法疏导机器人的速度快了近四倍。除了简化仓库作业,这种深度学习方法还可用于其他复杂的规划任务,如计算机芯片设计或大型建筑的管道布线。尖端的神经网络架构"我们设计了一种新的神经网络架构,它实际上适用于这些仓库这种规模和复杂程度的实时操作。它可以对数百个机器人的轨迹、出发地、目的地以及与其他机器人的关系进行编码,而且能以一种高效的方式在各组机器人之间重复使用计算,"土木与环境工程(CEE)专业吉尔伯特-W-温斯洛职业发展助理教授、信息与决策系统实验室(LIDS)和数据、系统与社会研究所(IDSS)成员凯茜-吴(Cathy Wu)说。该技术论文的资深作者 Wu 和第一作者、电子工程和计算机科学专业研究生 Zhongxia Yan 共同完成了这项研究。这项研究成果将在学习表征国际会议(International Conference on Learning Representations)上发表。机器人俄罗斯方块从鸟瞰图上看,机器人电子商务仓库的地面有点像快节奏的"俄罗斯方块"游戏。当客户下订单时,机器人会前往仓库的某一区域,抓起放置所需物品的货架,然后将其交给人类操作员,由其拣选和包装物品。数百个机器人同时进行这项工作,如果两个机器人在穿过巨大的仓库时发生路径冲突,就可能会撞车。传统的搜索算法可以避免潜在的碰撞,方法是保持一个机器人的运行轨迹,并为另一个机器人重新规划轨迹。但由于机器人数量众多,可能发生碰撞,问题很快就会呈指数级增长。"由于仓库是在线运行的,机器人大约每 100 毫秒重新扫描一次。也就是说,每秒钟,机器人要重新扫描 10 次。因此,这些操作必须非常快速,"Wu 说。由于在重新规划过程中时间非常关键,麻省理工学院的研究人员利用机器学习将重新规划的重点放在最有可能减少机器人总行驶时间的拥堵区域。Wu 和 Yan 建立的神经网络架构可同时考虑较小的机器人群组。例如,在一个拥有 800 个机器人的仓库中,网络可能会将仓库地面切割成更小的组,每组包含 40 个机器人。然后,如果使用基于搜索的求解器来协调该组机器人的轨迹,它就会预测出哪一组最有可能改进整体解决方案。整个算法是一个迭代过程,先用神经网络选出最有希望的机器人组,再用基于搜索的求解器解散机器人组,然后用神经网络选出下一个最有希望的机器人组,依此类推。简化复杂系统神经网络能有效地推理机器人群,因为它能捕捉到单个机器人之间存在的复杂关系。例如,即使一个机器人一开始离另一个机器人很远,它们在行进过程中的路径仍有可能交叉。该技术还能简化计算,只需对约束条件进行一次编码,而无需对每个子问题重复编码。例如,在一个拥有 800 个机器人的仓库中,要消除一组 40 个机器人的拥堵,需要将其他 760 个机器人作为约束条件。其他方法则需要在每次迭代中对每组所有 800 个机器人推理一次。相反,研究人员的方法只需要在每次迭代中对所有小组的 800 个机器人进行一次推理。她补充说:"仓库是一个大的环境,因此这些机器人群组中的很多都会在更大的问题上有一些共同点。我们设计的架构就是为了利用这些共同的信息。"研究人员在几个模拟环境中测试了他们的技术,包括一些像仓库一样的环境,一些带有随机障碍物的环境,甚至还有模拟建筑物内部的迷宫设置。通过识别出更有效的疏导群组,他们基于学习的方法疏导仓库的速度比强大的、非基于学习的方法快四倍。即使考虑到运行神经网络的额外计算开销,他们的方法解决问题的速度仍然快 3.5 倍。未来方向与同行认可未来,研究人员希望从他们的神经模型中获得简单、基于规则的见解,因为神经网络的决策可能不透明,难以解读。更简单、基于规则的方法也更容易在实际机器人仓库环境中实施和维护。"这种方法基于一种新颖的架构,在这种架构中,卷积和注意力机制能够有效地相互作用。令人印象深刻的是,它能够考虑到所构建路径的时空成分,而无需针对具体问题进行特征工程。结果非常出色。"康奈尔理工学院安德鲁-H.和安-R.-蒂施教授 Andrea Lodi 说:"我们不仅能在求解质量和速度方面改进最先进的大型邻域搜索方法,而且该模型还能很好地推广到未见过的案例中。"编译来源:ScitechDaily ... PC版: 手机版:

封面图片

安全研究人员证明可以利用聊天机器人系统传播AI驱动的蠕虫病毒

安全研究人员证明可以利用聊天机器人系统传播AI驱动的蠕虫病毒 更糟糕的是,生成式人工智能(GenAI)系统,甚至像巴德(Bard)等大型语言模型(LLM),都需要大量的处理,因此它们通常通过向云端发送提示来工作。这种做法会带来一系列其他的隐私问题,并为恶意行为者提供新的攻击载体。ComPromptMized 公司的信息安全研究人员最近发表了一篇论文,展示了他们如何创建"零点击"蠕虫,从而"毒害"由 Gemini (Bard) 或 GPT-4 (Bing/Copilot/ChatGPT) 等引擎驱动的 LLM 生态系统。蠕虫病毒是一组计算机指令,除了打开受感染的电子邮件或插入U盘外,用户几乎不需要采取任何行动,就能隐蔽地感染多个系统。任何 GenAI 供应商都没有防范措施来阻止此类感染。不过,将这种病毒引入 LLM 数据库则比较棘手。研究人员想知道"攻击者能否开发恶意软件,利用代理的 GenAI 组件,对整个 GenAI 生态系统发动网络攻击?"简短的回答是肯定的。ComPromptMized 创建了一个蠕虫病毒,他们称之为莫里斯二世(Morris the Second,简称 Morris II)。莫里斯二号使用通俗易懂的"对抗性自我复制提示",诱骗聊天机器人在用户之间传播蠕虫病毒,即使他们使用不同的 LLM。"这项研究表明,攻击者可以在输入中插入此类提示,当 GenAI 模型处理这些输入时,会促使模型将输入复制为输出(复制),并从事恶意活动(有效载荷),"研究人员解释说。"此外,这些输入还能利用 GenAI 生态系统内的连通性,迫使代理将其传递(传播)给新的代理"。为了验证这一理论,研究人员创建了一个孤立的电子邮件服务器,用于"攻击"由 Gemini Pro、ChatGPT 4 和开源 LLM LLaVA 支持的 GenAI 助手。然后,ComPromptMized 使用了包含基于文本的自我复制提示和嵌入相同提示的图片的电子邮件。这些提示利用了人工智能助手对检索增强生成(RAG)的依赖,也就是从本地数据库之外获取信息的方式。例如,当用户询问"Bard"阅读或回复受感染的电子邮件时,它的 RAG 系统就会将内容发送给Gemini专业版,以便做出回复。然后,Morris II 复制到 Gemini 上,并执行蠕虫的有效载荷,包括数据外渗。这项研究的合著者本-纳西博士说:"生成的包含敏感用户数据的响应被用于回复发送给新客户的电子邮件时,会感染新的主机,然后存储在新客户的数据库中。"不仅如此,基于图像的变种可能更加难以捉摸,因为提示是不可见的。黑客可以将其添加到看似无害或预期的电子邮件中,如伪造的时事通讯。然后,蠕虫就可以利用助手向用户联系人列表中的每个人发送垃圾邮件,汲取数据并将其发送到 C&C 服务器。纳西说:"通过将自我复制提示编码到图片中,任何包含垃圾邮件、滥用材料甚至宣传内容的图片都可以在最初的电子邮件发送后被进一步转发给新客户。"他们还可以从邮件中提取敏感数据,包括姓名、电话号码、信用卡号、社会保险号或"任何被视为机密的数据"。ComPromptMized 在发布其工作之前通知了Google、Open AI 等公司。如果说 ComPromptMized 的研究表明了什么的话,那就是大科技公司可能需要放慢脚步,放远目光,以免我们在使用他们所谓和善的聊天机器人时,需要担心新的人工智能驱动的蠕虫和病毒。 ... PC版: 手机版:

封面图片

:从入门到精通,利用NVIDIA GPU进行数学和机器学习的加速计算,适用于希望扩展算法至GPU的研究人员和应用专家

:从入门到精通,利用NVIDIA GPU进行数学和机器学习的加速计算,适用于希望扩展算法至GPU的研究人员和应用专家 CUDA(统一计算设备架构)是 NVIDIA 开发的并行计算平台和编程模型。它允许软件开发人员利用 NVIDIA GPU(图形处理单元)巨大的并行处理能力来执行通用计算任务,而不仅仅是其传统的图形渲染角色。 GPU 设计有数千个更小、更高效的核心,经过优化可同时处理多个任务。这使得它们非常适合可分解为许多独立操作的任务,例如科学模拟、机器学习、视频处理等。与传统的仅使用 CPU 的代码相比,CUDA 可显著提高合适应用程序的速度。 GPU 可以并行处理大量数据,从而加速在 CPU 上需要更长时间的计算。对于某些类型的工作负载,GPU 比 CPU 更节能,可提供更高的每瓦性能。

🔍 发送关键词来寻找群组、频道或视频。

启动SOSO机器人