拔刺 | 如何評價無人機未來的發展前景？

2019 年 11 月 12 日
筆記

在這個用過即棄的時代，不要讓你的求知慾過期。

今日拔刺：

1、如何評價無人機未來的發展前景？

2、CPU的主要性能指標是什麼？

3、大數據、機器學習、神經網絡等名詞和概念有何聯繫？

本文 | 1759字閱讀時間 | 4分鐘

如何評價無人機未來的發展前景？

無人機雖然是現代科技時代發展的產，物但其發展歷程卻已經有百年之久。早在1939年德國人就研發了一款無人機的鼻祖——使用無線電遙控的無人轟炸機，可以攜帶一噸重的炸彈，著名的V－1導彈就是以這款無人轟炸機為基礎研發的。

進入21世紀後，軍用無人機的發展更加先進，一步一步的成為了空中戰略系統的重要應用和可以作為空中格鬥的新型戰鬥機。

無人機較普通軍用作戰飛機，體積微小造價低廉、隱蔽性強，非常適於執行持久的情報收集和戰場監視任務，更適應未來戰爭需要。作為現代化戰爭的必須作戰武器，無人機的發展日益壯大，最新研製的無人機已經開始向智能化，人機可協同作戰的方向發展。未來無人機在軍用領域一定會得到更加全面，大範圍的應用。

對於民用無人機，其未來發展也是相當可觀的。2018年6月份的時代周刊就用985架無人機繪製了《無人機時代》的封面照片，這無疑是對無人機的肯定。民用無人機在很多行業都有具體應用，拿農業來說，現在城鎮化加劇，大批農民轉而做了別的行業，無人機很可能成為農民下一代的「接班人」。按照無人機現在的發展趨勢來看，在不久的將來它完全可以用極短的時間飛在稻田上噴洒農藥或者化肥，比農民操作更加精準、省時。民用無人機未來一定會與現代各行各業的技術融合發展，智能無人機一定會在未來發揮重要作用。

CPU的主要性能指標是什麼？

CPU全名中央處理器（Central Processing Unit），是一台計算機最重要的核心，相當於我們的大腦。這樣重要的東西當然性能指標非常重要，其主要性能指標有以下幾項：

主頻：主頻是CPU的時鐘頻率，也就是它的工作頻率，目前市場上的CPU頻率在2-4GHz左右，部分CPU例如Intel的core i7不光有固定頻率，還可以超頻。很顯然，相同配置下頻率越高，性能越高。

架構：這個大家可能不注意，但是架構的更新對於CPU來說將會是進化的一場革命，性能會帶來質的飛躍。目前Intel、AMD的CPU是X86架構，IBM公司的CPU是PowerPC架構，ARM公司是ARM架構。

製造工藝：主要的工藝規格有180nm、130nm、90nm、65nm、45nm、22nm，現在的製造工藝已經達到14nm，如Intel的8代CPU系列。製造工藝標誌着以更高的精度在更小的面積上作出性能更高、功耗更低的核心。

總線速度：也就是多級緩存，緩解內存帶來的瓶頸，所以出現了二級緩存，目前有2級緩存、3級緩存。緩存量越大越好。

超線程：大家經常聽說雙核心四線程就是超線程技術，該技術讓一個核心可以分成兩個小的核心進行並行運算來提高效率。核心線程越多堆積的性能也就相對高，但效率不一定是最優的。

浮數運算能力：這是考驗CPU運算能力的一個指標，標誌着誰運算能力更快更強大，目前的CPU大都是64位的，也就是2的64次方，老一些的CPU是32位的。正常的商務本CPU浮點運算能力會低一點，如i7 8550u的浮點運算能力為12.4GFLOPS,而桌面bandei7 8700則可以跑到38.5GFLOPS。

以上就是計算機CPU的主要性能指標。

大數據、機器學習、神經網絡等名詞和概念有何聯繫？

機器學習和神經網絡都屬於人工智能、機器學習和神經網絡是實現人工智能的方法，而大數據則是機器學習和神經網絡用來訓練學習的數據支撐。

機器學習是通過數據進行建模的技術，說的更深刻一點就是，從給定的大數據中挖掘出合適的模型來解釋、預測的技術。

舉個例子，如何在沒有特定說明的情況下識別漢字「一」和「二」。這個問題看似簡單，但仔細一想，沒有辦法給出個公式來計算哪個是一哪個又是二。因為我們從來沒學過這樣的公式。我們第一次見到「一」和「二」的時候只是在思考它是什麼。經過看大量的這倆字。最後見到一樣的就叫出來「一」和「二」了。機器學習就是這樣，通過不斷的數據來訓練，最後就能「分清」這倆字了。

而神經網絡，在前面的文章里提過，從單個輸入層到中間層再到輸出層，每一層都通過預測所得的值和期望的值進行對比。同樣以「一」「二」「三」來說事，當預測感覺更像「二」，而實際這個數是「三」的時候，預測值與期望不同了，這時預測值的權重將適當增大以適應期望值。這也就是「糾正」的意思，這樣得出的結果就是「三」了。

機器學習和神經網絡兩者均是人工智能里的方法，雖然思路大同小異，但在人工智能的大框架里，其性質是一樣的。

大數據則是為算法提供「材料」的一個工具，前面的文章里也進行過闡述，實際網絡上的數據冗雜，並不是所有的東西都是有用信息，而訓練需要的數據只是茫茫數據中的一小部分，這時就需要對數據進行篩選、分類、整合了，通過大數據最終得到的才是適合我們進行機器學習或者神經網絡訓練的數據。

以上就是大數據、機器學習、神經網絡之間的關係。