分类
期权交易策略及其运用

每个平台都有各自的优点和缺点

汽车云,自动驾驶的隐秘战场

新聞總覽 - Yahoo新聞

文化體育及旅遊局局長楊潤雄說,政府會繼續致力推動三大體育發展政策目標,包括普及化、精英化和盛事化,現正增加和提升體育及康樂設施,鼓勵社會各界合作建立熱愛體育的文化,當局也會進一步研究體育向專業化和產業化發展,培訓更多專業教練。 楊潤雄以視像形式在「2020及2021賽馬會香港優秀教練選舉」頒獎禮致辭,指去年港隊在東京奧運會、殘疾人奧運會及全國運動會奪得亮麗的成績。 他認為,香港運動員的成功,除了刻苦訓練和鍥而不捨的精神,教練團隊功不可沒,政府會繼續支持港隊備戰杭州亞運會及各項大型國際賽事。

健身房女模詭異轉脖!網嚇:活著嗎

最美小龍女登《神探》!再攜劉青雲

遺體大腿驚見冤字!孝子魂斷柬埔寨

八月7星座好事成雙!這位偏財爆發

擺脫捕獸器傷痛 三腳狗尋暫托過家庭生活

【動物專訊】被捕獸器夾斷腳的三腳狗,雖然殘疾,也是生命鬥士。約5歲的唐狗「老爺」早前在柴灣山頭被捕獸器夾斷左前腳,上個月被義工救起後,一直寄住訓練學校,為領養作準備。義工梁小姐表示,老爺雖然比較慢熱,但並不害怕人,現在已經開始找暫托過家庭生活。她又打算幫老爺安裝義肢,希望有相關經驗的主人可以提供資料協助。 捕獸器這種卑鄙陷阱屢禁不絕,柴灣山頭情況尤其猖獗,義工指該區至少有4隻受捕獸器所害而成三腳狗。老爺在該區生活多年,很多街坊都認識他,並已經由義工絕育放回,但在一年多前,老爺和一些同伴相繼失蹤,令街坊和義工都很擔心。 有市民在7月時發現一隻左前腳截斷的狗出現,義工赫然發現他就是老爺,隨即展開救援行動,經過兩星期部署才成功將老爺救起,並送到獸醫診所接受治療。 義工梁小姐表示,老爺獲救後寄住訓練學校,學習和人相處及上繩隨行,她形容老爺性格比較慢熱,不過不會對人害怕,亦可以和性格較冷靜的狗相處。她說:「我們不想老爺再返回街上,希望可以讓他過家庭生活,現時急於尋找暫托家庭。」 她又表示,正考慮幫老爺安裝義肢,不過香港有安裝義工肢的狗應該不多,希望有經驗的主人可以幫忙提供資料。 根據《野生動物保

分布式定时任务框架选型

分布式定时任务框架选型

E-Job:调度器的高可用是通过运行几个指向同一个ZooKeeper集群的 Elastic-Job-Cloud-Scheduler 实例来实现的。ZooKeeper用于在当前主 Elastic-Job-Cloud-Scheduler 实例失败的情况下执行领导者选举。通过至少两个调度器实例来构成集群,集群中只有一个调度器实例提供服务,其他实例处于”待命”状态。当该实例失败时,集群会选举剩余实例中的一个来继续提供服务。

失败处理策略

X-Job:调度失败时的处理策略,策略包括:失败告警(默认)、失败重试;

E-Job:弹性扩容缩容在下次作业运行前重分片,但本次作业执行的过程中,下线的服务器所分配的作业将不会重新被分配。失效转移功能可以在本次作业运行中用空闲服务器抓取孤儿作业分片执行。同样失效转移功能也会牺牲部分性能。

动态分片策略

X-Job:分片广播任务以执行器为维度进行分片,支持动态扩容执行器集群从而动态增加分片数量,协同进行业务处理;在进行大数据量业务操作时可显著提升任务处理能力和速度。

E-Job:支持多种分片策略,可自定义分片策略

elastic-job的分片是通过zookeeper来实现的。分片的分片由主节点分配,如下三种情况都会触发主节点上的分片算法执行:a、新的Job实例加入集群 b、现有的Job实例下线(如果下线的是leader节点,那么先选举然后触发分片算法的执行) c、主节点选举”

和quartz框架对比

需要持久化业务 QuartzJobBean 到底层数据表中,系统侵入性相当严重。

调度逻辑和 QuartzJobBean 耦合在同一个项目中,这将导致一个问题,在调度任务数量逐渐增多,同时调度任务逻辑逐渐加重的情况加,此时调度系统的性能将大大受限于业务;

每个平台都有各自的优点和缺点

广州

汽车云,自动驾驶的隐秘战场

8 月 2 日,小鹏汽车宣布建成国内最大的自动驾驶智算中心「扶摇」,专用于自动驾驶模型训练。

据何小鹏介绍,「扶摇」是为了处理自动驾驶越来越大的数据量,具备 60 亿亿次浮点运算能力。

在此之前,特斯拉也发布了用于训练神经网络的超级计算机 Dojo,浮点运算能力达到了 exaflop 级别,即每秒百亿亿次运算,被马斯克称为「如野兽一般」。

正巧此时,由安永(中国)企业咨询有限公司(下简称「安永」)和华为智能汽车解决方案 BU 共同编写的《智能汽车云服务白皮书》发布,里面深入分析了云的数据赋能和业务赋能能力,并根据行业痛点以及企业发展阶段,探讨车企和云服务商应该如何进行合作,助力自动驾驶研发与持续升级。

01、海量数据时代,「上云」是必由之路

现在无论是风头正盛的造车新势力,还是高举高打的 L4 级自动驾驶公司,抑或是正大力转型智能化的传统车企,都在争分夺秒地将自动驾驶功能上车,以期实现量产应用。

与此同时,挑战随之而来。自动驾驶时代,车端数据量指数级上升,由于需要借助激光雷达、摄像头等各种传感器「观察」道路,根据 Garner 估计,每一部自动驾驶联网车辆每天至少产生 4TB 数据,而当车企销售出数十万,甚至上百万的自动驾驶车辆时,其数据量将是从 PB 级ZB 级的增长,十分消耗车企在数据获取、存储和计算上的资源。

由于测试车辆规模不大,传统的数据中心足以应对。甚至在一些 Robotaxi 公司,仅用最原始的「硬盘拷贝」方式,回传全量数据,然后再进行数据挖掘

而到了量产阶段,接入的车辆数、产生的数据量大幅提升,训练和并行仿真对 每个平台都有各自的优点和缺点 GPU 算力要求陡然增大,传统数据中心难堪重负。

对此,部分车企开始寻求变革。有消息称,某一外资新势力车企已自建超算中心,用来挖掘海量冗余数据,从成本上来说,可谓是投入不菲:仅硬件耗资就高达 1.4 亿美元。

上云是自动驾驶从开发到商用的必由之路。」在安永和华为智能汽车解决方案 BU 共同编写《智能汽车云服务白皮书》(以下简称《白皮书》)中,旗帜鲜明地提出了这一观点。

据了解,基于云服务的方式,通过对多元算力的支持,可满足车企在自动驾驶开发过程中,模型训练和并行仿真对海量基础设施资源极致算力、安全可靠和弹性灵活的业务需求,且相比传统数据中心,可以有效提升 60% 以上的运维运营效率,并降低 30~60% 的 TCO(总拥有成本)。

02、不止于效率工具,更是一场自动驾驶革命

一个完整的自动驾驶系统闭环由感知规划决策构成,其中感知和规划构成了数据生成的主要部分,包括数据采集数据清洗数据标注仿真测试

要知道,自动驾驶系统采集的内容类别繁多,包括视频、图像、激光点云、雷达点云等,除了数据量大,更显著的特点是,价值数据占比低,无关和无价值信息占用了极大存储空间。

「在需要云端主动搜集积累数据进行学习的场景,例如通过隧道、遭遇电动二轮车,可以让开发人员上传需要车辆获取的图片,通过云端下发指令,车端会采取类似『以图搜图』的方式,将类似场景自动截取下来。这样可避免上传整段数据,而只需要把打过标签的『有价值』数据筛选出来上传到云端即可,大大提升了 Corner Case 挖掘的效率。」一位汽车云服务商内部人士向汽车之心介绍道。

在挖掘到价值数据后,接下来是对数据进行清洗和标注。简单而言,数据清洗就是擦除车端采集的敏感数据,由于其中包含地理位置、人脸、车牌等涉及国家安全和隐私的信息,必须进行脱敏合规处理,并统一格式,而数据标注则是对清洗后的数据进一步加工,大致分为 2D、3D 目标物标注、联合标注、车道线标注和语义分割等。

无论是数据清洗还是数据标注,都需要大量的人力劳动参与。经过这种方式处理的数据质量质量参差不齐、返工率高,且效率十分低下。即便后来车企慢慢引入本地 AI 训练数据处理,较人工处理提升并不大。

国内某科技龙头公司在标注工作中,就投入了超 100 人的团队,发现依靠人工进行标注的工作量占机器学习的比例极高,且耗时耗力,作业效率还难以提高。

《白皮书》中提到,汽车云高算力结合智能策略,综合数据处理效率提升 10 倍以上,数据处理成本较人工降低 50%。

按照业内的普遍说法,自动驾驶系统要走向成熟,需要至少 100 亿英里的试驾数据。这对于任何车企来说,仅仅依靠实车路测,都是不可能完成的任务,因此仿真测试成为了一条必经之路。

03、车企研发之痛,呼唤专业汽车云赋能业务

不少车企已经认识到云服务对于自动驾驶的重要性,相应的投入正在快速上升,有数据显示,2020 年,车企在该领域的投入占到整体汽车数字化投入的 60% 以上。

不过,车企上云的方式各有不同,大体可分为两类:自建私有云采购公有云(混合云)。

小部分原有 IT 实力较为强劲的车企新势力以自建云(私有云)为主,仅外采部分针对图形数据的云计算和云存储服务,这种方式有利于车企掌握核心数据以及全流程算法技术能力,打造产品差异化。

公有云则完美解决了这一问题,不仅能提供强劲的算力,其数据管理能力更是毋庸置疑。这也导致车企近些年纷纷转向公有云。艾媒咨询数据显示,2020 年,公有云规模在 2019 年超过了私有云,成为中国云计算最主要的市场。

某汽车集团信息技术部 VP 表示,公司现在对公有云的采购规模连年大幅增长。「单是云存储这一块,2022 年的预算要比 2021 年增长了差不多 30%,云计算同比也增长了 26%。」

某汽车集团 IT 总监对此深表认同,他认为云厂商应该在 SaaS 层面,给企业提供更轻量化的研发场景,以使自己能专注到最核心的研发上面去。「比如把自动驾驶训练模型都准备好,让企业直接拿来即用。」

这一期待对云服务商提出十分高的要求,意味着后者不仅需要 ICT 能力,还要懂汽车,拥有专业的知识储备,并且能做到二者深度融合。

要解决这一痛点,需要汽车云服务商拥有提供或整合统一工具链的能力,打通上下游链路,帮助车企尽快跑通(数据驱动)Pipeline

《白皮书》认为,车企对云服务的需求已经从 IaaS 和 PaaS 层的「资源云」转向 SaaS 层的「能力云」,且不再满足云服务只针对场景中的单一业务,而是希望能纵向延伸至多项业务,解决「数据孤岛」和「业务断层」,单线打透形成体系化输出。

某汽车集团 IT 总监直言,选择汽车云服务供应商的考量指标之一就在于,能不能把底层耦合拆干净。「业务和业务之间的协作并不在于云的一体化,我们更看重的是云服务商能不能灵活地适配需求。」

每个平台都有各自的优点和缺点

投资建议:激光雷达装配率有望在2022-2025年之间出现明显提速拐点,打开千亿市场规模。建议关注:【速腾聚创】、【图达通】、【禾赛科技】等整机厂;激光雷达上游光学组件率先受益激光雷达上量,光模块产业链有望快速切入激光雷达领域,具备垂直一体化优势的平台型公司有望从光学组件切入主流市场,并逐步提供其他重要的光学组件产品以及有源器件封装服务,逐步增加单雷达的价值量,重点推荐【天孚通信】、【中际旭创】;建议关注【腾景科技】、【光库科技】、【永新光学】 (中小盘覆盖)、【福晶科技】 (电子组覆盖)、【蓝特光学】 (电子组覆盖)等;激光发射器VCSEL芯片国产替代逐步兴起,具备设计、外延、封装及采购上游芯片集成光学组件提供发射模组的公司值得持续关注,建议关注【炬光科技】 (电子组覆盖)、【长光华芯】(电子组覆盖)、苏州长瑞。