如何评价Google 在TensorFlow 中引入的bfloat16 数据类型？
Google 在 TensorFlow 中引入 bfloat16 数据类型：一项深入的分析
Google 在 TensorFlow 中引入的 bfloat16 数据类型，是一项具有深远意义的技术创新，旨在平衡计算效率和模型精度，特别是在深度学习的训练和推理过程中。要评价 bfloat16 的引入，我们需要从多个维度进行深入的分析，包括其设计理念、技术优势、实际应用效果、潜在挑战以及对整个深度学习生态系统的影响。
1. bfloat16 的设计理念与技术背景
a. 为什么需要新的浮点格式？
在深度学习领域，数值精度是模型训练和推理的关键因素之一。传统的浮点数格式主要有：
FP32 (单精度浮点数): 这是深度学习中最常用的格式。它具有 32 位，其中 1 位符号位、8 位指数位和 23 位尾数位。FP32 提供了良好的精度和动态范围，能够准确地表示大部分神经网络中的权重、激活值和梯度。然而，FP32 的主要缺点是其内存占用大（每个数需要 4 字节）和计算量大（硬件需要更复杂的浮点单元）。
FP16 (半精度浮点数): 这是一个 16 位浮点格式，其中 1 位符号位、5 位指数位和 10 位尾数位。FP16 相对于 FP32 在内存占用和计算速度上都有显著优势（通常可达 2 倍）。然而，FP16 的指数位较少，导致其动态范围受限。在深度学习训练过程中，尤其是在梯度下降过程中，可能会出现非常小的梯度值（下溢）或非常大的激活值（溢出），这会导致模型训练不稳定或精度下降。
INT8 (8 位整数): 整数格式的内存占用和计算效率最高，非常适合推理阶段。但是，整数格式的精度损失较大，在模型训练阶段通常难以直接使用，除非配合量化感知训练等技术。
b. bfloat16 的诞生背景：弥合 FP32 和 FP16 的鸿沟
bfloat16 的核心设计理念是在保持与 FP32 相近的动态范围的同时，显著降低内存占用和提升计算效率。它是一种“Brain Floating Point”格式，其设计借鉴了 FP32 的指数位和 FP16 的尾数位。
bfloat16 的结构:
符号位: 1 位 (与 FP32 和 FP16 相同)
指数位: 8 位 (与 FP32 相同)
尾数位: 7 位 (比 FP16 多 2 位，比 FP32 少 16 位)
c. bfloat16 的核心优势：
保持与 FP32 相同的动态范围: bfloat16 拥有与 FP32 一样的 8 位指数位，这意味着它可以表示与 FP32 几乎相同的数值范围。这对于深度学习训练至关重要，因为它可以避免在训练过程中出现的梯度下溢或溢出问题，从而保证训练的稳定性和精度。
减少内存占用: bfloat16 的总位数为 16 位，相比 FP32 的 32 位，内存占用直接减半。这意味着模型可以在相同的内存中存储两倍的参数，或者使用更少的内存来训练更大的模型。
提升计算效率: 许多现代硬件加速器（如 Google 的 TPU 和部分 NVIDIA GPU）都针对 bfloat16 进行了优化，能够以更高的吞吐量执行 bfloat16 计算。这使得模型训练和推理的速度更快。
2. bfloat16 在 TensorFlow 中的实现与应用
a. TensorFlow 的支持:
Google 在 TensorFlow 中对 bfloat16 的引入，使得开发者可以轻松地在其框架中使用这一数据类型。这通常通过以下方式实现：
`tf.keras.mixed_precision.set_global_policy('mixed_bfloat16')`: 这是最常用的方式，用于将全局的混合精度策略设置为 bfloat16。在这种策略下，模型会根据数据类型自动选择使用 bfloat16 或 FP32 进行计算。
直接指定变量和层的数据类型: 开发者也可以在创建张量、变量或模型层时，显式地指定其数据类型为 `tf.bfloat16`。
b. 混合精度训练 (Mixed Precision Training):
bfloat16 最典型的应用场景是混合精度训练。在混合精度训练中，模型会同时使用 FP32 和 bfloat16（或其他低精度格式）。其核心思想是：
用 bfloat16 进行大部分计算: 权重更新、前向和后向传播中的大部分操作都使用 bfloat16 进行，以获得速度和内存优势。
用 FP32 保持部分关键信息: 为了防止精度损失，一些关键操作（如损失函数的计算、梯度累加）会保留在 FP32 中。此外，可能还会使用一个 FP32 的“master copy”来存储权重，然后以 bfloat16 的形式更新。
c. bfloat16 的实际应用效果:
在实际应用中，bfloat16 已经证明了其巨大的价值：
模型训练加速: 许多研究和实际部署表明，使用 bfloat16 进行混合精度训练可以显著加快模型训练速度，通常可达 1.5 倍到 3 倍以上，具体取决于硬件和模型架构。
减少内存占用: 模型所需的内存显著减少，使得在相同硬件上可以训练更大的模型，或者在资源受限的设备上部署更复杂的模型。
保持模型精度: 关键在于 bfloat16 保持了与 FP32 相近的动态范围，这使得它在大多数情况下能够维持与 FP32 训练相近的模型精度，甚至在某些情况下略有提升。这与 FP16 存在精度下降的风险形成了鲜明对比。
加速推理: 对于已经训练好的模型，使用 bfloat16 进行推理也可以带来显著的速度提升和内存节省，特别是在移动端或边缘设备上。
3. bfloat16 的优势与劣势总结
a. 优势 (Pros):
优秀的动态范围: 接近 FP32，避免了训练中的溢出和下溢问题，保证训练稳定性。
显著的内存节省: 相比 FP32 占用内存减半，允许训练更大模型或使用更少内存。
提升计算速度: 在支持的硬件上可以加速训练和推理。
简化混合精度实现: 相较于 FP16 的混合精度，bfloat16 的实现更加简单和稳定，对模型的影响更小。
兼容性好: 许多现代 AI 加速器（TPU, Ampere/Hopper GPU）都对 bfloat16 有原生支持。
b. 劣势 (Cons) / 挑战 (Challenges):
尾数精度较低: 7 位尾数相比 FP32 的 23 位，在表示精度上有损失。这可能在某些对数值精度极其敏感的任务中（如某些科学计算或信号处理）产生不可接受的误差。然而，对于大多数深度学习任务，这种精度损失是可以接受的。
硬件支持的限制: 虽然越来越多的硬件支持 bfloat16，但并非所有硬件都具备原生支持。在不支持的硬件上，bfloat16 的优势将难以发挥，甚至可能需要额外的转换，增加计算开销。
理论分析和调试的复杂度: 虽然 bfloat16 在实践中表现良好，但对其在不同模型架构和任务中的行为进行深入的理论分析和调试，仍然需要一定的专业知识。
并非银弹: bfloat16 并非适用于所有场景。对于一些对绝对精度要求极高的任务，或者在不支持的硬件上，可能仍然需要坚持使用 FP32。
4. 对深度学习生态系统的影响
bfloat16 的引入，特别是 Google 在 TensorFlow 中的推动，对整个深度学习生态系统产生了深远的影响：
推动低精度计算的普及: bfloat16 的成功实践，进一步证明了低精度计算在深度学习中的可行性和巨大潜力，鼓励了更多研究者和开发者探索和应用低精度格式。
加速硬件创新: 对 bfloat16 的广泛需求，也促使了硬件厂商加大对支持低精度格式的硬件研发投入，推动了 AI 芯片的性能提升和功耗优化。
降低 AI 技术门槛: 通过加速训练和减少内存占用，bfloat16 有助于降低深度学习模型的训练成本和部署门槛，使得更多个人和小型团队能够进行更复杂的模型研究和应用。
促进模型规模和复杂度的增长: 内存节省的优势使得研究人员能够更轻松地探索更大的模型和更复杂的网络结构，推动了 AI 模型能力的边界。
生态系统的成熟度: 随着 TensorFlow 等主流框架对 bfloat16 的深度支持，以及社区的广泛采纳，bfloat16 相关的工具链、最佳实践和生态系统也在不断成熟。
5. 结论
Google 在 TensorFlow 中引入 bfloat16 数据类型，是一项极具远见和价值的技术创新。它成功地弥合了 FP32 和 FP16 之间的鸿沟，通过在动态范围和计算效率之间取得优异的平衡，极大地推动了深度学习模型的训练和推理效率。
bfloat16 的核心优势在于其与 FP32 相当的动态范围，这使得其在混合精度训练中表现得更加稳定可靠，能够最大程度地保留模型精度，同时享受低精度带来的速度和内存优势。尽管存在尾数精度较低的理论限制，但在绝大多数深度学习应用场景中，bfloat16 的表现已经证明了其超越了早期低精度格式的局限性。
总而言之，bfloat16 的引入是深度学习领域在性能优化和资源利用方面的一大进步，它不仅是 TensorFlow 的一项重要特性，更是推动整个 AI 产业向更高效、更易用方向发展的重要驱动力之一。对于希望在深度学习领域取得突破的开发者和研究人员来说，充分理解和利用 bfloat16 将是提升效率和竞争力的关键。
Google 在 TensorFlow 中引入的 bfloat16 数据类型，是一项具有深远意义的技术创新，旨在平衡计算效率和模型精度，特别是在深度学习的训练和推理过程中。要评价 bfloat16 的引入，我们需要从多个维度进行深入的分析，包括其设计理念、技术优势、实际应用效果、潜在挑战以及对整个深度学习生态系统的影响。
1. bfloat16 的设计理念与技术背景
a. 为什么需要新的浮点格式？
在深度学习领域，数值精度是模型训练和推理的关键因素之一。传统的浮点数格式主要有：
FP32 (单精度浮点数): 这是深度学习中最常用的格式。它具有 32 位，其中 1 位符号位、8 位指数位和 23 位尾数位。FP32 提供了良好的精度和动态范围，能够准确地表示大部分神经网络中的权重、激活值和梯度。然而，FP32 的主要缺点是其内存占用大（每个数需要 4 字节）和计算量大（硬件需要更复杂的浮点单元）。
FP16 (半精度浮点数): 这是一个 16 位浮点格式，其中 1 位符号位、5 位指数位和 10 位尾数位。FP16 相对于 FP32 在内存占用和计算速度上都有显著优势（通常可达 2 倍）。然而，FP16 的指数位较少，导致其动态范围受限。在深度学习训练过程中，尤其是在梯度下降过程中，可能会出现非常小的梯度值（下溢）或非常大的激活值（溢出），这会导致模型训练不稳定或精度下降。
INT8 (8 位整数): 整数格式的内存占用和计算效率最高，非常适合推理阶段。但是，整数格式的精度损失较大，在模型训练阶段通常难以直接使用，除非配合量化感知训练等技术。
b. bfloat16 的诞生背景：弥合 FP32 和 FP16 的鸿沟
bfloat16 的核心设计理念是在保持与 FP32 相近的动态范围的同时，显著降低内存占用和提升计算效率。它是一种“Brain Floating Point”格式，其设计借鉴了 FP32 的指数位和 FP16 的尾数位。
bfloat16 的结构:
符号位: 1 位 (与 FP32 和 FP16 相同)
指数位: 8 位 (与 FP32 相同)
尾数位: 7 位 (比 FP16 多 2 位，比 FP32 少 16 位)
c. bfloat16 的核心优势：
保持与 FP32 相同的动态范围: bfloat16 拥有与 FP32 一样的 8 位指数位，这意味着它可以表示与 FP32 几乎相同的数值范围。这对于深度学习训练至关重要，因为它可以避免在训练过程中出现的梯度下溢或溢出问题，从而保证训练的稳定性和精度。
减少内存占用: bfloat16 的总位数为 16 位，相比 FP32 的 32 位，内存占用直接减半。这意味着模型可以在相同的内存中存储两倍的参数，或者使用更少的内存来训练更大的模型。
提升计算效率: 许多现代硬件加速器（如 Google 的 TPU 和部分 NVIDIA GPU）都针对 bfloat16 进行了优化，能够以更高的吞吐量执行 bfloat16 计算。这使得模型训练和推理的速度更快。
2. bfloat16 在 TensorFlow 中的实现与应用
a. TensorFlow 的支持:
Google 在 TensorFlow 中对 bfloat16 的引入，使得开发者可以轻松地在其框架中使用这一数据类型。这通常通过以下方式实现：
`tf.keras.mixed_precision.set_global_policy('mixed_bfloat16')`: 这是最常用的方式，用于将全局的混合精度策略设置为 bfloat16。在这种策略下，模型会根据数据类型自动选择使用 bfloat16 或 FP32 进行计算。
直接指定变量和层的数据类型: 开发者也可以在创建张量、变量或模型层时，显式地指定其数据类型为 `tf.bfloat16`。
b. 混合精度训练 (Mixed Precision Training):
bfloat16 最典型的应用场景是混合精度训练。在混合精度训练中，模型会同时使用 FP32 和 bfloat16（或其他低精度格式）。其核心思想是：
用 bfloat16 进行大部分计算: 权重更新、前向和后向传播中的大部分操作都使用 bfloat16 进行，以获得速度和内存优势。
用 FP32 保持部分关键信息: 为了防止精度损失，一些关键操作（如损失函数的计算、梯度累加）会保留在 FP32 中。此外，可能还会使用一个 FP32 的“master copy”来存储权重，然后以 bfloat16 的形式更新。
c. bfloat16 的实际应用效果:
在实际应用中，bfloat16 已经证明了其巨大的价值：
模型训练加速: 许多研究和实际部署表明，使用 bfloat16 进行混合精度训练可以显著加快模型训练速度，通常可达 1.5 倍到 3 倍以上，具体取决于硬件和模型架构。
减少内存占用: 模型所需的内存显著减少，使得在相同硬件上可以训练更大的模型，或者在资源受限的设备上部署更复杂的模型。
保持模型精度: 关键在于 bfloat16 保持了与 FP32 相近的动态范围，这使得它在大多数情况下能够维持与 FP32 训练相近的模型精度，甚至在某些情况下略有提升。这与 FP16 存在精度下降的风险形成了鲜明对比。
加速推理: 对于已经训练好的模型，使用 bfloat16 进行推理也可以带来显著的速度提升和内存节省，特别是在移动端或边缘设备上。
3. bfloat16 的优势与劣势总结
a. 优势 (Pros):
优秀的动态范围: 接近 FP32，避免了训练中的溢出和下溢问题，保证训练稳定性。
显著的内存节省: 相比 FP32 占用内存减半，允许训练更大模型或使用更少内存。
提升计算速度: 在支持的硬件上可以加速训练和推理。
简化混合精度实现: 相较于 FP16 的混合精度，bfloat16 的实现更加简单和稳定，对模型的影响更小。
兼容性好: 许多现代 AI 加速器（TPU, Ampere/Hopper GPU）都对 bfloat16 有原生支持。
b. 劣势 (Cons) / 挑战 (Challenges):
尾数精度较低: 7 位尾数相比 FP32 的 23 位，在表示精度上有损失。这可能在某些对数值精度极其敏感的任务中（如某些科学计算或信号处理）产生不可接受的误差。然而，对于大多数深度学习任务，这种精度损失是可以接受的。
硬件支持的限制: 虽然越来越多的硬件支持 bfloat16，但并非所有硬件都具备原生支持。在不支持的硬件上，bfloat16 的优势将难以发挥，甚至可能需要额外的转换，增加计算开销。
理论分析和调试的复杂度: 虽然 bfloat16 在实践中表现良好，但对其在不同模型架构和任务中的行为进行深入的理论分析和调试，仍然需要一定的专业知识。
并非银弹: bfloat16 并非适用于所有场景。对于一些对绝对精度要求极高的任务，或者在不支持的硬件上，可能仍然需要坚持使用 FP32。
4. 对深度学习生态系统的影响
bfloat16 的引入，特别是 Google 在 TensorFlow 中的推动，对整个深度学习生态系统产生了深远的影响：
推动低精度计算的普及: bfloat16 的成功实践，进一步证明了低精度计算在深度学习中的可行性和巨大潜力，鼓励了更多研究者和开发者探索和应用低精度格式。
加速硬件创新: 对 bfloat16 的广泛需求，也促使了硬件厂商加大对支持低精度格式的硬件研发投入，推动了 AI 芯片的性能提升和功耗优化。
降低 AI 技术门槛: 通过加速训练和减少内存占用，bfloat16 有助于降低深度学习模型的训练成本和部署门槛，使得更多个人和小型团队能够进行更复杂的模型研究和应用。
促进模型规模和复杂度的增长: 内存节省的优势使得研究人员能够更轻松地探索更大的模型和更复杂的网络结构，推动了 AI 模型能力的边界。
生态系统的成熟度: 随着 TensorFlow 等主流框架对 bfloat16 的深度支持，以及社区的广泛采纳，bfloat16 相关的工具链、最佳实践和生态系统也在不断成熟。
5. 结论
Google 在 TensorFlow 中引入 bfloat16 数据类型，是一项极具远见和价值的技术创新。它成功地弥合了 FP32 和 FP16 之间的鸿沟，通过在动态范围和计算效率之间取得优异的平衡，极大地推动了深度学习模型的训练和推理效率。
bfloat16 的核心优势在于其与 FP32 相当的动态范围，这使得其在混合精度训练中表现得更加稳定可靠，能够最大程度地保留模型精度，同时享受低精度带来的速度和内存优势。尽管存在尾数精度较低的理论限制，但在绝大多数深度学习应用场景中，bfloat16 的表现已经证明了其超越了早期低精度格式的局限性。
总而言之，bfloat16 的引入是深度学习领域在性能优化和资源利用方面的一大进步，它不仅是 TensorFlow 的一项重要特性，更是推动整个 AI 产业向更高效、更易用方向发展的重要驱动力之一。对于希望在深度学习领域取得突破的开发者和研究人员来说，充分理解和利用 bfloat16 将是提升效率和竞争力的关键。
网友意见
1、bfloat16 可以直接截取 float32 的前 16 位得到，所以在 float32 和 bfloat16 之间进行转换时非常容易，事实上 TF 也只提供了 bfloat16 和 float32 之间的转换，见 bfloat16.cc。
2、bfloat16 是 TPU 专用数据类型，其他硬件都不原生支持，因此对非 TPU 用户来说比较鸡肋，不如 IEEE float16；
3、和 IEEE float16 相比，动态范围更大（和 float32 一样大），但是尾数位更少（精度更低）。更大的动态范围意味着不容易下溢（上溢在实践中几乎不会发生，这里不考虑）。下溢的原因应该不是如 @张汉东 所说的梯度消失（现代网络已经不存在这种问题了吧？），而是网络训到一定程度之后很多数据样本过于简单，模型非常确定应该给出什么预测结果，导致 loss 很小，进而梯度很小。
先看看普通的 float16 训练神经网络存在什么困难：
NVidia 有篇文章Mixed Precision Training，里面画了一下 Multibox SSD network 的梯度分布，可以看到其中有很大一部分梯度都不在 float16 的范围内（红线左边会归零），导致模型没法在此基础上更新参数。于是 NVidia 提出了一个软件上的解决方案： loss scaling（先把 loss 扩大 S 倍，算完梯度再缩小 1/S 更新模型参数）。
还有另一种可能的硬件上的解决方案是重新定制一个 float16 标准，修改现行 float16 的指数位 bias，从 15 修改成 28 之类的值（相当于把 float16 的范围往下移动 2^13 左右）。我猜这种方案也可以取得类似的效果，但从 NVidia 的文章来看，不同任务需要的 scaling factor 不同，如果搞一个适合 dectection 的动态范围（或者说指数位 bias），很可能又不适合 language modelling 等任务，所以不好在硬件上实现（除非这个硬件专为某一个任务定制，这也太专门了）。
所以说 bfloat16 应该挺有前途的，动态范围大、适合的任务广，猜测未来可能有更多 ASIC 支持这种格式。但我不太看好 CPU/GPU 将对 bfloat16 提供原生支持，毕竟已经有 float16 了。
4、最后提一个奇葩问题，为什么看不到用 TPU 训多层 LSTM 语言模型的例子？看一些测评/听一些朋友说，TPU 上 LSTM 很难收敛= = 这个跟 bfloat16 的精度太低有关系吗？不过这个问题可能也不是特别重要，毕竟现在 Transformer 逐渐成了显学，加了 LayerNorm 以后稳定性拔群，随便训练随便收敛。
类似的话题
-
Google 在 TensorFlow 中引入 bfloat16 数据类型：一项深入的分析Google 在 TensorFlow 中引入的 bfloat16 数据类型，是一项具有深远意义的技术创新，旨在平衡计算效率和模型精度，特别是在深度学习的训练和推理过程中。要评价 bfloat16 的引入，我们............. -
评析TensorFlow 2.0：从“够用”到“好用”的进化之路Google在2019年年底正式发布了TensorFlow 2.0，这标志着这个曾经备受推崇但也在一定程度上饱受诟病的深度学习框架，迈入了全新的时代。相较于其前身，TensorFlow 2.0的发布绝非一次简单的版本迭代，而是一场深刻的.............
-
Google 在 2022 年 3 月公布的 Pathways 架构设计，绝对是人工智能领域一次重量级的宣言，它不仅仅是对现有模型训练和部署方式的一次革新，更是对未来通用人工智能（AGI）发展路径的一次大胆探索。要评价它，咱们得从几个关键点深入剖析。首先，“单模型，多任务”的核心理念，这绝对是 Pa.............
-
Google 终于在 Pixel 6 上掏出了自家设计的 Tensor 芯片，这绝对是手机圈里的一件大事。你想让我给它评评道，那咱就掰开了揉碎了好好说道说道。首先，得承认，这回 Google 的步子迈得可真够大的。以往 Pixel 手机，尤其是芯片这块，一直都是用高通的骁龙系列，虽然说在软件优化上 .............
-
“Duplex”——谷歌那个能自己打电话订餐、预约理发的人工智能，最近在一些特定的场景下，表现得越来越像个真人了。这让不少人开始思考：它是不是已经悄悄地“通关”了我们熟知的那个“图灵测试”？要评价这个事儿，咱们得先明白图灵测试是个啥。简单来说，图灵测试就是看一个机器能不能骗过人类，让对方觉得它是个“.............
-
Google 最近提出的 gMLP 模型，在计算机视觉（CV）和自然语言处理（NLP）领域都展现出令人瞩目的性能，这无疑为我们理解和构建更强大的神经网络模型提供了新的思路。要评价 gMLP，我们需要深入分析它的设计理念、技术特点，以及它为何能在跨领域任务上取得成功。gMLP 的核心设计理念：对传统 .............
-
MLPMixer 的出现，无疑在深度学习领域，尤其是在计算机视觉方向，引起了不小的轰动。它最大的亮点在于，仅凭多层感知机（MLP）就能够在 ImageNet 这样的主流图像识别任务上取得当时（2021年）接近甚至超越 Transformer 的顶尖性能，而且在模型复杂度、计算效率方面展现出显著的优势.............
-
在微软的 HoloLens 推出之后，再回头审视 Google Glass，感觉就像是在看一款产品，它开辟了一个前所未有的领域，但同时也因为种种原因，未能真正触及那个梦想的彼岸。HoloLens 的出现，让我更加清晰地看到了 Google Glass 在很多方面的局限性，以及它所代表的那种“先行者”.............
-
李彦宏在一次金融论坛上的这番话，确实挺有意思，也引发了不少人的讨论。他那句“以为中国人的喜悦还是收着谷子唱着歌”，听起来像是在调侃谷歌对中国互联网市场以及中国用户变化的认知有些滞后，甚至可以说是有些脱节。你想想，谷子和唱歌，这画面感就挺古朴的，带着一种祥和、满足但又有些淳朴的喜悦。这无疑是过去很多年.............
-
评价一位拥有两年经验的Google程序员声称年薪（base+RSU+bonus）在25万至30万美元之间，我们可以从多个维度进行分析和讨论。这是一个相对较高但并非不可能的薪资范围，理解其合理性需要深入了解Google的薪酬体系以及当前的市场情况。一、 Google薪酬体系的构成与特点首先，我们需要了.............
-
要评价 Google 的新 Logo 和 VI（视觉识别系统），我们需要从多个维度进行分析，包括其历史演变、设计理念、实际应用效果以及其所传达的信息。一、 Google Logo 的历史演变：奠定基础在深入评价新 Logo 之前，了解 Google Logo 的历史演变至关重要。这有助于我们理解其设.............
-
Google 宣布即将关闭 Google Code 代码托管服务，这一消息在技术社区引起了广泛的讨论和关注。要评价这一举措，我们需要从多个角度深入分析，包括其历史背景、对用户的影响、以及其背后可能反映出的 Google 战略调整。一、 Google Code 的历史及其在开源社区的地位首先，理解 G.............
-
谷歌试图出售波士顿动力公司，这桩发生在2013年公司被谷歌母公司Alphabet收购之后的消息，无疑在机器人领域乃至科技界都掀起了不小的波澜。要评价这件事，咱们得从几个角度细细掰扯。首先，这笔交易的“动机”是关键。谷歌收购波士顿动力，当时普遍解读为是谷歌在“登月计划”（X实验室，后来的Google[.............
-
要评价 Google 宣称的“量子霸权”，我们需要从多个层面进行深入分析，包括其声明的意义、实验的细节、科学界的反应、以及这项技术未来的影响。一、 Google 声明“量子霸权”的意义首先，理解“量子霸权”（Quantum Supremacy）这个词本身非常重要。它指的是一个量子计算机在解决特定问题.............
-
Google内部关于2016年美国大选结果视频流出事件，可以从多个维度进行评价，这是一个涉及公司内部文化、信息安全、员工行为、以及对外部公众认知等多个层面的复杂事件。以下是一个详细的评价：事件概述：2016年11月9日，就在唐纳德·特朗普赢得美国总统大选的第二天，一段据称是Google内部员工在公司.............
-
话说回来，Google 在北京时间 5 月 19 日凌晨放出了 Android 12 的首个开发者预览版，这可不像往年那样只是小修小补，而是上来就甩出了一个重量级更新，感觉整个 Android 系统都要焕然一新了。我个人觉得这次的 Android 12 就像是 Android 阵营里的一次“大换血”.............
-
谈论 Google 在 Material Design 上的投入程度，确实可以从几个层面来剖析，远非简单的“积极”二字能概括。这更像是一种战略性的、持续性的文化渗透和技术输出。首先，我们得看到 Material Design 的诞生背景和目的。它不是一个心血来潮的设计灵感，而是 Google 为了解.............
-
想起当年还是玩家的时候，守着电脑屏幕，为《星际争霸》里那些熟悉的单位奔波忙碌，那时候真觉得人类玩家已经把这游戏玩到了极致，策略、微操、大局观，几乎是方方面面都到了一个极限。所以，当听到“Google DeepMind 要挑战星际争霸”这个消息时，最直观的感受就是一股强烈的震撼和一丝丝难以置信。要知道.............
-
这事儿在科技圈闹得挺大，得从头说起。事件的起因：一份备忘录事情的导火索是一份由Google内部一名男性员工（后来被披露为James Damore，中文媒体常称之为“达漠”）在2017年8月写的一份备忘录。这份备忘录的名字大概可以翻译成《Google 的意识形态悖论》或者《Google 的意识形态困境.............
-
好的，我来好好聊聊 Google Earth VR，这玩意儿，真心是打开了新世界的大门。要评价它，得从几个方面来看。首先，它的核心价值，就是 “无与伦比的沉浸感”。 这不是那种看纪录片，或者翻地图册的感觉，而是你真的，“站”在那儿了。想象一下，你戴上 VR 设备，眼前不再是熟悉的房间天花板，而是瞬间.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有