开发者社区技术周刊又和大家见面了，萌妹子主播为您带来第四期“开发者技术联播”。让我们一起听听，过去一周有哪些值得我们开发者关注的重要新闻吧。

• 京东自研联邦学习平台正式亮相
• Facebook 计划借助人工智能改善可再生能源
• ARM中国发布“周易”Z2 AIPU
• Nvidia推出DPU以接管数据中心的更多任务
• Chrome正在启用HTTP/3，支持IETF QUIC
• Canonical桌面团队成员：微软不会将Windows迁移到Linux
• 浅谈立体匹配中的新式应用场景
• 基于IndRNN的手机传感器动作识别

技 术 要 闻
Industry News

1、京东自研联邦学习平台正式亮相

近日，京东数字科技集团正式推出，自主研发的联邦学习平台——Fedlearn，旨在满足数据隐私安全和监管要求的前提下，让人工智能系统更加高效准确地共同使用各自数据的机器学习框架。Fedlearn平台具有三大特点。第一，在数据和模型隐私方面，不同参与方之间没有直接交换本地数据和模型参数，而是交换更新参数所需的中间数值。第二，在通讯方面，引入中心化数据交换的概念，使得数据的交换独立于参与方。第三，采用异步计算框架，极大地提高了模型训练的速度。

2、Facebook 计划借助人工智能改善可再生能源

Facebook 和卡内基梅隆大学近日宣布，他们正尝试利用人工智能技术寻找新的电催化剂。电催化剂可以将太阳能和风能转化为其它燃料。Facebook 和卡内基梅隆大学认为，在人工智能技术的帮助下，电催化剂的数量可以增加到数百万甚至数十亿。目前 Facebook 和卡内基梅隆大学发布了一些自己的人工智能软件 「模型」，这些模型可以帮助寻找新的催化剂。

3、ARM中国发布“周易”Z2 AIPU：单核算力提升一倍 芯片面积减少30%

近期，ARM中国正式发布AI专用处理器 “周易”Z2 AIPU（AI Processing Unit）。单核算力最高可达4TOPS，较“周易”Z1 AIPU的单核算力提高一倍，同时支持多达32核的可扩展配置，从而能够在单个SoC中实现128TOPS的强大算力。全新“周易”Z2 AIPU将主要面向中高端安防、智能座舱和ADAS、边缘服务器等应用场景。据介绍，“周易”Z2 AIPU延用了“周易”AIPU的架构，并在微架构上进行了优化，从而将芯片面积减少30%，在运行部分神经网络模型时，相同算力配置下性能提升可达100%。

4、 NVIDIA推出DPU以接管数据中心的更多任务

近日，NVIDIA公司推出了自己的数据处理单元（DPU），可以将数据中心的更多基础设施转移到芯片中。BlueField DPU集成在一个名为SmartNIC的服务器网卡上，可以使用标准PCIe互连在云数据中心和私有计算机网络中的任何服务器上。英伟达表示，公司已开始向早期客户供应家族第一代芯片BlueField-2，并将于2021年在主要制造商的服务器上推出。

5、Chrome正在启用HTTP/3，支持IETF QUIC

Chromium 官方宣布 Chrome 正在部署到 HTTP/3 与 IETF QUIC。QUIC（Quick UDP Internet Connections）是 Google 推出的一个项目，旨在降低基于 TCP 通讯的 Web 延迟。QUIC 非常类似 TCP+TLS+SPDY ，但是基于 UDP 实现的。它是 HTTP/3 的基础协议。Chromium 团队表示，其发现 IETF QUIC 的性能优势特别高，使得 Google 搜索延迟减少了 2％ 以上，YouTube 的重新缓冲时间减少了 9％ 以上，PC 客户端吞吐量增加了 3％ 以上，移动设备的客户端吞吐量增加了 7％ 以上，因此宣布 Chrome 即将引入对 IETF QUIC h3-29 版本的支持。

6、Canonical桌面团队成员：微软不会将Windows迁移到Linux

近段时间以来，微软积极融合 Linux 的举措引发了外界诸多猜想，许多人开始怀疑微软是否有在 Linux 内核之上对 Windows 加以重构的想法。其中，开源先驱、《大教堂与集市》作者 Eric S Raymond 就在个人博客上提出观点称：微软将放弃 Windows 系统的内核研发，转而将其建立在 Linux 内核之上。对于以上观点，Hayden Barnes 则持一个否定态度。Hayden Barnes 是 Canonical 桌面团队的一员，负责在 Windows Subsystem for Linux（WSL）上交付 Ubuntu。他表示，自己经常和众多参与 Linux 及其他开源项目的微软员工进行交谈，也能拿到关于微软产品及发展策略的最新简报。不过他也声明，文中所有猜想只属于个人观点。。

学 术 前 沿
Academic News

1、浅谈立体匹配中的新式应用场景

本文从新场景，新应用和新数据三个方面介绍了近来顶会上在立体匹配领域的一些新的研究思路。新场景是在 360 度全景图像上的球面视差估计，全景图像不仅仅在立体匹配领域开始受到关注，在语义分割等领域也有不少研究。新应用是在将精确的视差估计简化为二值化、多级量化的视差估计，能够在资源较少的情况下快速实现目的。新数据是通过单目深度估计和已有的数据集来构造双目数据集，这种思路在图像分类等领域已有不少应用，在立体匹配领域尚属首次。这些工作与以往的 follow 性研究工作不同，能够为今后的研究提供一些新的启发和思路。
论文链接：https://arxiv.org/abs/1911.04460

2、基于IndRNN的手机传感器动作识别

来自电子科技大学和山东大学的团队利用比现有 RNN 更加长且更深层次的网络 -IndRNN 进行基于手机传感器数据的动作识别的任务。该模型在训练过程中表现优良，结合迁移学习和模型融合的后处理，一定程度上实现了利用手机传感器数据进行动作识别的用户独立性。同时，IndRNN 团队摘得 UbiComp SHL Challenge 2020 的亚军，再度体现 IndRNN 性能的优越性，希望该方案对大家有参考价值。
论文链接：https://dl.acm.org/doi/10.1145/3410530.3414355
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

欢迎点击【京东智联云】了解开发者社区

更多精彩技术实践与独家干货解析

欢迎关注【京东智联云开发者】公众号