高通骁龙和联发科技分别是哪里生产的处理器？ | 拔刺

--- 拔出你心中最困惑的刺！---

在这个用过即弃的时代，不要让你的求知欲过期。

今日拔刺：

1、高通骁龙和联发科技分别是哪里生产的处理器？

2、什么时候无人驾驶才能颠覆我们的生活呢？

3、深度学习最终会淘汰掉其他所有机器学习算法吗？

本文 | 2418字 阅读时间 | 5分钟

高通骁龙和联发科技分别是哪里生产的处理器？

高通骁龙和联发科都不会自己生产处理器，基本上所有处理器厂商包括英特尔、AMD电脑处理器厂商只是自己设计SOC，然后交给三星半导体或台积电这类半导体公司进行封装。而半导体公司由于成本等考量基本都集中外东南亚地区。所以无论高通还是联发科甚至苹果的处理器都是由某家半导体制造公司在东南亚某个国家的长进行封装制造的。

稍微科普一下处理器生产流程。

• 设计+生产

设计就是像高通、联发科、三星等有实力的厂商出设计图，然后针对频率、基带模块等进行整体的集成然后交给有实力的代工厂商进行封装生产。

生产过程最考验半导体厂家技术，目前掌握10nm以下技术的只有台积电一家，三星良率还比较低。事实上，生产国产就是依据图纸，将一堆沙子变成精密集成电路的过程，包括（1） 硅提纯，（2）切割晶圆（3）影印（Photolithography）（4）蚀刻(Etching) （5）重复、分层（6）封装和最后的测试等过程，非常复杂。

一般来说，由于制造工艺极高且复杂，主流的soc厂商都会算则外包。

像高通属于全能选手，依靠专利技术的积累，实现了基带、处理器及其他模块的集成覆盖。联发科则是通过专利授权进行基带模块的集成。三星到现在依然没有解决没有电信的硬伤。

以上是三家主流的设计厂商，像华为麒麟目前主要还是在起步阶段，一般是依靠购买ARM的设计方案，然后改动改动，再购买基带模块交由半导体公司制造封装。

不得不说，高通是移动处理器行业的老大，在高技术壁垒的半导体领域积累了大量的专利技术，实现了对德州仪器的超车。

期待，国产SOC早日自主。

什么时候无人驾驶才能颠覆我们的生活呢？

无人驾驶的关键根本不在于无,而是人。

为什么呢？

虽然我希望无人驾驶，现在，立刻，马上，颠覆我们的生活。让我不再半夜只身在外还不敢打车，一大早去赶火车没公交，遇上节假日高峰打不到车，司机不好好开车，还老是问这问那，我又不是撒谎……

可美国2017年上半年公路交通死亡人数约1.8万人；日本2017全年交通死亡共3694人；中国2017年交通事故造成死亡的人数是6.3万。

据统计，全球平均每天300多人死于交通事故。中国和印度每年的交通死亡人数最多，平均每天130人死于交通事故.

这样的数据，除非无人驾驶技术已经完全成熟了才能真正的实现——颠覆我们的生活。

因为，你的无人驾驶会开车，会遵守交通规则，但不代表那些自己开车的人会遵守交通规则呀。如果大家都遵守交通规则，哪里还有这么多生命无辜地离开人间。

现在国家面临的不单单是技术问题，安全才是第一的。

有关人士曾经表述：当计算机取代了人类驾驶，该法律责任既不是车主的也不是车主的保险公司，而是该技术的软件和硬件公司。

无人驾驶的传感器成本、高精度地图采集、乘坐人员接纳度等等，各个方面要求都很高，这个时候你还跟我说出了事故我来负责，我干嘛搬起石头砸自己的脚？

我为人民服务，还得为人民币服务，何苦呢我？

而多少出租车司机就可以坐在家里数钱，多买几辆车子就可以赚大钱了。谁还搞技术呀……

而且如果要颠覆，那么就得强制性实现全民使用无人驾驶，才能杜绝那些开车不看道，把红灯当绿灯开的“敢死队”。

而现在各大商家都还奋力生产汽车，机动车呢，所以颠覆的事，还是几十年后的事呢。但或许像日本、英国、瑞典三国并列为世界上交通事故死亡人数最小的国家会优先突破。

深度学习最终会淘汰掉其他所有机器学习算法吗？

要证明这点，我们可以来看看Wolpert and Macready在1997年提出的No Free Lunch Theorems（免费午餐理论）。

这个定理告诉我们,对于同一领域任意两个学习算法A和算法B,两者迭代运算之后对于问题Q的解决的所有可能性的累加和是相等的，也就是说, 脱离了具体的某一问题问题, 空谈哪个算法更好或者更坏是没有太大意义的, 因为如果考虑所有可能的问题, 那么所有的算法结果都是一样的。一种算法只是针对某一问题来说是最好的，如果算法A针对问题M优于算法B，那么算法B必定会在同一领域对的问题N上优于算法A。

目前的深度学习主要是基于神经网络的深度学习，这种算法由于能自动的学习和迭代样本的计算结果的表示,因此比较适合适合像图像, 语音, 文本等原始样本和数据特征之间相差很大，无法用一般统计方法提前特征值的情况, 这也是现今深度学习在这些领域能取得重大进展的一个非常重要的原因， 而另一方面, 仍然有相当多的问题分析中, 其数据的原始样本和数据的特征之间差别不大, 这个时候, 使用深度学习开销和性能将比不过传统的统计方法。毕竟工程问题除了要考虑精准度外，还要考虑成本，从这个角度讲，传统的统计检验提取特征值的方法成本还是要远低于深度学习的算法的。

任何技术或者算法或者语言的发展都不是为了打败其他的技术，算法，语言，科技的发展是包容的，是互相学习，互相进步的一个过程，人工智能的发展还需要更多优秀算法的迭代才能焕发出蓬勃的生命力，而不是一味的用所谓的高级算法替代甚至淘汰别的算法。