一、gcn架构之父？

GCN(Graph Convolutional Network) 是一种处理图形数据的机器学习问题。它的架构之父是 Shuoyang Shi。他在 2017 年的 ICML 会议论文中首次提出了 GCN 的概念，成为了 GCN 研究的奠基者。在 GCN 中，节点和边被表示为高斯向量，通过矩阵运算和激活函数将节点信息和边信息混合，最终得到节点嵌入向量。GCN 已经在许多领域得到了广泛应用，包括计算机视觉、自然语言处理、推荐系统等。

二、英伟达的自动驾驶基于什么架构？

英伟达的自动驾驶技术基于其自行开发的NVIDIA DRIVE™ 平台。这个平台基于人工智能、计算机视觉和机器学习技术，结合其强大的GPU加速计算能力，为自动驾驶系统提供了高性能的计算和感知能力。

NVIDIA DRIVE™ 平台包括了 DRIVE AGX 计算平台、 DRIVE Software 开发工具包和 DRIVE Constellation™ 仿真平台。这些组成部分一起构成了一个全面的自动驾驶解决方案，能够提供强大的计算性能、先进的计算机视觉和感知能力，以及全面的软件开发和仿真工具，帮助汽车制造商和自动驾驶技术提供商快速开发和部署自动驾驶系统。

三、知识图谱怎么做？

知识图谱是一种将知识表示为图形化结构的技术，它可以帮助人们更好地理解和管理知识。以下是一些制作知识图谱的基本步骤：

1. 定义领域和范围：确定你要制作知识图谱的领域和范围，例如特定的行业、主题或概念。

2. 收集数据：收集相关的知识和信息，包括书籍、文章、网页、数据库等。

3. 提取实体和关系：从收集的数据中提取出实体和关系，例如人物、组织、事件、地点等，并确定它们之间的关系。

4. 选择合适的工具：选择适合你需求的知识图谱工具，例如 Neo4j、GraphDB 等。

5. 建立模型：使用所选工具建立知识图谱模型，将实体和关系添加到模型中。

6. 可视化：使用可视化工具将知识图谱模型展示出来，以便更好地理解和分析。

7. 验证和更新：验证知识图谱的准确性和完整性，并根据需要进行更新。

需要注意的是，制作知识图谱需要一定的技术和专业知识，因此如果你不熟悉相关技术，建议先学习相关知识或寻求专业人士的帮助。

四、人工智能核心体系架构包括？

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能的核心主要有5个方面，分别是语音识别、计算机视觉、自然语言处理、机器学习、机器人。这些核心技术可以让人工智能产业化，也可以带来更加广泛的子产业，而且这些人工智能的核心技术，有非常广泛的应用。

还有机器人这个核心技术，不仅可以实现无人机，还可以代替人类做一些工作。另外还有机器学习这项核心技术，应用这项技术可以有效的甄别那些诈骗的行为，还可以运用在公共卫生或者天然气的勘探方面等等。

五、机器学习和神经网络有什么关系？

在人工智能领域，机器学习属于其中的一种方法，而神经网络是机器学习里的一种算法。

神经网络一般有输入层->隐藏层->输出层，一般来说隐藏层大于2的神经网络就叫做深度神经网络，深度学习就是采用像深度神经网络这种深层架构的一种机器学习方法。

六、Transformer神经网络架构的技术原理？

Transformer神经网络架构是一种用于自然语言处理和其他序列到序列任务的神经网络架构。其核心技术原理是自注意力机制（self-attention mechanism）。

自注意力机制是一种能够在序列中找到重要信息的方法。在传统的循环神经网络（RNN）中，每个时间步的输入是前一个时间步的隐藏状态和当前时间步的输入。而在Transformer中，每个时间步的输入是序列中所有时间步的信息。

具体来说，Transformer包括两个核心组件：编码器和解码器。编码器将输入序列中的每个元素转换为一组特征表示，这些特征表示包含了输入序列中所有元素的信息。解码器根据编码器输出的特征表示以及之前生成的序列来预测下一个元素。

编码器和解码器都包含多个层，每个层都由两个子层组成：多头自注意力层和前馈神经网络层。在多头自注意力层中，输入序列中的每个元素都与序列中所有其他元素进行交互，从而找到序列中的重要信息。在前馈神经网络层中，每个位置的特征表示都被独立地映射到新的特征表示，以增强模型的表达能力。

通过自注意力机制和多头注意力机制，Transformer能够捕捉序列中的长距离依赖关系，并且能够并行计算，因此训练速度较快。这使得Transformer在自然语言处理任务中表现出色，如机器翻译、文本分类、语言生成等。

七、m1和m2架构区别？

M1和M2是两种不同的架构，主要区别如下：1. 处理器架构：M1采用了苹果自家设计的ARM架构，而M2则是其后续产品。M1是苹果首次使用自家设计的ARM架构的芯片，而M2是其后续产品，可能在性能、功耗等方面进行了改进。2. 核心数：M1芯片基本款配备8个核心，高级款配备8个高性能核心和4个高效能核心。M2芯片的核心数可能会有所增加，以提供更强大的计算和多任务处理能力。3. 性能：M1芯片在单核心和多核心性能表现出色，性能与部分英特尔芯片不相上下，甚至超越了一些英特尔芯片。M2芯片有望进一步提升性能，可能会更强大和高效。4. 发布时间：M1芯片于2020年11月发布，而M2芯片尚未发布，具体的发布时间尚不确定。总的来说，M1和M2架构的主要区别在于处理器架构、核心数、性能以及发布时间，M2有望在这些方面进行改进和提升。