ZDNet至顶网服务器频道 08月20日 编译:在受够了现在计算机芯片和相关知识产权的限制之后,加州大学伯克利分校的一群研究人员正在推动开源的替代品。RISC-V指令集架构最初是这所大学为了帮助学生学习计算机架构而开发的,但是现在它的创建者们希望将它推向主流,帮助推动云计算和物联网等新兴市场。
David Patterson 是RISC-V背后负责研究的人员之一,他是这个项目的创造者,他也是上个世纪八十年代最初的RISC指令集的创造者。他认为这是一个关于创新的问题。流行的芯片架构历史上已经被英特尔、ARM和IBM(虽然IBM已经针对行业合作伙伴开放了一些OpenPower的基础)等各大公司利用严格的许可证规则牢牢地锁死。他认为,即使是对于那些能够负担得起许可证费用的企业来说,他们得到的指令集可能也是复杂而臃肿的,需要付出大量的努力才能产生期待中的结果。
Patterson表示,今天很多处理器的架构实际上都是基于RISC的(包括IBM Power、ARM和MIPS)但是这些企业都通过专利制度对于他称之为“怪癖”的保护获得收益。这些架构本质上并没有什么不同,但是从技术上说却是不同的,并且需要指令集的操作。ARM——这家公司为高通、苹果、Marvell和其他一些公司智能手机芯片以及亚马逊和谷歌数据中心中的芯片提供设计技术——可能是现在最常见的例子。
尽管如此,如果你是一家大公司,并且能够负担得起从大型芯片厂商那里购买许可的费用,这也很不错,这些厂商花了很多钱和时间开发了一些非常好的技术。但是Patterson似乎一边看着窗外的小家伙一边表示——小型的公司或者研究者想要为自己特定的应用开发自己的芯片,可是他们没有多少钱。这就需要能够尝试下面的指令集,实验芯片设计并且公开分享自己的工作,而不用担心会违反许可条款。
Patterso表示,“要做到这一点,你必须要有一个不受限制的指令集。”
事实上,还有其他的开源指令集,包括OpenRISC和SPARC V8,以及IBM的OpenPower和基于MIPS的Prpl等行业基石。谈论后者是否能够得到、或者能够得到多少动力——特别是在小型企业、个人用户和大学之中——现在还为时尚早。Patterson表示开放源代码社区从来也没有真正地走上OpenRISC和SPARC V8之路。
Patterson和他的同事几个月前才意识到他们应该尝试着将RISC-V推广到教室之外,因为有“足够绝望也足够有兴趣”的人问他们自己是否能够获得它。目前加州大学伯克利分校已经基于RISC-V创造了几个核心,其他的一些机构还有多个项目正在进行之中。Patterson和他的同事Krste Asanovi近发表了一份技术文件介绍了RISC-V和它的技术规格,这份文件非常详尽。
Patterson表示RISC-V在很多方面能力更强也更有效率(甚至和一些私有的设计相比),现在是一个理想的时刻,因为它有一个小型的代码库和其他一些功能,这让它更适合芯片系统设计,芯片系统设计今天能够主宰计算世界主要归功于ARM。随着连接设备需求的演变,诸如Raspberry Pi之类的套件日趋成熟以及横向扩展云计算架构的成长,一个繁荣的RISC-V的社区应该能够设计出和它们共同进化的芯片来。
Patterson在回答我关于RISC-V 如何融入现有的开源项目——例如Facebook 创造的Open Compute Project的问题的时候表示,“我们认为为云计算设计个性化的硬件是有意义的,它会比标准处理器更有效率。”他还表示加州大学伯克利分校AMPLab实验室所做的工作是围绕着数据处理和分发系统的,他认为一个能够很方便进行定制的芯片架构还能够帮助解决容错的问题以及64位寻址存储空间在某些情况下可能出现的不足的问题。
Patterson表示,“我认为这是会发生的。”他表示,“硬件将会对客户和云计算更具针对性。”
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。