ZDNet至顶网服务器频道 10月10日 新闻消息:AMD近日宣布了针对嵌入式应用推出的第二代AMD嵌入式R系列加速处理器(APU)和CPU产品家族(此前代号为“秃鹰(Bald Eagle)”)。新推出的解决方案的目标领域为要求使用行业领先的计算和图形处理技术的游戏机、医疗成像、数字标牌、工业控制和自动化、通讯以及网络基础设施。
“就计算性能、图形性能以及效能功耗比而言,第二代AMD嵌入式R系列产品家族在嵌入式市场中拥有独特地位,”AMD公司副总裁兼嵌入式解决方案事业部总经理Scott Aylor表示。“异构系统架构、次世代图形架构以及电源管理特性的加入使得我们的客户能够创造一个由智能化、交互式以及身临其境的嵌入式设备组成的全新世界。”
第二代AMD R系列APU和CPU解决方案旨在服务于中高端视觉和并行计算密集型嵌入式应用,对Linux、RTOS以及Windows操作系统提供了支持。新推出的解决方案既有基于AMD最新的CPU架构(代号:“Steamroller”)、拥有最大加速的2.2–3.6 GHz CPU频率,又有基于AMD最新的次世代图形架构(GCN)的533–686 MHz GPU频率,旨在提升嵌入式应用的视觉增长和并行处理能力。
业界首屈一指的特性、优点以及支持
异构系统架构(HSA):第二代AMD嵌入式R系列APU是融合异构系统架构特性的首个嵌入式处理器,能够让应用对工作量进行分配,从而在最佳的计算单元上运行——比如CPU、GPU或视频解码器等专门加速器。
开源Linux开发:作为Linux基金会合作项目Yocto项目的金牌会员以及近期与明导国际签订的一份多年协议的一部分,嵌入式系统开发者现在能够通过Mentor Embedded Linux和Sourcery CodeBench以及免费的Mentor Embedded Linux Lite在第二代AMD嵌入式R系列产品家族方面获得定制化的嵌入式Linux开发和商业支持。
嵌入式专有特性:第二代AMD嵌入式R系列产品家族专门针对嵌入式应用而设计,具有行业领先的十年长寿命周期、错误更正码(ECC)双通道内存、DDR3-2133支持以及针对系统设计灵活性推出的可配置散热设计功耗,从而以较低的散热设计功耗来对处理器进行优化。
目标市场
可视化产品嵌入:对于那些希望达到身临其境和交互式视觉体验的嵌入式应用环境,比如游戏机和数字标牌等,客户在搭配新推出的AMD嵌入式Radeon E8860独立显卡的情况下,可获得比单独使用第二代AMD嵌入式R系列APU提升多达64%的三维图形性能,并且能够获得更好的灵活性和可扩展性,最多支持九个独立显示器以及4K分辨率。
医疗成像:第二代AMD R系列APU也是便携、三维和四维超声成像、低剂量X射线、以及成像辅助外科系统领域中临床以及野战医学成像应用的理想之选。新推出的AMD嵌入式R系列APU能够为希望降低尺寸、重量、复杂程度以及系统成本的医学成像设备供应商以低能耗和高度集成的解决方案提供较高的图像变换性能以及较低的延迟。由hUMA(异构统一内存访问技术)提供的较高计算性能以及较低内存访问延迟,加上第二代AMD嵌入式R系列平台较高的图形性能,能够加速图像变换并提供卓越的图像绘制,从而让下一代超声成像应用为诊断和患者治疗提供帮助。
通讯和网络基础设施:在非可视化产品应用方面,第二代AMD嵌入式R系列APU先进的并行计算图形引擎能够为控制平面交换和路由应用提供一个极具独特性的异构计算平台。相较于此前的AMD嵌入式R系列APU,高性能的GPU能够提升多达66%的计算性能,从而实现对深度包检测、加密或解密、搜索、以及压缩或解压等
可并行功能的加速,进而为客户留出更多的CPU空间来提升特性速率。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。