ZDNet至顶网服务器频道 10月11日 新闻消息:AMD近日发布其近期和中期的计算解决方案路线图。这些解决方案同时挖掘x86和ARM生态系统的最佳特性,称为“双架构计算”。该路线图的里程碑意义在于发布了AMD的64位ARM架构授权,用于面向高增长市场之高性能核心的定制化开发。今日发布的内容还展望了AMD为实现真正独一无二的双架构计算和图形处理性能而制定的开发计划,通过共享的、具有灵活性的架构,使客户得以在嵌入式产品、服务器和客户端市场以及针对半定制化的解决方案开启全新的创新之路。
AMD公司总裁兼首席执行官罗瑞德先生称:“今天之前,AMD是世界上唯一一家能够提供高性能、低功耗x86运算核心,并搭载业界领先的图形显卡产品的公司。而今AMD大胆朝前迈进了一步,成为能够同时提供64位ARM和x86高性能CPU核心,并搭载全球领先的图形显卡产品的唯一一家公司。我们在双架构计算方面的创新设计能力,结合我们在高性能系统芯片方面掌握的专利库和专有知识,意味着AMD能够为客户带来独特的双架构解决方案,帮助客户以更高效和强大的方式去改变计算世界。”
预计到2017年,基于ARM和x86的处理器市场规模将超过850亿美元[ 基于AMD公司的内部测算。]。AMD是唯一一家能够提供差异化的解决方案,并有能力渗透到广阔市场的公司。同时,做为一家重要的处理器供应商,开创一条知识产权通道,允许他人利用ARM和x86生态系统进行创新,这在业界尚属首次。
AMD的双架构计算路线图包括:
“空中之桥(SkyBridge)项目”—— 该设计框架将于2015年推出,包含20纳米制程的新的APU和系统芯片的产品系列。这预计将成为世界上首批插脚兼容的ARM和x86处理器。其中,“空中之桥项目”中的64位ARM处理器将基于ARM Cortex-A57核心,并且将是AMD首个针对安卓系统推出的“异构系统架构”(HSA)平台,而x86款处理器将带有下一代的“Puma+”CPU核心。“空中之桥项目”系列产品的特点是完整的系统芯片集成、AMD的“次世代图形架构”(GCN)技术、HSA和通过专用的“平台安全处理器”(PSP)实现的AMD安全技术。
“K12”—— 新的基于ARM的高性能、低功耗的核心。它深度利用了AMD的ARM架构授权、多方面的64位设计专长以及由半导体架构师Jim Keller带领的核心开发团队。基于“K12”核心的首批产品计划将于2016年推出。
ARM公司首席执行官Simon Segars称:“ARM致力于合作的对象来自世界各地。从传感器到服务器,它们为用户体验带来变革和转变。AMD具备的市场覆盖以及在客户端与服务器市场引领业界向64位运算转变的成功经验,配合ARM的低功耗专长和服务器基础架构(SBSA)规范,将会在多个高增长市场带来新的能力,推动新的创新。”
AMD今日还首次向公众演示了基于ARM,代号为“西雅图”的64位AMD皓龙 A系列处理器,运行环境为从开源协作项目Fedora派生而来的 Linux系统。Fedora项目为红帽(Red Hat)公司资助的,由社区主导的Linux系统发布。它为全世界的开发人员和IT管理人员提供了熟悉的企业级的操作系统。基于Fedora项目的Linux运行环境,可以让公司用户在向基于ARM的服务器迁移的同时,无需在其IT环境中集成全新的工具和软件平台。上述演示意味着64位ARM超高效处理器扩大在数据中心的应用方面迈出了重大的一步。
好文章,需要你的鼓励
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。