ZDNet至顶网服务器频道 03月10日 新闻消息:英特尔公司今天发布了英特尔至强处理器D产品家族,这是其首款基于至强处理器的系统芯片(SoC)产品。它采用英特尔业界领先的14纳米制程技术生产,将英特尔至强处理器的卓越性能和先进智能特性,与系统芯片的尺寸及节能优势融合在一起。
当前,互联设备数量的迅猛增长正在推动数据流量的指数级增长,这提升了云服务提供商和电信服务提供商对数据中心及网络基础架构的需求。由于这些客户希望更为高效地扩展其网络基础设施,同时寻求快速交付创新且能创收的服务,因此他们正在迁移至标准的英特尔架构,以求为业务提供其所需的,横跨数据中心和网络的技术方案及一致性。
英特尔至强处理器D产品家族为客户提供了更多新选择,以满足他们对低功耗、高密度基础设施类解决方案日益增长的需求,并进一步将英特尔技术从数据中心扩展到网络领域。该产品家族可为客户提供增强的智能特性及更好的灵活性,从而帮助他们在更低的总体拥有成本(TCO)下,更快地交付全新服务。同时,该产品家族还能将服务器级的可靠性、可用性和可维护性(RAS)等特性赋予那些超高密度和低功耗的设备,使得电信服务提供商得以构建智能的边缘网络。
英特尔公司高级副总裁兼数据中心事业部总经理柏安娜表示:“互联设备数量和数字化服务需求的增长,为信息和通信技术的发展创造了更多机会。通过将至强处理器的强劲性能注入低功耗系统芯片,使两者充分发挥各自优势,我们正在帮助用户提供激动人心的全新服务。”
英特尔至强处理器D产品家族是首款至强系统芯片,同时也是英特尔面向微型服务器、存储、网络和物联网(IoT)的第三代64位系统芯片。
相比英特尔第二代64位系统芯片产品家族中的英特尔凌动处理器C2750,该产品家族可将每节点性能提升高达3.4倍1,将性能功耗比2,3 提高多达1.7倍2。
该产品家族中针对4核及8核微型服务器优化的系统芯片已于即日发布,面向网络、存储和物联网设备的系统芯片计划于2015年下半年上市。
初期产品针对托管商和云服务提供商进行了优化,可高效运行专用Web托管、内存缓存、动态Web服务和温存储等各种工作负载。其未来针对存储和网络优化的型号,则将支持包括入门级SAN和NAS、边缘路由器、无线基站及工业化物联网设备等应用。
现有超过 50 个系统正在设计之中,其中约75%面向网络、存储和物联网。目前设计基于英特尔至强处理器D产品家族微型服务器的系统提供商包括:思科、惠普、NEC、广达、曙光和超微。
将业界广泛认可的x86内核,与双端口集成型10GbE英特尔以太网和集成I/O(PCIe、USB、SATA 及其他通用 I/O)组合在单一芯片封装中。使其能够在接近 20W 的散热设计功率下高效运行,并支持高达 128GB 的可寻址内存。
提供高级服务器级特性,包括可靠性、可用性和可维护性 (RAS) 特性,包括纠错码内存,并集成基于硬件的增强型英特尔虚拟化技术。
1&1 Internet AG首席执行官Robert Hoffmann表示:“作为欧洲最大的Web托管服务提供商,技术创新是我们公司获得成功的关键。作为与英特尔进行广泛技术合作的一部分,我们正在评估基于英特尔至强处理器D的全新服务器平台的价值,分析英特尔首款至强系统芯片解决方案将为我们带来独特的性能和效率组合。”
好文章,需要你的鼓励
CPU架构讨论常聚焦于不同指令集的竞争,但实际上在单一系统中使用多种CPU架构已成常态。x86、Arm和RISC-V各有优劣,AI技术的兴起更推动了对性能功耗比的极致需求。当前x86仍主导PC和服务器市场,Arm凭借庞大生态系统在移动和嵌入式领域领先,RISC-V作为开源架构展现巨大潜力。未来芯片设计将更多采用异构计算,多种架构协同工作成为趋势。
KAIST AI团队通过深入分析视频生成AI的内部机制,发现了负责交互理解的关键层,并开发出MATRIX框架来专门优化这些层。该技术通过语义定位对齐和语义传播对齐两个组件,显著提升了AI对"谁对谁做了什么"的理解能力,在交互准确性上提升约30%,为AI视频生成的实用化应用奠定了重要基础。
Vast Data与云计算公司CoreWeave签署了价值11.7亿美元的多年期软件许可协议,这标志着AI基础设施存储市场的重要转折点。该协议涵盖Vast Data的通用存储层及高级数据平台服务,将帮助CoreWeave提供更全面的AI服务。业内专家认为,随着AI集群规模不断扩大,存储系统在AI基础设施中的占比可能从目前的1.9%提升至3-5%,未来五年全球AI存储市场规模将达到900亿至2000亿美元。
乔治亚理工学院和微软研究团队提出了NorMuon优化器,通过结合Muon的正交化技术与神经元级自适应学习率,在1.1B参数模型上实现了21.74%的训练效率提升。该方法同时保持了Muon的内存优势,相比Adam节省约50%内存使用量,并开发了高效的FSDP2分布式实现,为大规模AI模型训练提供了实用的优化方案。