ZDNet至顶网服务器频道 04月10日 新闻消息:英特尔公司与清华大学在京正式签署一份战略合作谅解备忘录,宣布以英特尔架构(Intel Architecture)和清华大学的可重构计算(Reconfigurable Computing)研究成果为基础,携手推动拥有自主知识产权的基于可重构计算技术的新型计算硬件和软件研发,以及它们在商业中的应用。科技部副部长曹健林,清华大学校长邱勇,工业和信息化部电子信息司副司长彭红兵,清华大学副校长薛其坤,英特尔公司首席执行官科再奇(Brian Krzanich), 英特尔公司高级副总裁柏安娜和英特尔公司全球副总裁兼中国区总裁杨旭等各方代表出席了本次签约仪式,启动双方的合作。
英特尔公司在处理器微架构、处理技术和相关软硬件生态系统方面的创新及领先优势,以及清华大学在可重构计算及系统芯片上的领先成果,是双方达成本次合作的重要基石,而合作的目标,是要推进可应用于英特尔x86架构的可重构计算关键技术的研究,建立演示样品和产品原型,并推广新一代计算架构及其商业应用。
围绕这一目标,英特尔公司和清华大学的战略研究合作,将从四个重点领域展开:一是针对中国和国际市场的需求开发高效、灵活、客户可定制且适配于软件应用的新型微处理器架构;二是为中国市场量身定制高度灵活的新型处理器平台、相关工具链和应用软件;三是将可重构计算技术运用于英特尔架构处理器;四是通过增进清华学术和学生群体对英特尔产品技术的了解,催生其他潜在合作机会。双方已确定,将把基于现有英特尔架构处理器上的可重构计算技术研究,作为初期研究合作工作的重心。
为落实上述协作意向,英特尔公司和清华大学经协商,确定了由英特尔公司提供相关的资源,包括资金、资深的架构师、测试实验室等,并由清华大学组建研究团队和构建研究设施的合作模式。为保障合作的顺利进行,双方还同意共同组建一个指导委员会,并各指派两人参与到该委员会中,负责遴选、审查与批准项目,项目资金管理以及双方合作期间的其他重大事项。
本次合作涉及前瞻技术的研究和开发,英特尔公司和清华大学同意将双方合作产生的新的知识产权,按双方协商同意的机制进行分享。双方投入到本次合作中的各自已经拥有的背景性知识产权,仍归各自所有。
清华大学与英特尔公司此次能够在前瞻性可重构计算技术研发上携手,并达成战略合作,将使中国信息和通信技术产业界受益良多,有助于加速中国自主知识产权的技术创新和生态系统建设,并让中国在全球计算机和通信产业的发展中获取更多的主导机会和话语权。
“清华大学和英特尔此次的合作让人兴奋和激动,不仅因为它将加速行业计算应用的创新,并且还将促进计算芯片技术的发展。这在基础研究以及实用层面上对于工业界和学术界都将是一个双赢的合作。”清华大学微电子学研究所所长魏少军教授表示,“英特尔架构已经在业界获得了广泛的认同和应用,将其与我们在可重构计算芯片技术上多年的研究成果相结合,探索新型计算芯片架构和应用,必将产生1+1>2的创新聚变效果。我们对英特尔公司在核心技术上的开放合作态度表示赞赏,并由衷地期待合作能够尽快开花结果,为中国乃至全球未来计算芯片技术的创新,以及计算和通信产业的发展和变革开启全新机遇。”
英特尔公司全球副总裁兼中国区总裁杨旭表示:“英特尔公司进入中国市场三十年来,一直致力于与中国产业界和学术界合作伙伴同创新、共成长。中国的创新正在大步走向世界,清华大学在可重构计算芯片领域拥有全球领先的研发优势,英特尔与清华的合作就是要通过强强联合,产生对中国和全球有影响力的结果。本次合作也展现出英特尔公司作为全球领先的微处理器提供商在支持中国本地创新上一直秉承的开放合作态度。我们期待与清华大学的合作研发能够产生丰硕的成果,支持中国的创新发展。”
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。