ZDNet至顶网服务器频道 06月03日 编译:英特尔公司在其发展历史上第一次将其Iris图形处理芯片纳入到了以服务器为主要受众的至强CPU当中,就在今天召开的Computex 2015大会上,英特尔方面宣称其至强E3-1200 v4将包含有Iris Pro P6300图形处理单元,这意味着该CPU将拥有视频转录功能。
如果大家难以想象一款CPU在设计中引入图形处理能力有什么意义,那么不妨考虑运维人员在日常工作中对于视频处理能力的需求,而这类任务大部分来自设备配置工作,即需要针对各类情况制定巡查路线。这些新型CPU同时面向桌面虚拟化应用程序,正如英特尔方面所言,它们能够实现“远程工作站”等方案。
此次公布的全新至强处理器共拥有五款SKU,它们全部采用14纳米制程工艺并配备四个计算核心。不过截至发稿时,我们尚不清楚这五种型号的具体速度参数。
英特尔还在其Computex主题演讲当中披露了一款名为“Unite(即统一)”的新产品,英特尔公司最终用户计算总经理兼副总裁Kirk Skaugen指出,英特尔方面发现要想在会议之前将所有设备对接到位,一共需要耗费七分钟时间,而这正是该产品的诞生理由。为了缩短这部分时间,Unite需要成为一款配备有vPro CPU的迷你型PC设备。在会议开始时,这款迷你PC将为各位与会者提供PIN码验证,而这些参与者则利用该验证码在自己的PC或者Mac上运行Unite客户端。当输入该PIN码之后,Skaugen承诺称,参与者将立刻加入到会议当中。Unite据称还能够提供“用于立即连接至新的或者现有显示器、投影仪或者交互式白板的无线连接技术”。
该软件(包括客户端与服务器端)皆以免费方式提供,英特尔公司指出其能够通过销售更多CPU产品来收回相关投资。
Unite看起来与思科及思杰的GoToMeeting产品较为相似,因此在接下来的几个月中、相关市场上的竞合态势将成为我们关注的焦点。
戴尔、富士通、华硕、惠普以及联想等厂商都将在短期之内将自己的Unite迷你PC设备投放至市场。
Skaugen同时利用此次主题演讲公布称,英特尔公司已经加入到了旨在淘汰密码验证机制的FIDO联盟当中,部分理由在于其RealSense深度感应相机非常符合生物密码机制的相关需求。他还透露称,原本承诺的无线电力联盟与PMA联盟合并一事如今也已经尘埃落定。根据他的说法,这两大机构如今已经就无线充电联盟及其Chi标准进行公开讨论,从而确保双方方案的互操作性。
Skaugen指出,他认为无线充电技术目前尚处于起步阶段,还需要经过十年的发展才能真正普及开来。他表示就目前而言,这部分市场所处的位置相当于当初英特尔还没有发布迅驰平台并鼓励个人电脑制造商之前Wi-Fi技术的处境。英特尔公司希望无线充电也能获得像Wi-Fi这样的广泛支持,并成为各类无线设备的标准方案(包括键盘、鼠标以及手机)从而彻底告别在台式PC上插入大量线缆的现状。
与会者还迎来了另一项重要消息,即将于2015年下半年推出的第六代酷睿CPU。Skaugen展示了一款一体化设计方案,其仅有10毫米厚,配备有4K高清显示屏并能够被平置在桌面之上。这款设备甚至还拥有内置LTE,而Skaugen也开玩笑称亚洲市场对于这类尺寸超大的“手机”产品非常热衷。
此外还有一条消息,那就是英特尔公司公布了一套新的传感器网关设备组合及技术联盟合作关系,具体而言Ubuntu的Snappy将加盟Windows与Wind River,并作为操作系统运行在该设备之上。
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。