从步履蹒跚到知天命,从PC到物联网,英特尔在摩尔定律的引航下,一次又一次地为我们带来惊喜与感动。
从一个概念到“未来技术前沿”的高度,物联网在最近两年取得了令人瞩目的成就。从交通、能源到零售、智慧城市,从嵌入式计算到智能系统,英特尔物联网也在通过自己的方式改善人们体验世界的方式,这种改善将随着物联网覆盖范围的不断扩大而更具新意。
而这一路陪伴、推动的却是我们耳熟能详的摩尔定律。从1965年摩尔定律被首次提出,至今已有50年时间。五十年对于人类而言已经进入了知天命的阶段,知天命的摩尔定律又是如何助推物联网的普及呢?
摩尔定律:辉煌走过的五十年
“当价格不变时,集成电路上可容纳的元器件数目,约每隔18-24个月便会增加一倍,性能也将提升一倍。”当戈登•摩尔首次提出这一定律的时候,除了带来理论变革,更让人对半导体行业的技术前景充满无限憧憬。也多亏了摩尔定律,就在几年前还需要占据整个楼层才能实现的计算方案现在可以容纳在我们的台式机、笔记本电脑、智能手机,乃至可穿戴设备中。
摩尔定律也不仅仅满足于传统设备,随着物联网的兴起,我们将有机会利用摩尔定律为未来的突破性技术和功能提供一个价值模式。正如摩尔定律所预测的,集成电路中的晶体管数量快速增长,它现在也可以用来描述支持物联网的网络的快速增长。
摩尔定律与物联网:四十年磨一剑
物联网真正的起源可以追溯到四十年前,物联网与摩尔定律的渊源也比我们想象得要深。就在摩尔定律提出不久,我们开始把计算能力嵌入更多机器,嵌入式计算让我们得以控制这些机器并从中提取数据。我们当时并不知道这一点,但这正是转换成物联网所需迈出的关键一步。
第二步始于十年前,那时我们开始看到云计算的兴起。可扩展计算能力的经济效益发生巨大变化。突然之间,我们能够以极高的效益来访问服务器、存储和网络。
现在,物联网步入第三阶段。它让“物”实现互联并通过大数据分析提供之前无法提供的信息。我们现在能够利用数据,从潜入互连设备的“物”中获取更多新知,并在不同的生态系统之间实现互联,别具一格的创新解决方案就此诞生。
英特尔以及其他业界同仁预测,到2020年,将有500亿台设备实现互联。2015年,共有150亿台设备集成了计算能力,但是其中85%还没有实现互联,也没有接入互联网,这给物联网的发展提供了广阔的发展机遇。
为了开发物联网解决方案,我们需要通过网络连到数据中心或云中的设备,这意味着这些网络必须灵活,它们必须提供一些分析功能,同时必须具有很高的成本效益。现在这一切已经开始通过软件定义网络以及网络功能虚拟化悄然发生了,当这一转变发生时,网络变得越来越高效。
物联网:开启智能“芯”世界
无论是手机、工厂设备,还是家中的电子产品,我们都要把这些“物”连接到云中,让我们能够访问这些数据。我们将在网络边缘进行分析,以便洞察当前进程,并把其它数据发给数据中心或云,以进行更为长期的趋势探索,看看随着时间推移将会发生什么,获得全新洞察。
这意味着每台设备都要接入足够安全、相互联系的智能系统。而来自英特尔物联网的解决方案则为这些设备提供了可靠、智能的保障,这也让我们看到了车队管理、零售销售以及办公管理等领域的重大进步。无论是Yanzi Networks的新一代智能办公系统,还是Wind River智能城市演示项目,都是英特尔物联网和合作伙伴为了改善我们的生产和生活方式所做的努力。
而以摩尔定律为基础、英特尔物联网生态系统中的协作力量为指路灯,英特尔为我们构筑的不仅仅是一个又一个智能先进的设备,更是一个冉冉升起的美好世界。
好文章,需要你的鼓励
VMware宣布将终止现有渠道合作伙伴计划,新计划采用邀请制,大幅减少授权合作伙伴数量。未受邀合作伙伴将于2025年7月15日收到不续约通知,可继续交易至10月31日。白标计划也将同时终止。此举是18个月内VMware第二次重大合作伙伴调整,旨在专注与少数核心云服务提供商深度合作。客户可能面临续约困难、服务质量下降和成本上升等影响。
StepFun公司推出的Step1X-Edit是首个能够媲美GPT-4o和Gemini2 Flash等商业模型的开源图像编辑AI。该模型通过整合多模态语言理解和扩散图像生成技术,能够处理11种编辑任务,在新构建的GEdit-Bench基准测试中表现优异,为图像编辑技术的民主化开辟了新道路。
谷歌DeepMind和伦敦大学学院研究发现,大语言模型在面对反驳时会迅速失去信心并改变答案,即使反驳是错误的。研究显示LLM既会对自己的答案过度自信,又对批评异常敏感,表现出与人类相似但又独特的认知偏差。这种行为对多轮对话AI系统构成威胁,最新信息可能对LLM推理产生不成比例的影响。
BluOrion公司开发的ZClip是一种智能梯度裁剪算法,解决了大型语言模型训练中的梯度爆炸和损失飙升问题。通过Z分数统计检测和动态调整策略,ZClip能够自适应地控制梯度幅度,相比传统固定阈值方法提升训练效率35%以上,同时显著降低训练失败风险,为大模型训练提供了更稳定、高效的解决方案。