至顶网服务器频道 04月08日 新闻消息: 日前,在 GTC 2018 上,Vicor 团队见证了 英伟达 DGX-2 的发布,它是迄今为止最强大的 AI 系统。DGX-2 使用 16 个 SXM3 GPU 卡提供每秒 2 千万亿次浮点运算的计算性能,与前一代 DGX-1 相比,可提供 10 倍的深度学习性能,而功耗仅为 10kW。在展厅内,DGX-2 与 SXM3 卡一同展出,您可以在上面看到最新的Vicor 合封电源 (PoP) 解决方案以及我们的 PI3526 ZVS 降压稳压器。就在不久前的3 月 6 日,我们推出了 600A 稳定电流输出的 PoP 解决方案,其可将 48V 直接转换为 XPU 内核电压。
NVIDIA DGX-2:业界最强大的 AI 系统
合封电源解决方案消除最后一英寸供电问题
合封电源基于 Vicor 分比式电源架构 (FPA),已部署在各种高性能计算系统中,是 2017 OPC(开放式计算项目)美国峰会上的一大亮点。FPA 支持从 48V 直接转换为处理器电压的应用,所带来的效率和电流供给性能类似于常规 12V 设计,但功率密度是其 2 倍。基于 FPA 架构的功率转换和 Vicor SM-ChiP 3D 封装有助于PoP 器件实现更高功率密度。
高密度电源转换解决方案集成在两个模块中:模块化电流倍增器 (MCM) 和模块化电流倍增器驱动器 (MCD)。小型 MCM 有助于在封装上或在最接近处理器裸片的位置提供大电流,进一步消除了通过主板和插座传输大电流所产生的损耗。MCM 可消除困扰常规 12V 设计的"最后一英寸"处理器供电问题,因此,不仅可降低配电损耗,而且还可提高整体电源效率。
合封电源不仅可消除"最后一英寸"问题,为处理器高效供电,而且还可通过支持 48V 输入实现为整个机架的处理器高效供电。传统的12V供电架构,无法在不增加功耗和成本的情况下,为服务器机架上的多个大电流处理器提供强大的功率支持。与 12V 配电相比,采用 48V 配电,服务器机架可获得的优势包括减少铜箔、缩小连接器尺寸以及提高供电效率等。48V 配电有助于数据中心机架突破 12V 机架带来的功率限制(每个机架通常为 15kW 左右),从而可提高机架利用率。除了为数据中心带了巨大的便利外,合封电源的 48V 输入还非常适合为高性能防撞汽车及自动驾驶汽车内使用的处理器供电。
让 48V GPU 系统在原有 12V 系统中工作
在 GTC 上,我们还推出了最新的 NBM 产品,这是一款 12V 至 48V 非隔离的升压转换器,可为仍然依靠原有 12V 配电的数据中心的 48V 高性能 GPU 提供支持。NBM 采用 23 x 17 x 7.4 毫米表面贴装 SM-ChiP 封装,可将 12V 电压转换为 48V,提供超过 98% 的峰值效率、750W 的稳定功率和 1kW 的峰值功率。NBM 是一款完整的解决方案,既不需要外部输入滤波器,也不需要大容量电容器,而且还整合了热插拔及涌流限制技术。
NBM 采用 ZVS 和 ZCS 拓扑在 2MHz 下开关,可为动态负载提供低输出阻抗和 MHz 级的快速瞬态响应。刚过去的GTC 2018,对所有人来说都是一场视觉盛宴,我们为我们的产品能成为 DGX-2 的一部分而感到振奋,Vicor将持续不断地为AI 应用注入创新动力。
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。