英特尔在2019年世界移动通信大会(Mobile World Congress 2019)上发布了大量公告,包括其首个Snow Ridge客户、名为Hewitt Lake的全新英特尔Xeon处理器,以及5G流量加速器FGPA。
作者:Corinne Reichert
英特尔在巴塞罗那举行的2019年世界移动通信大会(MWC)上发布了一系列以5G为重点的公告,包括用于加速5G流量的现场可编程门阵列(FGPA)、Hewitt Lake SoC以及首批两个主要的Snow Ridge SoC客户。
据英特尔网络平台高级副总裁Sandra Rivera称,5G流量加速器产品——FGPA可编程加速卡N3000——与英特尔的CPU产品组合配对,可在其5G平台上处理高达100Gbps的网络流量。
N3000拥有110万个逻辑单元,低延迟9GB DDR4 DIMM内存,通过2个 Intel Ethernet融合网络适配器实现数据包处理的智能卸载,以及采用双插槽PCIe的小外形尺寸。
Rivera解释说,客户正在将该产品用于虚拟化RAN、前传(fronthaul)和核心平台实施。
Rivera对ZDNet表示:“该产品将在未来几个月推出,我们已经看到了许多希望构建其5G和边缘基础设施的客户对此非常有兴趣,但他们当然明白5G的规格将随着时间的推移而不断发展——因此,FGPA为你提供高性能和灵活性之间的完美平衡。”
“这就是我们看到的FGPAs的用途所在,你还没有完全确定的规范,或者你有一个还在不断发展的规范,因为你想要建立这种灵活性,但是你也想开始部署。”
Rivera补充说,在MWC期间将会有关于使用N3000可编程加速卡以及英特尔5G CPU产品组合客户的进一步公告。
英特尔还宣布推出下一代英特尔Xeon D处理器Hewitt Lake,该处理器被称为高密度、高度集成的片上系统(SoC)。据英特尔称,Hewitt Lake的目标是网络边缘、平面、安全性和中档存储,使用了增加过的基础频率。
她表示:“Xeon D Hewitt Lake SoC真正帮助我们的客户推进他们的5G和边缘扩建策略,你会看到几款展示Xeon D使用的产品,其性能比上一代产品更高。”
英特尔进一步宣传了其上个月在CES 2019上发布的10纳米的Snow Ridge SoC,据称其“专为5G无线接入和边缘计算而开发”,目前爱立信和中兴正在使用它。
Rivera表示:“我们有两个行业领导者,爱立信和中兴……使用Snow Ridge作为他们5G基站平台的一部分,他们将随着时间的推移推出这些产品。”
“Snow Ridge在一个非常有限的功率范围内以小巧的外形形成了强大的冲击力,它是一个高性能的数据包处理和控制平面处理SoC,它是一个10纳米的产品,我们将在今年下半年推出。”
Rivera补充表示,其他客户可能会在在MWC期间与Snow Ridge一起公开。
英特尔最近在其调制解调器产品组合中发布了四项新公告,其中第一项是开发毫米波芯片以提供与XMM 8160配对的射频解决方案,Rivera表示,这将是许多高带宽、低延迟5G用例所需要的。该芯片将在2019年下半年提供样品,预计将在2020年上市。
与Fibocom合作将看到英特尔使用XMM 8160为5G M.2模块提供支持,她表示“将用于广泛扩展的许多行业、工业应用、始终连接的PC、用于固定移动无线的CPE设备用例。”
第三,英特尔正在与Skyworks合作开发低于6GHz的频段,以结合英特尔的XMM 8160和Skyworks SkyOne前端模块。
Rivera表示:“他们已经构建了一个优化的前端模块,以配合我们的8160。”
“这使我们能够以高度优化的方式进入市场,以满足全球大量客户对低于6GHz的产品需求和平台需求。”
最后,英特尔表示,包括D-Link、Gemtek、Arcaduan和VVDN Technologies在内的客户将在英特尔XMM 7560 4G调制解调器上发布多个网关产品,并在2020年对5G XMM 8160进行“无缝升级”。
好文章,需要你的鼓励
Captions公司研究团队开发的Mirage模型实现了从音频直接生成说话视频的突破。该技术能准确生成与声音匹配的面部表情、唇型同步、手势动作和环境背景,甚至可仅从音频推测说话者外貌特征。基于统一的Diffusion Transformer架构,Mirage避免了传统方法的复杂专用模块设计,展现出卓越的情感表达和细节还原能力,为内容创作、教育培训和无障碍技术等领域开辟了新的应用可能。
牛津大学研究发现,尽管大语言模型在医学考试中表现出色,但在实际应用中效果大打折扣。研究显示,LLM直接测试时能94.9%准确识别病症,但人类使用LLM诊断时准确率仅34.5%,甚至低于不使用AI的对照组。问题源于用户提供信息不完整、LLM理解偏差等人机交互问题。专家指出,仅凭非交互式基准测试评估LLM存在误导性,需要真实的人机交互测试才能准确评估AI系统的实际性能。
NAVER和KAIST研究团队发现,先进AI模型在数学题自我修正方面存在严重缺陷。他们创建的MMRefine基准测试揭示,即使是GPT-4O等顶级模型也只能成功修正约23%的错误答案,而且经常将正确答案改错。研究发现不同模型在处理六种错误类型时表现差异巨大,特别是小型模型在空间推理修正上竟然超越了大型模型,颠覆了"越大越好"的认知。