2019年5月8日,英特尔首席执行官在加州圣克拉拉2019年英特尔投资者大会上表示:“面向未来更加广阔的市场机遇,英特尔能够在助力客户成功方面扮演一个更加重要的角色。我们将着重于改进执行力,加速创新,发展我们强大的文化,并通过严谨的投资实现盈利增长。”(来源:英特尔公司)
2019年5月8日,华尔街分析师齐聚位于加州圣克拉拉的英特尔总部,参加英特尔2019年投资者大会,英特尔首席执行官司睿博和业务部门负责人在会上发表了主题演讲。
司睿博表示,用户目前对于数据分析、传输和存储的需求增速远超以往任何时候。到2023年,芯片的潜在市场规模将达到近3000亿美元。他认为,英特尔无可比拟的资产组合是在这一市场抢占份额的关键所在。英特尔预计,每年产生的数据量将呈现25%的增长,这将驱动计算需求达到50%的复合年均增长率。
司睿博表示:“人工智能、5G和自动驾驶对于数据的需求日益增长,我们将聚焦于引领这些转折性技术的发展。我们相信,面向未来更加广阔的市场机遇,英特尔能够在助力客户成功方面扮演一个更加重要的角色。我们将着重于改进执行力,加速创新,发展我们强大的文化,并通过严谨的投资实现盈利增长。”
在以数据为中心的时代增强产品领导力:在以数据为中心的计算时代,英特尔重新定义了自身的产品创新模式,以根据工作负载优化的平台,带来更为轻松的客户与开发人员创新体验。英特尔介绍了2019年推出的“Lakefield”混合CPU等具有差异化设计能力的产品,并强调英特尔的创新步伐正在加快。
英特尔数据中心事业部预计每4-5个季度会推出一款全新英特尔至强产品,并计划在2020年上半年出货基于10纳米技术的“IceLake”服务器CPU。在以PC为中心的业务方面,英特尔介绍了数款即将推出的新产品,包括基于10纳米技术的“Tiger Lake”:该CPU将采用全新的CPU核心架构、英特尔Xe图形引擎、对最新显示技术的支持功能等,并计划于2020年上市。
多款基于10纳米的产品计划于2019年至2020年上市,而英特尔的7纳米制程也已列入日程。英特尔基于7纳米技术的首款产品将是基于英特尔Xe架构的GP-GPU,该产品面向数据中心人工智能(AI)和高性能计算(HPC)需求,预计于2021年推出。
引领转折性技术发展:能够将数据转化为业务价值的机会,正在推动着关键的转折性技术发展:如人工智能、5G网络基础设施和自动驾驶,都是英特尔旨在发挥引领作用的关键领域。
人工智能是一种快速增长的工作负载,尤其是在数据中心。英特尔预计,数据中心AI芯片的总体潜在市场规模(TAM)正以25%的复合年增长率(CAGR)增长,预计到2023年将达到100亿美元。在2018年,英特尔赢得了当前预估的40亿美元数据中心AI芯片机会中的大约40%,实现了17亿美元的AI收入。英特尔将通过一系列令人兴奋的AI优化产品赢得更多潜在客户,其中包括全新第二代英特尔至强可扩展处理器、可编程解决方案和即将推出的英特尔Nervana神经网络处理器等专用芯片。
5G将推动网络和网络边缘的计算和通信融合。据英特尔预计,到2023年,网络和边缘(包括网络芯片、物联网和自动驾驶汽车)领域的芯片总体潜在市场规模(TAM)将增长到650亿美元。2018年,英特尔与此相关的收入增长了20%以上,达到95亿美元。
自动驾驶是英特尔将引领的另一转折性技术,依托于Mobileye在高级辅助驾驶系统(ADAS)领域的强劲势头。Mobileye首席执行官Amnon Shashua教授告诉投资者,除了提供安全驱动自动驾驶汽车的技术外,Mobileye正在寻求新的收入来源,包括地图数据盈利和移动即服务(mobility-as-a-service)。Shashua表示:“由机器人出租车(robotaxis)支持的运输即服务是一种颠覆性的移动服务,我们计划全力挖掘全球机器人出租车商机。”您可以通过此段视频了解更多信息。
更多投资者大会信息:英特尔介绍了一项为期三年的财务展望计划,以便在2021年实现760亿美元至780亿美元的总收入,同时增加自由现金流并减少支出。英特尔还表示,其目标是在2022至2023年实现850亿美元的总收入。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。