本文作者:英特尔公司副总裁兼标准与下一代技术事业部总经理Asha Keddy
随着科技在社会中扮演越来越重要的角色,加强和改善我们的通信基础设施至关重要。在很大程度上,网络的运转还是不错的,但需求的增加将继续对现有的基础设施构成新的挑战。例如,ABI Research在今年4月表示,网络上传流量增长了80%,而这只是这一波新需求的一个例子。服务提供商正在改进和优化他们的网络,来应对这一爆炸性的数据量和多样化的网络数据流。他们需要能够以灵活和经济高效的方式帮助应对这一挑战的解决方案。
这些动力促使英特尔与NTT(日本电报电话公司)合作。NTT是世界上最大、最具创新性的服务提供商之一,在有线和无线网络、数据中心和光子学方面都具有专长。通过这样专注的努力,我们的目标是定义和创造未来的通信基础设施技术,以满足在不久的将来所需的网络需求。这些技术将超越传统通信基础设施的限制,带来在边缘端更智能的洞察力,这对于创建互联世界是必不可少的。在互联世界中,智慧城市、智能医疗和智能制造等应用,将变得更加现实可行。
英特尔和NTT的合作将指导两家公司的研发工作。这是对英特尔和NTT通过创新光学无线网络(IOWN)全球论坛所做工作的一个补充。IOWN全球论坛由NTT、索尼和英特尔于2019年成立,旨在创建一个行业论坛,以加速最初针对光子网络和分布式计算的用例场景和技术规范的开发。尽管英特尔和NTT的合作是独立于论坛之外的,但英特尔和NTT创造的技术很可能在10年之内就会被IOWN全球论坛所使用。
随着联盟合作的深化,英特尔和NTT能够专注于三个主要领域先进解决方案的近期发展,为商业和社会创造直接的利益。
光电子融合
与电子学融合的光子学技术代表着这样一种机会,它可以去超越电子学在互连应用中现存的物理限制。未来的光学计算设备和光学芯片到芯片互连,是解决性能、功耗和成本效益问题的新一代解决方案。
全球分布式计算架构的进展
数据的性质正在迅速变化,数据量剧增,数据形态多样化,数据来源地理分布更加复杂。很明显,智能和计算能力需要在下一代架构中更加分散。我们与NTT合作的一个重要里程碑,是开发了一个初步的概念验证,重点是视频分析和人工智能。最后,这项早期工作将有助于开发一种新的分布式计算架构,它跨越终端设备、边缘和云。5G以其高性能、规模化、可靠性和低延迟的保证,将是助力实现这种新的分布式架构的第一步。
开放的分布式框架的发展
开源模式是技术创新的重要引擎。我们将与NTT一起,在开放的人工智能软件框架上进行创新,使服务提供商能够利用人工智能管理的分布式计算架构来提高网络效率并满足网络容量需求。这项工作进一步扩展和利用了为AI打下基础的英特尔广泛的软件优化和产品投资,包括内置AI加速的英特尔至强可扩展处理器,英特尔Movidius视觉处理单元, 英特尔FPGA,还有对开源框架的贡献,如面向TensorFlow的英特尔优化和英特尔OpenVINO工具包分发版。我们与NTT合作的首个概念验证工作将采用分布式计算架构,并利用第二代英特尔至强可扩展处理器和英特尔Movidius视觉处理单元,为智慧农业和交通拥堵等问题提供洞察。
我认为很快,在不久的将来,我们会为许多技术提供令人振奋的概念验证。我们计划的研究和开发,将利用NTT行业领先的光子学、数字信号处理、计算和网络基础设施管理技术,以及英特尔的深度技术组合、支持性架构和软硬件专业知识。
我之前讲过,在英特尔,我们正在进行长期规划,通过我们的技术造福地球上每一个人。英特尔与NTT的合作,正是朝着这个方向迈出的又一个重要步伐。我们希望通过我们的研究产生的解决方案,有潜力对电信以及电信以外的各种行业产生广泛的影响。从交通、物流、精准医疗、环境规划到制造业,都将受益于基于全新分布式通信基础设施的一个更加智能化的世界。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。