2020年12月16日,北京——在今日举行的2020英特尔内存存储日活动上,英特尔重磅发布了六款全新内存和存储产品,旨在帮助客户驾驭数字化转型的重大机遇。为进一步推动内存和存储创新,英特尔宣布推出两款新的傲腾固态盘产品,即全球运行速度最快的数据中心固态盘英特尔傲腾固态盘P5800X,以及能够为游戏和内容创作提供高性能和主流生产力,面向客户端的英特尔傲腾H20混合式固态盘。通过使内存更靠近处理器,英特尔傲腾能够满足现代计算的需求。此外,英特尔还透露即将面向云和企业级用户发布代号为“ Crow Pass”的第三代英特尔傲腾持久内存。
英特尔数据平台事业部副总裁兼傲腾事业部总经理Alper Ilkbahar指出:“对于英特尔内存和存储业务来说,今天是颇具里程碑意义的一天。随着几款全新傲腾产品的发布,我们不仅延续创新,进一步强化了我们的内存和存储产品组合,还将持续赋能客户更好地应对数字化转型的复杂性。现阶段,傲腾产品和技术正日益成为计算业务中的主流应用。而作为英特尔重要的组成部分,这些领先的内存和存储产品将进一步推动包括AI、5G网络、智能和自主边缘计算等重点增长领域的长足发展。”
本次大会上,英特尔还宣布推出三款采用144层存储单元的全新NAND固态盘,包括适用于主流计算的英特尔下一代144层QLC 3D NAND固态盘——英特尔固态盘670p;全球首个推向市场的144层TLC NAND设计的英特尔固态盘D7-P5510;采用业内首个144层QLC NAND并具备更高密度、更强持久性的英特尔固态盘D5-P5316。
随着今日傲腾技术的发布,英特尔继续在数据中心内存和存储金字塔中构建融合了DRAM和NAND特性的新的层级。其中,英特尔傲腾固态盘通过高速缓存和高速存储的性能,突破数据供应瓶颈并加速应用,提高每台服务器的性能可扩展性,并降低时延敏感型工作负载的交易成本。
英特尔傲腾持久内存是英特尔打造兼具持久性、大容量、经济性、低延迟和近内存速度性能的内存和存储解决方案愿景的最好体现。通过傲腾持久内存,英特尔重构了内存和存储层级,建立了以其为基础的容量和性能都有所不同的内存和存储层。这种方式同时使建立双层内存架构成为可能,其中以DRAM作为性能层,持久内存作为容量层。而从存储角度来看,傲腾持久内存可被用作基于NAND大容量存储层之上的性能层。
同时,英特尔傲腾持久内存通过双倍数据速率总线连接CPU,能够以DRAM的速度直接进行加载和存储访问,同时它也兼具非易失性,融合了内存和存储的最佳特性。
此外,英特尔将通过其代号为“Crow Pass”的第三代英特尔傲腾持久内存和代号为Sapphire Rapids的英特尔至强可扩展处理器进一步增强和扩展其独特的内存和存储产品组合。
值得一提的是,今天发布的三款全新NAND固态盘代表着TLC和QLC作为大容量固态盘的主流技术正式迈入全新时代。其中,英特尔3D NAND 固态盘670p是用于主流计算的英特尔下一代144层(QLC)3D NAND固态盘。英特尔固态盘D7-P5510是全球首个推向市场的144层TLC NAND固态盘,而英特尔固态盘D5-P5316则是业内首个采用了144层QLC NAND的数据中心级固态盘。过去十余年间,英特尔始终致力于推动和发展领先的内存和存储技术。
好文章,需要你的鼓励
这项研究由德累斯顿工业大学等机构的研究团队完成,旨在解决主动学习未被广泛应用的问题。研究者构建了包含460万种超参数组合的实验网格,系统分析了各参数对主动学习性能的影响。研究发现,不同策略实现间存在显著差异,基于边缘的不确定性策略整体表现最佳,随机选择约4000个超参数组合即可获得可靠结果。这些发现为设计可重现、可信赖的主动学习实验提供了明确指导,有助于降低入门门槛,促进技术在实际应用中的普及。
这项由英国爱丁堡大学和上海人工智能实验室研究者共同完成的工作提出了LongBioBench,一种用于评估长文本语言模型的新型基准测试框架。通过使用人工生成的虚构人物传记作为测试环境,该框架在保持可控性的同时,提供了更真实的评估场景。研究对18个长文本模型的测试表明,即使最先进的模型在检索、推理和可信任性方面仍存在显著挑战,特别是上下文长度增加时。研究还揭示了现有合成基准测试的设计缺陷和长上下文预训练的局限性,为未来模型开发提供了重要指导。
SuperWriter是一项来自新加坡科技设计大学和清华大学的突破性研究,通过模仿人类"先思考后写作"的过程,彻底改良了AI长文生成能力。该研究团队开发的框架包含三个关键阶段:规划、写作和修改,使AI能像专业作家一样进行结构化思考。实验结果表明,经过训练的SuperWriter-LM模型不仅超越同等规模的所有AI模型,甚至在某些领域表现优于规模更大的顶级模型,为AI辅助写作开创了新的可能性。
香港大学与阿里巴巴达摩院合作开发的LayerFlow是一种突破性的层级视频生成技术,能同时生成透明前景、完整背景和混合场景视频。该技术通过创新的框架设计将不同视频层级作为子片段连接,并引入层级嵌入使模型区分各层级。面对高质量训练数据稀缺的挑战,研究团队设计了三阶段训练策略,结合Motion LoRA和Content LoRA,实现了图像和视频数据的联合训练。LayerFlow不仅支持多层视频生成,还能实现视频分解和条件层生成,为视频创作领域带来革命性变革。