2020年12月21日,北京——于近日举行的2020腾讯云Techo Park开发者大会期间,英特尔联合腾讯正式发布搭载下一代英特尔至强可扩展处理器(代号“Ice Lake”)的腾讯云星星海新一代自研双路服务器。该服务器作为云服务的硬件基础,采用英特尔10nm工艺处理器,在核心数、单核性能上较上一代基于英特尔至强可扩展处理器的服务器有大幅提升。该款服务器同时也是双方联合发布的第二款服务器产品,于此前发布的腾讯云星星海首款自研四路服务器将于本月底正式加入腾讯云产品矩阵,为行业终端客户带来全新升级的使用体验。

腾讯云星星海新一代自研双路服务器发布
此次发布的腾讯云星星海新一代自研双路服务器搭载两颗即将发布的第三代英特尔至强可扩展处理器(代号“Ice Lake”),并配有第二代英特尔傲腾持久内存,能够带来更高内存带宽,更快I/O吞吐,更强单实例性能,可满足通用计算、异构计算、裸金属、高性能计算等全业务场景。
得益于双方的深度优化定制,腾讯云星星海新一代双路服务器具备极具前瞻性的系统架构,在计算密度上的提升高达50%;而通过设计高性能散热器和研发创新独立风道设计,其平台散热能力提升达45%。同时,由于RAS增强功能的引入,以及多维度全覆盖故障诊断、精细化定位问题,使该服务器的整体宕机率降低约50%。
值得一提的是,测试数据显示,与搭载第二代英特尔至强处理器的双路服务器相比,新款服务器的浮点性能提高70%,基于英特尔AVX-512扩展指令集,腾讯云星星海新一代自研双路服务器对应的服务器实例在HPC场景下表现出了极大提升,特别是在生命科学和金融服务等领域表现显著。此外,通过对第二代英特尔傲腾持久内存的支持,腾讯云星星海双路服务器单机最高支持的内存可达12TB,充分满足大型数据库等业务需求。而借助第三代英特尔至强可扩展处理器,用户则可以获得更强的计算性能。腾讯云星星海双路服务器免工具模组化设计能够使重要模组部件全系列服务器共用成为现实,覆盖全业务场景,在弹性部署的同时,也能够有效降低云服务总体成本。在此基础上,新一代处理器也带来了创新的安全技术——英特尔SGX(最大支持1TB enclave)和加密加速技术,不仅有效增强了安全性,还可满足创新云业务的安全需求,从而大幅提升腾讯云计算矩阵的战略能力。
在本次大会上,英特尔就云计算创新发展、智慧云基础设施,及前沿技术趋势等话题开设了分论坛。分论坛上,英特尔携手广大开发者共同探讨,如何通过英特尔AI加速、傲腾技术、全新的Xe计算架构技术等方案,加速开发和交付。而在5G、AI等转折性技术不断催生全新计算场景的当下,如何在日益丰富的场景中释放更大价值,满足日趋多元化的计算需求,也是重要话题之一。此外,英特尔也在多个主、分论坛上进行了分享,其中包括可靠性提升背后的技术MCA Recovery、加速网关(Barefoot)、云原生虚拟化技术与高性能网络开源技术等内容,展现了英特尔全面而丰富的产品组合,以及在软硬件协同方面的深厚积淀。
随着万物云化的趋势加速渗透,算力的利用方式正在发生着嬗变,云上成为数据增值、孕育时代机遇的全新沃土。藉此,英特尔与腾讯不断加深具有战略意义的长期合作伙伴关系,持续在硬件设计、软件优化、技术协同创新等方面进行紧密合作,并取得重大成就。面向未来,英特尔将一如既往,发挥创新实力与平台级优势,坚定推动双方在深度学习、人工智能、云基础架构与安全技术等方面的深入合作,挖掘数据机遇与潜力,点燃千行百业智能化变革的新引擎,为数字经济时代增长提供不竭动力。
好文章,需要你的鼓励
AI正在革命性地改变心脏疾病治疗领域。从设计微创心脏瓣膜手术到预防原理定位,机器学习和神经网络的洞察力推动了巨大进步,甚至可以构建新型移植解剖结构。数字孪生技术为个性化心血管护理提供持续预测管理。哈佛干细胞研究所的研究人员利用纳米材料和类似棉花糖机的设备,能在10分钟内制造心脏瓣膜,相比传统3周制造时间大幅缩短。这些突破性技术为每年4万名先天性心脏畸形儿童带来新希望。
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
谷歌正在为搭载其内置信息娱乐系统的汽车推出谷歌地图实时车道引导功能,首先从极星4开始。该系统利用车辆前置摄像头和AI技术,分析车道标线和路标,为驾驶者提供更精确的车道指引和视听提示。该功能将在未来几个月内在美国和瑞典的极星4车型上推出,目前仅支持高速公路使用。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。