这是芯片行业发展过程中的一个里程碑,将在芯片性能和能源效率方面实现飞跃
纽约州奥尔巴尼——2021年5月6日:IBM(纽约证券交易所:IBM)宣布,IBM已成功研制出全球首款采用2纳米(nm)规格纳米片技术的芯片,这标志着IBM在半导体设计和工艺方面实现了重大突破。一直以来,半导体在众多领域内都扮演着至关重要的角色,例如:计算机,家用电器、通信设备、运输系统、关键基础设施等等。
各行各业对芯片性能和能效的要求越来越高,在混合云、人工智能和物联网时代尤其如此。IBM研发的新型2纳米芯片技术可推动半导体行业的发展,满足不断增长的需求。与目前最先进的7纳米节点芯片相比,这项技术预计可使芯片的性能提升45%,能耗降低75%。
这款先进的2纳米芯片的应用前景包括:
IBM研究院高级副总裁兼院长Darío Gil表示:“这款新型2纳米芯片体现出的IBM创新对整个半导体和IT行业至关重要。”“这是IBM不畏艰难,克服严峻技术挑战取得的成果,展现了持续投资和合作研发生态系统方法如何帮助我们实现突破。”
IBM始终处于半导体创新的最前沿
几十年来,IBM一直是半导体创新领域内的领导者,这为IBM实现最新突破奠定了坚实的基础。IBM在位于纽约州奥尔巴尼市Albany Nanotech Complex的研究实验室开展半导体研发工作,在这里,IBM科学家与来自公共和私营部门的合作伙伴密切合作,共同推动逻辑扩展和半导体功能向前发展。
这种协作式创新方法不仅使IBM奥尔巴尼研究院成为了全球领先的半导体研发生态系统,而且还构建了一条强大的创新渠道,有助于满足制造需求,加速全球芯片行业的发展。
多年来,IBM在半导体领域内屡次实现重大突破,包括率先推出7纳米和5纳米工艺技术、单管DRAM(single cell DRAM),Dennard标度律(the Dennard Scaling Laws),化学放大光刻胶(chemically amplified photoresists)、铜互连布线(copper interconnect wiring)、绝缘硅片技术(Silicon on Insulator technolog)、多核微处理器(multi core microprocessors)、高k栅电介质(High-kgate dielectrics)、嵌入式DRAM(embedded DRAM)和3D芯片堆叠(3D chip stacking)。
IBM凭借IBM研究院在7纳米技术方面取得的进展研发的第一款商业化产品将于今年晚些时候在基于IBM POWER 10的IBM Power Systems中首次亮相。
一个指甲大小的芯片可容纳500亿个晶体管
增加每个芯片上的晶体管数量可以让芯片变得更小、更快、更可靠、更高效。2纳米设计展示了利用IBM研发的纳米片技术对半导体进行高级扩展的能力。这种架构为业界首创。在宣布5纳米设计研发成功之后,IBM仅用了不到四年时间就再次实现技术突破。这项突破性技术问世后,一个指甲大小的2纳米芯片就能容纳多达500亿个晶体管。
芯片上的晶体管数量增加还意味着处理器设计人员拥有更多选择,可以通过为处理器注入内核级创新来提升人工智能、云计算等前沿工作负载的功能,找到实现硬件强制安全性和加密的新途径。IBM已经在最新一代的IBM硬件(例如:IBM POWER 10和IBM z15)中实现了其他创新型核心级增强功能。
好文章,需要你的鼓励
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。