加强每年创新的节奏,推动从芯片到系统全面领先
2021年7月27日,英特尔CEO帕特·基辛格在“英特尔加速创新:制程工艺和封装技术线上发布会”上发表演讲。在这次线上发布会中,英特尔提出了未来制程工艺和封装技术路线图。(图片来源:英特尔)
新闻重点
美国加州圣克拉拉,2021 年 7 月 27日–今天,英特尔公司今天公布了公司有史以来最详细的制程工艺和封装技术路线图,展示了一系列底层技术创新,这些创新技术将不断驱动从现在到2025年乃至更远未来的新产品开发。除了公布其近十多年来首个全新晶体管架构 RibbonFET 和业界首个全新的背面电能传输网络PowerVia之外,英特尔还重点介绍了迅速采用下一代极紫外光刻(EUV)技术的计划,即高数值孔径(High-NA)EUV。英特尔有望率先获得业界第一台High-NA EUV光刻机。
英特尔公司CEO帕特·基辛格在以“英特尔加速创新”为主题的全球线上发布会中表示:“基于英特尔在先进封装领域毋庸置疑的领先性,我们正在加快制程工艺创新的路线图,以确保到 2025 年制程性能再度领先业界。英特尔正利用我们无可比拟的持续创新的动力,实现从晶体管到系统层面的全面技术进步。在穷尽元素周期表之前,我们将坚持不懈地追寻摩尔定律的脚步,并持续利用硅的神奇力量不断推进创新。”
业界早就意识到,从1997年开始,基于纳米的传统制程节点命名方法,不再与晶体管实际的栅极长度相对应。如今,英特尔为其制程节点引入了全新的命名体系,创建了一个清晰、一致的框架,帮助客户对整个行业的制程节点演进建立一个更准确的认知。随着英特尔代工服务(IFS)的推出,让客户清晰了解情况比以往任何时候都显得更加重要。基辛格说:“今天公布的创新技术不仅有助于英特尔规划产品路线图,同时对我们的代工服务客户也至关重要。业界对英特尔代工服务(IFS)有强烈的兴趣,今天我很高兴我们宣布了首次合作的两位重要客户。英特尔代工服务已扬帆起航!”
英特尔技术专家详述了以下路线图,其中包含新的节点命名和实现每个制程节点的创新技术:
英特尔高级副总裁兼技术开发总经理Ann Kelleher博士表示:“英特尔有着悠久的制程工艺基础性创新的历史,这些创新均驱动了行业的飞跃。我们引领了从90纳米应变硅向45纳米高K金属栅极的过渡,并在22纳米时率先引入FinFET。凭借RibbonFET 和 PowerVia两大开创性技术,Intel 20A 将成为制程技术的另一个分水岭。”
英特尔高级副总裁兼技术开发总经理Ann Kelleher博士
随着英特尔全新IDM 2.0战略的实施,封装对于实现摩尔定律的益处变得更加重要。英特尔宣布,AWS 将成为首个使用英特尔代工服务(IFS)封装解决方案的客户。英特尔对领先行业的先进封装路线图提出:
今天讨论的突破性技术主要在英特尔俄勒冈州和亚利桑那州的工厂开发,这巩固了英特尔作为美国唯一一家同时拥有芯片研发和制造能力的领先企业的地位。此外,这些创新还得益于与美国和欧洲合作伙伴生态系统的紧密合作。深入的合作关系是将基础性创新从实验室研发投入到量产制造的关键,英特尔致力于与各地政府合作,强化供应链,并推动经济和国家安全。
线上发布会快结束的时候,英特尔宣布将举办“Intel Innovation”峰会并公布更多相关细节。“Intel Innovation”峰会将于 2021 年 10 月 27 日至 28 日在旧金山线下和线上举行。更多详细信息,请访问Intel ON 网站。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。