恩智浦半导体(NXP Semiconductors)拉开了可能会成为计算机芯片制造行业新趋势的大幕:该公司宣布,将把绝大多数电子设计自动化工作负载转移到AWS公有云平台上。
恩智浦表示,已经将AWS作为其首选云提供商,通过把EDA工作负载转移到AWS云上,将获得更高的效率和计算力,有助于为汽车、工业物联网、移动和通信基础设施领域设计新一代更快更强大的计算机芯片。
据Amazon称,自迁移到AWS云上以来,恩智浦已经看到了协作改善和EDA吞吐量提高等诸多好处,此外还降低了成本,可以把更多时间专注于实际设计,而不是管理计算资源上。
更有趣的是,把EDA之类的计算密集型工作负载迁移到云端将带来一些预期的长期收益。恩智浦表示,相信这次迁移能够实现一些重要流程改进,从而彻底改变设计和测试CPU的方式。
恩智浦解释说,每个新的芯片设计在制造之前都会经过广泛的测试和验证,以确保功能上的安全性和实现预期的性能水平,具体工作包括前端设计工作流程,如性能模拟和验证,以及围绕时序和功耗分析、设计规则检查和其他应用准备新芯片生产所需的后端工作负载。
以前恩智浦和其他芯片制造商一样,都是在内部数据中心以固定的计算能力完成这项工作的,但由于新一代芯片变得越来越复杂,有时候这些流程可能需要数月甚至数年时间才能完成,这样就需要能够准确预测和采用新型计算基础设施。
因此,恩智浦迁移到云端是有意义的,他们可以在AWS公有云上利用先进基础设施,同时具备推进多个芯片设计和测试项目所需的规模和敏捷性,这样他们就可以并行运行数十个性能模拟,从而缩短整体设计时间。
迁移到云端还让恩智浦可以利用关键的AWS分析和机器学习服务来辅助研发工作。例如,恩智浦正在使用Amazon QuickSight,一种基于机器学习的商业智能服务,来提高工作流程效率,通过将一个测试步骤的结果快速转换为另一步骤的修改,可减少芯片设计迭代所需的时间。
不仅如此,恩智浦还利用Amazon SageMaker,一项用于在云端和边缘构建、训练和部署机器学习模型的服务,来优化构建计算、存储和第三方软件应用许可的方式。
AWS公有云上提供的各种专业实例也让恩智浦从中受益,使其能够为EDA工作流程实现性价比的完美平衡。
Constellation Research分析师Holger Mueller认为,AWS等云平台的主要优势在于它们为企业提供了“商业弹性”。
“在发展犹如过山车般的半导体行业中,评估资本支出需求是很有意义的,所以恩智浦将EDA工作负载转移到云端是一个很明智的想法。EDA处于半导体制造商价值链的早期阶段,并不是所有设计工作最终都会转化为真正的芯片。”
Pund IT分析师Charles King表示,将EDA工作负载转移到AWS可以为那些与英特尔等大型芯片厂商相比较为小型的芯片厂商提供引人注目的价值,此外“将计算和存储转移至存储厂商还有助于降低资本支出,可能会导致企业对IT部门进行裁员。如果与恩智浦同类的其他厂商也在考虑采取类似举措,我一点也不觉得奇怪,不过我猜测主流半导体厂商并不会效仿。”
恩智浦半导体公司首席信息官Olli Hyyppa表示,基于云的EDA对于加速半导体创新和更快地将新设计推向市场是很有必要的。
“AWS为我们提供了最佳的规模、全球影响力、计算和存储上的更多选择,不断提高我们需要的性价比,让我们的设计工程师把宝贵的时间专注于创新上,以引领半导体行业的转型。”
好文章,需要你的鼓励
当前AI技术正引发一场"认知迁移",重新定义专业价值和工作方式。不同于以往技术革命,AI不仅自动化任务,更开始承担判断、语言和创意表达,模糊了人机界限。面对这一转变,专业人士呈现五种态度:积极拥抱者、被动适应者、主动抵制者、未受影响者和边缘化群体。AI采用速度超越理解速度,重塑认知领域的同时也带来身份认同危机。这场迁移将重新定义角色、价值观和整个职业阶层,需要制度层面的具体应对措施。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
企业持续投资云优先战略,但大型数据库云迁移面临复杂挑战。通过"规划-构建-运行"结构化方法,IT领导者可成功完成本地系统云迁移。关键包括:制定迁移策略、评估环境复杂性、选择数据传输和同步工具、创建测试计划、执行迁移并保持同步,最后优化云运营、确保安全合规。云迁移不仅是数据搬迁,更是创新增长平台的构建过程。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。