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
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。