英特尔近日宣布计划在今年晚些时候推出一款区块链加速器芯片,该芯片能够运行一种通常用于比特币挖矿的算法。
该芯片是由英特尔定制计算业务部门(归属于加速计算系统和图形部门)开发的,英特尔成立该部门的目的是为了“开发针对客户工作负载优化的定制芯片平台”,英特尔高级副总裁、加速计算系统和图形部门总经理Raja Koduri这样表示。
他说,定制计算部门还将针对区块链以外的其他市场开发产品。
英特尔这款新公布的区块链加速器经过优化,可运行通常用于比特币挖矿的SHA-256算法。据英特尔称,该芯片运行SHA-256的每瓦性能将比商用图形处理单元高1000倍多。
目前已经有很多客户注册使用英特尔这款区块链加速器,其中包括Block(之前的Stripe)、Argo Blockchain和Griid Infrastructure,其中Griid Infrastructure正在以33亿美元的估值推动上市。
英特尔在此次公告中并没有提供有关该芯片设计的详细技术信息,不过根据Tom's Hardware的报道称,Griid Infrastructure在一份监管文件中详细说明,该公司从英特尔购买的芯片是专用集成电路(ASIC)。ASIC是一种旨在执行一组特定任务的专用处理器,例如这次英特尔就是用来运行与区块链相关的计算。
据报道称,如果满足某些条件,Griid将通过与英特尔的协议,在2025年5月之前购买至少25%的“所有合格的、英特尔设计的ASIC”。对于Griid在2023年5月之前下的订单,英特尔将提供固定价格。
英特尔计划在本月晚些时候的芯片行业盛会International Solid State Circuit Conference(ISSCC)上分享有关其区块链计划的更多细节。英特尔此前曾在2018年的ISSCC大会上向Tom's Hardware透露,将作为“第一代产品探索”计划的一部分开发ASIC技术。一位英特尔发言人补充说,出售给Griid的ASIC是基于第二代设计的。
早些时候,AnandTech曾在1月的报道中称,英特尔第一代区块链加速器可能是基于7纳米制造工艺的。据报道,该芯片足够紧凑,可以通过单个晶圆生产多达4000个单元,但是关于第二代芯片的信息却很少。
英特尔今天证实了有关区块链加速器技术很紧凑的这一说法。Koduri表示:“这种架构是在一小块硅片上实现的,因此它对当前产品的供应影响非常小。”
“我们注意到一些区块链需要大量的计算能力,但是这是非常耗能的。我们的客户正在寻求可扩展和可持续的解决方案,这就是为什么我们致力于通过大规模开发最节能的计算技术来实现区块链全部潜力的原因。”
该芯片将让英特尔能够更直接地应对加密货币挖矿处理器这一重要市场,让英特尔获得新的收入增长机会。英特尔竞争对手Nvidia也参与了这一领域的竞争,2月Nvidia推出了一系列专为加密货币挖矿而设计的GPU。
与此同时,英特尔还在努力扩大自己在半导体市场其他领域的影响力,以促进收入增长。预计英特尔很快将发布一系列用于个人电脑的GPU,这与Nvidia处于市场领先的GPU产品展开竞争。在企业级领域,英特尔计划利用Ponte Vecchio挑战Nvidia,这款最新的片上系统经过优化,可运行具有1000亿个晶体管的人工智能工作负载。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。