英特尔今天详细介绍了一系列即将推出的处理器,这些处理器经过优化可为5G运营商基础设施和数据中心网络提供动力。

这其中,一部分处理器将成为英特尔计划今年推出的Sapphire Rapids CPU产品线的一部分,还有两款芯片属于Xeon D产品线。
Sapphire Rapids是英特尔下一代至强服务器处理器的代号,将采用英特尔最先进的基于10纳米的Intel 7制程工艺,在架构层面将采用最新笔记本电脑处理器的Golden Cove核心设计。
与此同时,英特尔还详细介绍了将为Sapphire Rapids芯片配备“5G特定信号处理指令增强功能”的计划,并称这些增强技术将用于处理器核心层。
Sapphire Rapids的5G功能将专注于帮助运营商优化基础设施的一部分——也就是无线电接入网络(RAN),包括蜂窝塔和一系列用来为用户提供连接的支持设备。
当全行业升级到5G的时候,网络运营商正在新版本RAN技术——也就是vRAN,该技术提供了更具成本效益的商用硬件,以取代原来那些用于提供无线连接的专有设备。
据英特尔称,Sapphire Rapids的5G特性将为vRAN基础设施提供最高“两倍的额外容量”。英特尔详细介绍说,该技术旨在帮助运营商实现先进的网络功能,例如64T64R MIMO Massive MIMO,一种通过为信号塔配备更多天线来增加信号塔带宽的方法。
英特尔针对5G场景还有另外一个武器。英特尔表示,将扩展Sapphire Rapids产品线,推出一组专为vRAN基础设施进行优化的处理器,而且这些专用处理器将具有“集成加速”特性,可加速vRAN工作负载。
英特尔正在增强5G产品组合的同时,竞争对手也正在加紧关注这一领域。AMD最近完成了对Xilinx高达500亿美元的收购,其中一些芯片用于5G设备。早些时候,高通推出了一种安装在蜂窝塔的片上系统,可以更快地处理数据流量。
“随着我们迎来网络和边缘转型创新的新时代,现在我们比以往任何时候都更需要更好的控制、更高的适应性和可扩展性来推动这一变革,从而为构建和运营基础设施一方,提供快速引入新功能的能力,”英特尔高级研究员、网络和边缘事业部高级副总裁Nick McKeown这样表示。
除了计划推出的Sapphire Rapids增强功能之外,英特尔今天还详细了推出两款新处理器以扩展Xeon D系列片上系统的计划,并且这两款处理器都主要用于数据中心交换机和路由器等网络设备。
其中D-1700芯片将配置4-10个核心,另一个D-2700将配置4-20个核心。英特尔表示,那些配备了这款新芯片的网络设备将能够处理每秒多达100 Gb的以太网数据流量。
这些芯片有多达64个PCIe通道,可用于将其与设备附加的其他组件进行集成,此外支持英特尔AVX-512技术,使其运行人工智能模型的速度快于早期的芯片。
据英特尔称,针对运营商常用的5G基础设施管理应用来说,这些芯片提供的性能要比上一代产品高出70%。对于企业数据中心来说,英特尔承诺这些芯片将让软件定义网络的性能提升高达50%。
英特尔表示,Xeon D芯片还可以用于网络安全设备,此类设备负责检测和阻止公司网络中的恶意数据流量,新芯片针对某些网络安全任务的性能可提到50%。
在今天的公告中,英特尔还介绍了软件方面的更新。OpenVINO是英特尔一款可帮助开发人员加速人工智能模型的软件,此次英特尔推出了该工具套件的新版本OpenVINO 2022.1,新增了AI速度优化功能,并且支持更多神经网络。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。