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
清华大学研究团队提出了一种名为"硬负样本对比学习"的创新方法,显著提升了大型多模态模型在几何理解与推理方面的能力。通过构建图像和文本两类负样本,以及开发MMCLIP训练策略,他们的MMGeoLM模型在四个几何基准测试中表现卓越,甚至以7B参数规模与GPT-4o相媲美。实验证明,仅4K个真实图像负样本的效果就超过了100K个文本负样本,为AI细粒度视觉理解开辟了新路径。
《离散马尔可夫桥》研究提出了一种新型离散数据表示学习框架,克服了传统离散扩散模型使用固定转移矩阵的局限。该框架包含矩阵学习和分数学习两个核心组件,能够自适应学习转移率矩阵并有效重建原始数据分布。理论分析证明了其有效性和收敛性,而在Text8和CIFAR-10数据集上的实验展示了其优越性能,证明了这一方法作为离散表示学习统一框架的潜力。
这项由华盛顿大学和新加坡国立大学研究团队提出的ScaleKV技术,针对视觉自回归模型中的内存瓶颈问题提供了创新解决方案。研究发现不同变压器层具有不同的缓存需求,将它们分为需要大量历史信息的"起草者"和专注于当前细节的"精细器",实现了尺度感知的KV缓存分配。实验表明,该方法能将Infinity-8B模型的内存需求从85GB减少到8.5GB,同时保持生成质量几乎不变,为高分辨率AI图像生成的普及应用铺平了道路。
这项研究提出了一种名为INTUITOR的创新方法,让大语言模型无需外部奖励即可自主学习推理能力。研究者利用模型自身的"自我确定性"作为唯一奖励信号,替代传统需要人工标注或答案验证的方法。实验表明,该方法在数学推理上与使用标准答案的方法相当,并在代码生成等跨领域任务上展现出更好的泛化能力。这为开发能在缺乏外部验证的情况下自我提升的AI系统开辟了新途径,对未来自主学习AI具有深远影响。