英伟达、思科等多家企业决意大量支持这一新型制造平台
GlobalFoundries认为以光速传输数据才是未来趋势,而英伟达、思科等重量级厂商的支持也是对其硅光子制造技术发展潜力的有力背书。
这家总部位于纽约州马耳他市的芯片制造商表示,他们正在与主要客户合作设计新的GF Fotonix平台。根据GlobalFoundries的介绍,这套本周一刚刚发布的全新平台意在满足不断增长的市场芯片需求,强调更低功耗与更快数据处理速度,也将成为GlobalFoundries在快速增长的光网络模块市场上保持领导地位的关键因素。
GlobalFoundries公司计算与有线基础设施高级副总裁兼总经理Amir Faintuch表示,“目前业界已经公认硅光子技术将成为下一轮数据中心革命的必要前提,我们领先的半导体制造技术平台则有助于推动这项技术步入主流应用。”
GlobalFoundries解释称,GF Fotonix属于单片平台,也开业界之先河将300mm光子模块与一块300 GHz级RF-CMOS集成在同一芯片之上。于是这些以往只能分别存在于独立芯片上的光子、射频与互补金属氧化物半导体元件,如今被成功整合在同一芯片当中。
根据GlobalFoundries的介绍,这种单片设计拥有一系列显著优势。实验证明GF Fotonix能够提供单光纤0.5 Tbps传输速率,追平业界单根光纤的最高数据传输能力。以此为基础,GlobalFoundries公司完全可以制造出传输速率在1.6到3.2 Tbps之间的光学小芯片,由此提供更快、更高效的数据传输能力,同时带来更好的信号完整性。
GlobalFoundries认为GF Fotonix将在下一代AI应用场景中大放异彩,将系统错误率降低至现有水平的万分之一。
该公司还强调了GF Fotonix在光子集成电路层面的超高集成度。这意味着客户能够在芯片上封装进更多产品功能,同时“简化芯片基材清单”。
GF Fotonix还支持多种芯片封装解决方案,包括以往只适用于更大光纤阵列的被动附着元件、2.5D封装与片上激光器等。
GlobalFoundries表示,用于GF Fotonix的初片制程设计套件将于今年4月推出。该套件能够与Ansys、Cadence Design Systems以及Synopsys等设计工具配合使用。
这家芯片制造商坚信GF Fotonix这套去年才初次亮相的方案必将获得市场青睐,目前也已经得到多家有意使用该平台的企业客户的积极推荐。
GlobalFoundries公司发布一份声明,提到英伟达正计划将GF Fotonix平台提供的高带宽、低功耗光学互连引入“前沿”数据中心产品,推动高性能计算与AI应用迈入新的发展阶段。
在思科方面,GlobalFoundries已经与这家网络巨头合作开发用于数据中心网络及数据中心互连应用的定制化硅光子解决方案。
思科公司光学系统与光学集团负责人Bill Gartner在一份声明中表示,“我们在硅光子技术领域的巨额投入与领先地位,再加上GlobalFoundries功能丰富的制造技术,必将带来一流的最终产品。”
其他GF Fotonix企业客户还包括量子初创公司PsiQuantum与芯片初创公司Ayar Labs。GlobalFoundries也在声明中提到将为Marvell、Broadcom、Lightmatter以及Macom等企业提供更广泛的硅光子技术支持。
好文章,需要你的鼓励
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。