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
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。