英特尔®至强®可扩展处理器是面向云游戏、多媒体处理与传输、虚拟桌面基础架构和推理运算的处理器标杆,致力于为当今的媒介消费提供鼎力支持。随着当前工作负载密度和复杂程度的快速增长,以上每个细分领域都将提出不同的工作负载需求,包括从处理像素、推理和分析、到渲染新的画面内容,再到将这些像素输出至客户端设备进行查看或进一步分析。然而,目前这些工作都是通过在云端的各个独立产品来完成的。
在本届英特尔 On 产业创新峰会(Intel Vision)上,英特尔分享了其代号为 Arctic Sound-M(ATS-M)的数据中心 GPU 的更多细节。ATS-M 是一颗支持高质量转码和高性能的强大 GPU,能够提供每秒 150 万亿次运算(150 TOPS),共拥有两种配置。ATS-M 能够通过单一解决方案灵活地处理广泛的工作负载,并在不牺牲性能或者质量的同时,优化总体拥有成本(TCO)。
面向数据中心工作负载的多用途 GPU
该英特尔数据中心 GPU 将包含两种不同的配置。150W 功率版本在一个3/4长、全高尺寸的 PCIe 4.0 加速卡中封装了 32 个 Xe 内核。75W 功率版本则在半高尺寸的 PCIe 4.0 加速卡中封装了两颗具有 8 个 Xe 内核的 GPU,共 16 个 Xe 内核。这两种配置均配备了 4 个 Xe 媒体引擎、英特尔首款面向数据中心的 AV1 硬件编码器和加速器、GDDR6 内存、光线追踪单元和内置 XMX AI 加速。
采用开源软件的行业领先数据中心 GPU
该英特尔数据中心 GPU 由完整的解决方案堆栈支持,为开发者提供了面向流媒体、云游戏和云端推理的开源软件堆栈,并广泛支持 AVC、HEVC、VP9,以及更多 API、框架和最新的编解码器。
oneAPI 为加速计算提供了高效、智能的路径,让开发者免受专有编程模型所带来的经济和技术负担。它为专用硬件的封闭编程语言供了开放的选择,即通过一套完整、可靠的工具包来完善现有编程语言和并行计算模型,从而释放硬件的全部性能,并且能够让开发者设计出开放、可移植的代码,更大限度地利用多种 CPU 和 GPU 的组合。
云游戏
全球云游戏市场呈现持续快速增长趋势,预计到2026年,其复合年增长率(CAGR)将达到 43.2%,市值将近 32 亿美元[1]。英特尔可为 Windows 和 Android 云游戏平台提供支持,为广大玩家带来高品质的游戏体验。ATS-M 拥有两种不同的产品外形设计,用户可灵活地选择符合他们特定工作负载的产品配置。无论用户对峰值性能、高密度提出需求,还是期待通过一个平台满足跨智能手机和 PC 游戏的融合云游戏解决方案,这款 GPU 均可以提供出色的游戏串流体验。
全堆栈媒体流支持
该 GPU 配备了英特尔首款基于硬件加速的 AV1 编码器,可在不牺牲质量的同时,带来 30%[2] 比特率的提升。[3]作为引领新一代媒体串流的 GPU,它可实现一卡同时处理多达 8 路 4K 视频流或超过30 路 1080p 视频流。在一台 4 卡服务器中,可以实现每节点处理 120 路视频流以及每机架处理 13,000 路视频流。
利用 Intel® oneVPL,媒体串流和传输软件堆栈可以面向包括 AV1 在内的所有主流编解码器进行解码和编码加速。流媒体发行商可以在 FFmpeg 或 GStreamer 这两大领先多媒体处理框架中进行选择,它们均可通过 oneVPL 针对英特尔 CPU 和 GPU 进行加速。英特尔还提供了开放视觉云(Open Visual Cloud),这是一套用于媒体、分析、图形和沉浸式媒体的开源软件堆栈,它针对云原生部署进行了优化,使其能够在 FFmpeg 和 GStreamer 框架内运行。
全堆栈虚拟桌面基础架构支持(VDI)
过去两年,随着远程办公需求的增加,虚拟桌面基础架构(VDI)和设备即服务(DaaS)迎来了快速增长(最近一项研究表明增长超过 11%[4])。现代操作系统和应用程序对图形处理的要求越来越高,显示器的分辨率也随之提高;GPU 可以通过承载渲染和编码功能,以更短的响应时间和更高的帧率来改善用户体验。由此释放出来的 CPU 处理能力可以带来应用程序工作负载的性能提升。
英特尔的这款数据中心 GPU 还提供了灵活的虚拟 GPU(vGPU)调度策略(固定的、灵活的以及硬件利用率优化过的时间片任务调度器),让管理员能够单独微调 GPU 上每个虚拟机的运行指令。目前,其他厂商的产品仅允许在所有虚拟机的全局设置中进行相关调整。
与目前市面上其他产品不同的是,英特尔不会针对基于硬件的可扩展 I/O 虚拟化(SIOV)额外收取任何软件授权费,这将有助于相关提供商降低虚拟化部署的总成本。
全堆栈媒体分析支持
每个在视觉媒体场景执行的推理都需先经过视频解码和预处理,然后才能交给 AI 模型进行下一步操作。集成两颗 GPU 的 75W 功率版本 ATS-M 能够在计算和解码能力上实现很好的平衡,且不受媒体限制。因此,它能够针对媒体分析类的工作负载提供良好的扩展性,为客户提供更高的流密度和更低的成本。
在使用 oneVPL 对于视频流的解码和编码进行加速的同时,oneDNN(oneAPI 深度神经网络库)可针对内核进行 AI 优化,加速面向 TensorFlow 或 PyTorch 框架的推理模型;也可通过 OpenVINO 的模型优化器和推理引擎,进一步加速推理以及客户工作负载的部署。上述 AI 和媒体软件以及堆栈的组合可以在至强处理器和英特尔数据中心 GPU 之间无缝运行。
代号为 Arctic Sound-M 的英特尔数据中心 GPU 已经获得超过 15 款来自业界领先合作伙伴的设计,并将于 2022 年第三季度发布。
好文章,需要你的鼓励
本文探讨了一种防范通用人工智能(AGI)和人工超级智能(ASI)存在性风险的方法:将它们置于计算机仿真世界中进行测试。虽然这种方法看似合理,但存在诸多挑战。AGI可能会隐藏恶意行为,或因被欺骗而转向恶意。此外,仿真环境可能无法完全模拟真实世界,导致测试结果不准确。构建高质量仿真系统的成本和技术难度也不容忽视。文章认为,仿真测试虽有价值,但并非万能解决方案。
这项研究关注语音中的句子强调(即说话时对特定词的重音),它能传达说话者的潜在意图。耶路撒冷希伯来大学的研究团队发现,尽管现代语音语言模型进步显著,它们在理解句子强调方面表现不佳。团队创建了StressTest基准测试和Stress-17k合成数据集,并开发了StresSLM模型,使强调理解能力大幅提升。研究表明,通过特定训练策略,可以让AI不仅理解"说了什么",还能理解"怎么说的",从而捕捉人类交流中的微妙含义。
尽管AI在围棋等复杂游戏中表现出色,但在简单的井字棋游戏中却屡屡失败。研究显示,AI代理在模拟商业环境中的表现同样令人失望,经常出现幻觉、欺骗和任务未完成等问题。游戏测试为评估AI能力提供了直观方式,帮助普通用户理解AI的真实水平。面对当前AI行业的过度宣传,通过游戏化测试揭示AI的实际局限性,对于防范AI泡沫具有重要意义。
ViStoryBench是一个全面的故事可视化评估基准,由StepFun团队打造,用于测试AI将文字故事转化为连贯图像序列的能力。它包含80个多样化故事和344个角色参考,评估包括角色一致性、提示遵循度等多个维度。研究测试了20多种方法,发现UNO在开源方法中表现最佳,而商业软件如豆包和GPT-4o在提示一致性方面表现突出。该基准为故事可视化研究提供了统一标准,推动这一领域的创新发展。