也许Granulate提供的软件调试套件能帮助英特尔向客户证明,至强处理器到底比竞争对手强在哪里
如今,英特尔在服务器CPU领域正面临着激烈的竞争。而杀出一条血路的方法除了制造更好的芯片之外,还可以在通过收购Granulate获得的云优化软件身上动动脑筋。也许这款旨在提高应用性能、降低基础设施成本的产品,能在纸面上增强芯片巨头的技术底气。
英特尔于今年3月宣布收购Granulate,交易已经在5月早些时候结束。而由此获得的软件产品,则作为一套帮助现代CPU核心在复杂、陈旧数据中心工作负载上实现性能优化的解决方案,且无需作出任何代码更改。据Granulate的介绍,该软件能够帮助客户将基础设施成本降低达40%至60%。
但在Intel Vision大会的演讲中,英特尔暗示称Granulate软件还有另外一项妙用,就是协助x86巨头捍卫自身在云服务器市场上日常衰落的主导地位。
面对这样一种以新软件辅助云战略的思路,我们打算从关键事实加观察结果的角度进行分析。首先就是,Granulate的云优化软件不仅适用于英特尔芯片,同时也适用于AMD CPU,以及亚马逊云科技打造的Graviton等Arm架构芯片。
英特尔在最近的采访中以及Intel Vision大会的小组讨论中,反复证实了Granulate对多种CPU架构的支持能力。在讨论期间,芯片巨头还专门给Granulate云优化业务打了一波广告,表示会将其纳入不断增长的商业软件战略当中。
Granulate gAgent软件如何自动优化数据中心内的应用程序
在Intel Visino主题演讲期间,Hilliker还提到,英特尔公司及各合作伙伴将使用gProfiler工具为客户提供一套完整的优化建议,可供直接实施以提高应用性能、降低基础设施成本。芯片巨头将此称为“英特尔优化蓝图”。
Hilliker还提到,“gProfiler就像一台巨大的加速器,能帮助客户了解自己的设施水平和能力边界。”
基于Ganulate免费开源工具gProfiler生成的英特尔优化蓝图
从这些示例中,我们估计英特尔未来会用gProfiler说服客户,引导他们放弃使用竞争架构的云实例。不过从本次Intel Vision小组讨论中看,Hilliker跟Granulate CEO Ezra在这个问题上似乎也小有分歧。
在确认gAgent和gProfiler也可以运行在其他公司制造的CPU之上后,Hilliker提到那些使用竞争架构的用户肯定拿不到作为参考的英特尔优化蓝图。
但Ezra不同意Hilliker的说法,并表示这份蓝图的意义是“帮助客户重新了解英特尔产品能为他们带来哪些提升”。话一出口,Hilliker也旋即调整了自己的立场。
他话风一转,“所以如果你用的是别家芯片,我们可能也会提供选项,就像「嘿,如果你选择用英特尔,将能得到这些这些……仅供参考。」”
考虑到英特尔花了6.5亿美元的真金白银才买下Granulate,并号称这笔交易将给股东带来重大收益,所以Ezra的观点也许更能反映英特尔对Granulate软件的未来态度。
这一举动也跟英特尔近年来向云业务市场强推至强处理器的思路保持一致。在目前的云市场上,由AMD和Arm设计的芯片正越来越受到青睐。
例如,英特尔正与另一家初创公司Densify合作开发另一款专注于总体拥有成本的云优化工具。该公司还与一家主要云服务经销商进行了试点,希望优化搭载至强处理器的Google Cloud实例。
但这又带来了新的问题:如果英特尔打算用gProfiler帮助客户了解如何利用至强处理器获得超越竞争芯片的更高性能、更低成本,那这款开源工具还能有客观意义上的公信力吗?具体来讲,如果gProfiler最终认为AMD的下一代Epyc CPU及其AI引擎比至强处理器更牛,英特尔岂不是在为他人作嫁衣裳?
没错,如果gProfiler确实能够轻松识别并展现出英特尔芯片相较于竞争对手的优势,那至强家族应该可以在云业务市场上迎来一波发展高潮。但在此之前,客户首先得想明白一个问题:英特尔自家提供的性能优化工具,给出的结论到底是客观公正、还是充满偏见?
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。