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
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。