据报道,作为全球最大的芯片制造商之一,英特尔已经向客户发出通知,称计划在今年晚些时候提高计算机处理器和其他芯片的价格。
《日经亚洲》今天的报道援引“三位直接知悉英特尔计划的行业高管”的话说,价格上涨主要归咎于芯片生产成本的上升。目前英特尔正面临电力、原材料、运输和劳动力成本增加的四重压力,除此之外,通货膨胀也正在削弱英特尔的盈利能力。
因此,英特尔将提高几乎所有产品的价格,包括个人电脑和数据中心服务器的芯片、Wi-Fi芯片和各种类型的控制器。据说价格上涨会因产品而异,大多数产品上涨10%至20%。
The Register的一篇报道澄清说,价格上涨可能会发生在10月份,涨价的产品包括英特尔用于台式电脑和笔记本电脑的旗舰CPU,也是最好的游戏芯片。服务器芯片也将变得更加昂贵,而这一举措很可能对服务器厂商产生重大影响,甚至可能对通常一次购买数千个处理器的超大规模数据中心运营商带来重大影响。
价格上涨并不令人意外。英特尔首席执行官Pat Gelsinger在公司最近发布的财报中表示,“将重新组合产品到更高的价位点”,而首席财务官Dave Zimmer表示,英特尔将“在某些细分市场有针对性地价格上涨”。
英特尔最大的竞争对手之一台积电也警告称,将从明年初开始提价。
上周彭博社报道称,半导体行业的主要供应商日本化学公司Showa Denko已经向客户发出警告称价格即将上涨。Showa Denko是一家主要的化学品和气体供应商,这些材料被半导体制造业用于制造硅晶片和蚀刻工艺以进一步生产芯片,因此任何风吹草动都有可能会对芯片价格产生连锁反应。
Constellation Research分析师Holger Mueller认为,这种价格上涨对于芯片行业来说是罕见的,通常芯片行业会通过技术创新来创造溢价,然后随着技术的成熟,价格虽然缓慢但肯定会下降。
由于英特尔的CPU被大部分客户端电脑、嵌入式系统、服务器等产品采用,因此大幅提价可能会对整个行业产生重大影响。AMD、Nvidia、Marvell等竞争对手也是否会涨价,还有待观察。有分析师表示,这些厂商可能会倾向于维持当前价格以抢占更多市场份额,或者在不担心失去任何客户的情况下提高价格。
Mueller表示:“我们期待看看英特尔的竞争对手是否会效仿,如果他们不这样做,我们可能会看到芯片市场出现替代性的机会。当然,最大的问题是,英特尔还有选择吗?”
英特尔此举的时机很微妙。价格上涨之际,半导体行业在经历了始于疫情长达数年的繁荣之后似乎正走向放缓。经济疲软意味着一些芯片(如GPU)经历了两年多的全行业短缺之后,现在已经变得很容易买到。因此,和英特尔此举相反的是,一些GPU厂商实际上已经在降价了。
Pund-IT分析师Charles King表示,最大的未知数是价格上涨、以及通货膨胀和对经济衰退的担忧,将如何影响市场对服务器和个人电脑等产品的采购,过去,非必需品和消费产品受到的打击总是要比关键业务技术大得多。
King说:“我预计类似的情况可能会继续上演,但GPU除外,GPU正在受到大量新产品和旧产品过剩的影响。这种情况有点类似于互联网泡沫破灭期,当时市场充斥着来自过度配置和失败企业的二手服务器,导致系统厂商陷入极度痛苦的境地。”
最重要的是,包括英特尔在内的所有制造商都极力地在制造和材料成本以及必要的利润之间保持平衡。“如果材料或者生产成本上涨,那么最终客户不得不以这样或者那样的方式为此买单。”
据称,英特尔将于7月28日公布第二季度财报,届时可能会透露更多有关该计划的信息。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。