英特尔CEO在Hot Chips主题演讲中,承诺将“继续推动摩尔定律向前发展”
英特尔公司CEO Pat Gelsinger认为,未来计算机将完全由小芯片组装而成。而凭借自家先进封装技术,芯片巨头希望再给摩尔定律续续命。
Gelsinger在今年线上举办的年度Hot Chips大会上发表了主题演讲。演讲内容当然以自家技术为核心,强调用大量小芯片组装系统,而对应的成果自然就是即将推出的英特尔Sapphire Rapids至强Scalable CPU。
根据Gelsinger的介绍,此举标志着芯片行业将由晶圆代工时代,全面转向他提出的系统代工时代。而新时代的基本组成元素,就是晶圆、封装、小芯片加软件升级的结合。
他解释道,“大家应该已经感受到,机架正在成为新的系统,并通过高级封装将多个芯片/小芯片整合起来。所以机架系统本身,就代表着先进封装技术的未来发展方向。”
“我所说的机架即系统,指的是机架正成为一种以小芯片为基本单元的先进封装系统。英特尔认为,未来的计算技术一定会朝着这个方向发展。”
这背后的现实驱动因素在于,客户不仅想要更多芯片,而且想要更强大的芯片。毕竟如今的AI模型规模越来越大,数据量越来越夸张。英特尔预计到2030年,芯片内的晶体管数量将达到万亿级别。
Gelsinger补充道,“目前,单块芯片上封装的晶体管大概在1000亿个,而这个十年末推出万亿级晶体管芯片已经基本成为定局。”
Ribbon FET是英特尔版的环绕栅极(Gate-All-Around,简称GAA)晶体管架构,其中栅极材料被完全包裹在导电通道周围。
根据Gelsinger的介绍,成就这种更大、更强系统的唯一方法,就是将其解构成更小的功能单元,借此实现“定制化异构功能”。在这里,2D与3D封装技术就有了用武之地,能帮助架构师和设计师“为正确的问题使用正确的晶体管”。
Gelsinger的观点是,应该为电源、射频、逻辑和内存分别选择最适合的制程节点,借此制造出单块小芯片,再利用先进的封装技术将大量小芯片组装起来构建起完整芯片。
Gelsinger提到,“我们已经实现了下一代芯片功能,并将其纳入即将于明年推向市场的Meteor Lake等产品。除了Arrow Lake和我们的第二代3D封装技术之外,新一代产品还将获得由先进封装带来的更多优势。”
但实现这一切的前提,就是把各部件的组合方式整理成统一标准。面对这个问题,Gelsinger再次挥舞起英特尔的影响力大旗,表示已经在以PCIe标准为基础,着力为芯片到芯片互连建立起所谓通用芯片互连高速(UCIe)标准。
有了UCIe,不同供应商的不同部件也能被整合在同一块芯片当中。
“到那时候,大家可以在英特尔这边选两块小芯片,在台积电那选一块小芯片,再加上TI的电源组件和Global Foundries的IO组件,通过英特尔的先进封装技术把这一切组装起来。当然,选择其他组装供应商也行,总之这种通用混搭的思路正在成为现实。”
既然是英特尔准备的演讲,怎么可能不提摩尔定律呢?Gelsinger表示,凭借这一系列进步,摩尔定律应该还能再抢救一下。
他总结道,“摩尔定律提出的,随时间推移晶体管数量持续倍增的理念,从根本上支撑起整个计算世界的快速进步。”他承诺英特尔将“继续推动摩尔定律向前发展。”
好文章,需要你的鼓励
CPU架构讨论常聚焦于不同指令集的竞争,但实际上在单一系统中使用多种CPU架构已成常态。x86、Arm和RISC-V各有优劣,AI技术的兴起更推动了对性能功耗比的极致需求。当前x86仍主导PC和服务器市场,Arm凭借庞大生态系统在移动和嵌入式领域领先,RISC-V作为开源架构展现巨大潜力。未来芯片设计将更多采用异构计算,多种架构协同工作成为趋势。
KAIST AI团队通过深入分析视频生成AI的内部机制,发现了负责交互理解的关键层,并开发出MATRIX框架来专门优化这些层。该技术通过语义定位对齐和语义传播对齐两个组件,显著提升了AI对"谁对谁做了什么"的理解能力,在交互准确性上提升约30%,为AI视频生成的实用化应用奠定了重要基础。
Vast Data与云计算公司CoreWeave签署了价值11.7亿美元的多年期软件许可协议,这标志着AI基础设施存储市场的重要转折点。该协议涵盖Vast Data的通用存储层及高级数据平台服务,将帮助CoreWeave提供更全面的AI服务。业内专家认为,随着AI集群规模不断扩大,存储系统在AI基础设施中的占比可能从目前的1.9%提升至3-5%,未来五年全球AI存储市场规模将达到900亿至2000亿美元。
乔治亚理工学院和微软研究团队提出了NorMuon优化器,通过结合Muon的正交化技术与神经元级自适应学习率,在1.1B参数模型上实现了21.74%的训练效率提升。该方法同时保持了Muon的内存优势,相比Adam节省约50%内存使用量,并开发了高效的FSDP2分布式实现,为大规模AI模型训练提供了实用的优化方案。