英特尔日前透露了其参与DARPA(美国国防部高级研究计划局)打造“卫星互联网”项目的更多信息,芯片制造商英特尔将帮助开发光学通信子系统,用于实现卫星之间的链接。
天基自适应通信节点(Space-BACN)项目可能听起来像一个瓜分肥肉的拨款项目,但Space-BACN其实是一项严肃的工作,Space-BACN旨在创建能够在不同卫星网络之间转换信息的轨道节点,目的是使得各种卫星群之间能够相互沟通。
DARPA最近宣布正在与英特尔、SpaceX和其他专业公司帮助DARPA开展合作,实现在军事政府和商业民用卫星群之间实现无缝通信的愿景。
DARPA选中了英特尔参与该计划的第一阶段,该计划大致包括三个技术领域。英特尔参与的是技术领域2(TA2),参与TA2的还有亚利桑那州立大学和II-VI航空航天和国防公司,三者涵盖了可重新配置光调制解调器的设计工作。可重新配置光调制解调器的目的是能够支持当前和新的通信标准和协议,以提供卫星群之间所需的互操作性水平。
芯片制造商英特尔表示,光调制解调器的设计将包括三个基于英特尔Agilex FPGA技术的芯片。这些芯片利用嵌入式多芯片互连桥(EMIB)和高级接口总线(AIB)封装技术将光调制解调器集成到一个多芯片封装(MCP)中,做法类似于英特尔打算交付的Meteor Lake PC芯片的方式。
在这三种芯片中,主要芯片似乎是数字信号处理器前向纠错(DSP FEC)芯片,用于低功耗、高速信号处理。DSP FEC芯片将采用英特尔3工艺节点制造,英特尔之前曾表示打算在2023年某个时候开始生产英特尔3工艺节点。
其他芯片名为数据转换器/跨阻放大器/驱动器,这些芯片采用英特尔16工艺节点生产,也将于2023年进入批量生产。另外,光子集成电路(PIC)则是基于Tower Semiconductor技术。Tower Semiconductor是一家以色列的芯片公司,英特尔目前正在收购Tower Semiconductor。该公司表示,光子集成电路将提供低损耗波导,可以实现大批量光纤耦合集成和组装的自动化。
Space-BACN的技术领域1(TA1)则专注于开发光孔径或 “头”,光孔径负责指向性采集和跟踪。光孔径将利用单模光纤连接到TA2的光调制解调器。
TA1方面的工作将由IT服务公司CACI、卫星光子学专家MBRYONICS和激光通信设备供应商Mynaric承担。
技术领域3(TA3)包括支持跨卫星群光学链路通信所需的关键指挥和控制元素。DARPA选了SpaceX、Telesat、SpaceLink、Viasat和Kuiper政府解决方案(亚马逊的子公司)进行这项工作并开发Space-BACN和其他合作伙伴微信群之间接口所需的模式。
英特尔表示已经开始进入该计划的第一阶段,第一阶段将设计每个小芯片并与其他各方合作定义其他TA之间的接口。这一阶段预计将持续14个月,然后进行初步设计审查。
英特尔表示,在此之后,从TA1和TA2中选出的各方将开始为期18个月的第二阶段,第二阶段开发光终端组件的工程设计单元。参与TA3的公司将“继续发展该方案,使得方案能够在更具挑战性和动态情况下运作”。
据英特尔称,Space-BACN的定位是实现卫星群之间的通信,做到在地球的任何地方都可以发送数据。
英特尔高级首席工程师和可编程解决方案首席研究员Sergey Shumarayev表示,“这项计划帮助我们实现该愿景,可以实现从太空到地球任何地方的全球连接及实现了宽带服务和物联网,物联网不仅可以将每个人而且可以将所有东西都连接起来。”
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。