英特尔的研究人员近日透露了一些技术创新和概念,包括改进封装让计算机芯片性能达到当前最先进芯片的10倍。
据英特尔称,这项最新研究将为2030年前实现芯片可容纳一万亿晶体管铺平道路,从而显着扩展摩尔定律。
计算机芯片行业长期以来一直遵循着摩尔定律,该定律最早是由英特尔联合创始人、前首席执行官Gordon E. Moore在1965年提出的。摩尔定律主要是被芯片制造商提及的,是指出微芯片上的晶体管数量随着芯片制造技术的进步,每两年翻一番。因此,我们可以预期新计算机的速度和功能每两年就会提高一次,同时成本也会更低。
几十年来摩尔定律一直被证明是正确的,但是最近几年有多家芯片制造商发出警告说,他们很难跟上摩尔定律的速度。今年早些时候,Nvidia公司首席执行官黄仁勋坚称现在摩尔定律已经失效。
但是,英特尔并不服输。近日在2022年IEEE国际电子设备大会上,英特尔提交了最新的研究报告,重点介绍了英特尔计划在2030年之前利用一系列工艺、材料和技术交付基于小芯片的万亿晶体管处理器。
英特尔之前曾做出过类似的承诺,并表示,跟上摩尔定律的步伐对于满足全球永无止境的计算需求来说是至关重要的。英特尔指出,数据的消耗和人工智能的进步,导致全球比以往任何时候都需要更多的计算能力。
英特尔新的晶体管和封装研究集中在几个不同领域,包括加速CPU的性能和效率,以及缩小传统单芯片处理器与小芯片设计之间的距离。
英特尔展示的其中一个概念可以大大减少小芯片之间的差距以提高性能,另一个概念则展示了晶体管即使在断电后也能保持状态。英特尔还研究了可以提高芯片整体性能的“可堆叠内存解决方案”。
英特尔的技术进步体现在多个领域。例如,英特尔最新的混合键合研究比去年提高了10倍。英特尔还提交了关于使用厚度小于三个原子的新材料设计,以及对可能影响数据存储和检索的界面缺陷的更深入分析。
这些新想法来自英特尔的组件研究和设计支持团队,该团队是英特尔内部最重要的研究机构之一,团队中工程师和设计师的任务是发明和开发新材料和方法,以支持半导体制造商把计算机芯片技术缩小到原子尺度的探索。
例如,组件研究团队开发了英特尔的极紫外光刻技术,该技术可以继续缩小节点尺寸,同时提高半导体的性能。
这个团队的研究工作通常要比商用技术领先5到10年,因此目前正在研究的技术和流程很可能帮助英特尔实现2030年的目标。
Constellation Research分析师Holger Mueller认为,如果英特尔能够兑现最新的这项承诺,那么关于晶体管和摩尔定律终结的说法似乎又一次被夸大了。“当然,这是一个雄心勃勃的目标,但如果英特尔能够成功的话,对所有企业来说都是个好消息。企业需要更高的计算能力来支持新的人工智能工作负载,并最终支持深度学习。如果英特尔取得成功,则意味着未来实现创新将面临更激烈的竞争和更高的成本效益。”
英特尔副总裁、组件研究集团总经理Gary Patton表示:“自晶体管发明75年以来,推动摩尔定律的创新不断地满足全球对计算呈指数级增长的需求。在IEDM 2022大会上,英特尔展示了突破当前和未来障碍所需的前瞻性和具体研究成果,以满足这个永无止境的需求,并在未来几年保持摩尔定律的活力。”
好文章,需要你的鼓励
zip2zip是一项创新技术,通过引入动态自适应词汇表,让大语言模型在推理时能够自动组合常用词组,显著提高处理效率。由EPFL等机构研究团队开发的这一方法,基于LZW压缩算法,允许模型即时创建和使用"超级tokens",将输入和输出序列长度减少20-60%,大幅提升推理速度。实验表明,现有模型只需10个GPU小时的微调即可适配此框架,在保持基本性能的同时显著降低计算成本和响应时间,特别适用于专业领域和多语言场景。
这项研究创新性地利用大语言模型(LLM)代替人类标注者,创建了PARADEHATE数据集,用于仇恨言论的无毒化转换。研究团队首先验证LLM在无毒化任务中表现可与人类媲美,随后构建了包含8000多对仇恨/非仇恨文本的平行数据集。评估显示,在PARADEHATE上微调的模型如BART在风格准确性、内容保留和流畅性方面表现优异,证明LLM生成的数据可作为人工标注的高效替代方案,为创建更安全、更具包容性的在线环境提供了新途径。
这项研究由中国科学技术大学的研究团队提出了Pro3D-Editor,一种新型3D编辑框架,通过"渐进式视角"范式解决了现有3D编辑方法中的视角不一致问题。传统方法要么随机选择视角迭代编辑,要么同时编辑多个固定视角,都忽视了不同编辑任务对应不同的"编辑显著性视角"。Pro3D-Editor包含三个核心模块:主视角采样器自动选择最适合编辑的视角,关键视角渲染器通过创新的MoVE-LoRA技术将编辑信息传递到其他视角,全视角精修器修复并优化最终3D模型。实验证明该方法在编辑质量和准确性方面显著优于现有技术。
这项研究提出了ComposeAnything,一个无需重新训练的框架,可显著提升AI图像生成模型处理复杂空间关系的能力。该技术由INRIA、巴黎高师和CNRS的研究团队开发,通过三个创新步骤工作:首先利用大型语言模型创建包含深度信息的2.5D语义布局,然后生成粗略的场景合成图作为先验指导,最后通过物体先验强化和空间控制去噪引导扩散过程。在T2I-CompBench和NSR-1K基准测试中,该方法远超现有技术,特别是在处理复杂空间关系和多物体场景时表现卓越,为AI辅助创意设计开辟新可能。