经比较测试,英特尔在AI等关键工作负载上相较于竞争对手拥有更优的性能,以及更低的总体拥有成本(TCO)
随着第四代英特尔®至强®可扩展处理器在2023年1月的正式推出,英特尔通过其业界领先的加速器引擎在性能方面取得了重大进展,并在AI、数据分析、科学计算(HPC)等关键工作负载方面提高了每瓦性能。其中,第四代至强的快速出货、被全球客户的广泛采用,以及在广泛商业应用场景中的多元化关键工作负载上表现出的领先性能,均已引起业界关注。

今日,在经过数周与最具可比性的竞对处理器严格、全面的比较测试后,英特尔分享了相比于简单的行业基准测试更为令人信服的结果。
英特尔公司副总裁兼至强产品部总经理Lisa Spelman指出:"诚如我们在第四代至强可扩展处理器发布时所言,该产品在支持客户最重要的工作负载上处于行业领先地位,现在,我们有了具体的数据可以进行佐证,这些数据有助于消除不确定性,证明至强相比业界其他产品具备持续的价值和领先地位。"
在主流计算中,更快获取数据与洞察
目前,市场上最常部署的解决方案是基于中等核数所提供的,在该领域中,每核性能、功耗以及吞吐量是关键的性能指标。基于此,英特尔将其32核的第四代至强可扩展处理器与竞争对手最佳、主流的32核处理器进行了比较。
通常来说,像SPEC CPU这样的通用基准测试是非常重要的,但是对于工作负载需求不断变化的客户来说,此类测试并不能完全展现整体性能情况。实际上,在诸如数据库、网络和存储等对客户至关重要的工作负载上,至强可扩展处理器可以通过提供更高的CPU性能、更高的每瓦特性能,以及更低的总体拥有成本(TCO)轻松击败竞争对手。此外,客户还看到了减少服务器数量、总体功耗,以及降低二氧化碳排放等重要的可持续发展优势。
AI效率的提升可优化用户体验,驱动收入增长
至强的架构适用于AI,与此同时,英特尔在软件方面的投入可以在所有主流框架、库以及模型类型上实现并优化AI。测试结果表明,英特尔凭借例如英特尔®高级矩阵扩展(英特尔® AMX)等先进的硬件加速技术,其处理器在AI工作负载上持续保持领先。
事实上,内核数量的增加并不能代表实现最佳性能。英特尔® AMX使得第四代至强可扩展处理器以惊人的速度扩展,并且具备远超仅凭核数所能达到的性能。该领先的AI加速引擎内置在每个至强可扩展处理器的内核中,这是英特尔的竞争对手所没有的,其客户也无法从中获益。
HPC领先性为建模、预测、模拟提供更强性能
在测试特定行业的科学计算工作负载时,英特尔将其采用了英特尔®AVX-512的56核英特尔®至强® CPU Max系列处理器与竞争对手的顶级96核产品进行了对比。通过将高内存带宽下的最佳算力与英特尔HPC引擎相结合,至强CPU Max系列在众多实际的HPC工作负载中,如地球系统建模、能源与制造等,展现出高于竞争对手40%的性能优势。
点评:在人们的认知中,GPU是处理AI工作负载的首选,CPU的表现会逊色很多。但是第四代英特尔®至强®可扩展处理器的表现让这种看法完全站不住脚,而且CPU更适合计算密集型工作负载。可以预见的是多样化的计算架构是AI发展的必然,不管是CPU、GPU还是FPGA,适合的才是最好的。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。