作者:DYLAN MARTIN
更新时间:美国东部时间 2023年8月24日下午12:42
这家芯片设计公司表示,Mipsology的团队将帮助AMD提高该公司CPU、GPU和自适应芯片的人工智能软件开发方面的推理能力。此次收购是AMD大战略的一部分,该公司意在通过“用于人工智能推理和训练的领先 GPU、CPU 和自适应计算解决方案”,挑战英伟达在人工智能计算领域的霸主地位。
在AMD向人工智能芯片巨头英伟达发起最大挑战之际,这家芯片设计公司收购了法国初创公司Mipsology,意在加强自身人工智能推理软件能力。
这家总部位于加利福尼亚州圣克拉拉的公司周四宣布了此次收购的消息,称“人工智能软件领域的领导者及AMD的长期合作伙伴” Mipsology公司将帮助AMD“推动客户合作并扩展我们的人工智能软件开发能力。”
AMD人工智能部门高级副总裁Vamsi Boppana写道:“具体而言,该团队将帮助我们开发完整的人工智能软件堆栈,扩展我们软件工具、库和模型的开放生态系统,为简化在AMD硬件上运行的人工智能模型的部署铺平道路。”
AMD发言人拒绝透露此次收购的财务条款以及Mipsology公司的员工人数。
Mipsology的专长是开发“即插即用”软件,在不需要新工具或改变神经网络模型的情况下提高人工智能推理性能,而神经网络模型是人工智能应用的关键。
这款名为Zebra的软件专注于在FPGA(现场可编程门阵列的简称)上实现“世界一流的速度”。
推理是人工智能的一个重要方面,它允许应用根据训练好识别模式或对象的模型进行预测并生成响应。
收购——AMD人工智能战略大棋局的一部分
此次收购是AMD大战略的一部分,该公司希望用更广泛的产品组合挑战英伟达在人工智能计算领域的主导地位,AMD的董事长兼首席执行官Lisa Su将这些产品组合称为“用于人工智能推理和训练的领先 GPU、CPU 和自适应计算解决方案”。
自去年以来,Su和其他高管已经亮明了该公司的全面人工智能战略,以应对她所说的“AMD 在云、边缘计算和日益多样化的智能终端领域数十亿美元的增长机会”。
今年6月,AMD揭示了其对英伟达最强大AI芯片的最大挑战——Instinct MI300 系列。新阵容包括MI300X,Su表示,与英伟达的旗舰 H100 数据中心GPU相比,MI300X能够以更高的效率运行大型语言模型(Large Language Models)并节约更多成本。
该公司还认为,通过收购赛灵思(Xilinx)公司获得的基于FPGA的产品(该公司现在称之为自适应计算芯片)将带来巨大的人工智能机遇。这些产品面向从小型终端和边缘计算机到数据中心的各种工作负载。
但是,AMD要想在人工智能计算领域真正挑战英伟达,这家芯片设计公司需要吸引软件开发商在其硬件基础上进行开发。因此,该公司正在整合以前CPU、GPU 和自适应芯片的不同软件开发堆栈,以提供一个“具有凝聚力的人工智能训练和推理界面”,并将其称为AMD Unified AI Stack。
在这方面,AMD希望由芯片工具设计供应商Synposys的前员工于2015年创立的Mipsology 能够助其更进一步。
Boppana 在周四的公告中写道:“人工智能是我们的首要战略重点,也是未来十年芯片需求增长的重要驱动力。”“通过引入技术娴熟的Mipsology 团队,AMD将继续加强我们的软件能力,让全球的客户能够挖掘普适人工智能的巨大潜力。”
好文章,需要你的鼓励
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。