Linux 基金会日新成立了一个名为UXL基金会的行业组织,目标是简化能在多种类型加速器芯片上很好地运行的应用程序编写任务。

UXL基金会倡议是在周二的西班牙举行的一个行业活动上宣布的。UXL 基金会的成立得到了半导体市场几大巨头的支持。基金会成员包括英特尔公司(Intel Corp)、Arm Holdings plc、高通公司(Qualcomm Inc)、和总部位于英国的芯片公司Imagination Technologies 公司。
业界普遍认为该举措的目的是抗衡英伟达公司在加速计算领域日益增长的主导地位。由于OpenAI 的ChatGPT等生成式人工智能应用的迅速崛起,加速计算呈现爆炸性增长。前谷歌公司工程师Kelsey Hightower在X(前身为推特)上发帖称,“我们有了一个利用GPU等加速器的开源竞争对手抗衡英伟达的CUDA平台。”
谷歌的云计算业务和富士通公司也支持 UXL 基金会。谷歌为旗下的云平台设计了定制加速器芯片。富士通公司则有一个业务部门专门生产FeRAM等半导体产品,FeRAM是一种类似于DRAM的高速存储器。
UXL 基金会的目标令开发人员可以更容易地编写可在加速器芯片上运行的软件。加速芯片是一种经过优化的处理器,可高效执行一系列的计算任务。加速器采用了专门的设计,因此通常可以比中央处理器单元更快地运行经过优化的工作负载。
目前市场上的许多加速器都是为加速人工智能工作负载而设计的。也有一些产品是专门为其他任务设计的。例如,英特尔公司的 IPU 芯片就是为加快数据中心存储和网络设备管理计算速度而设计的。
专门为一种加速芯片构建的应用在其他芯片上可能不一定能顺利地运行起来。即使其他芯片针对相同类型的工作负载进行了优化,仍然如此。因此,开发人员为了将一个软件从一种加速器移植到另一种加速器上,往往需要对代码进行大量修改,需要花费大量的时间和精力。
新成立的 UXL 基金会的工作是简化那些可在多种加速器芯片上运行的应用程序的创建过程。据UXL 基金会称,UXL 基金会计划通过创建一个“开放标准加速器编程模型”来实现这一目标。
UXL 基金会的工作的核心是一项名为 oneAPI 的现有技术,oneAPI技术最初由英特尔公司开发。芯片制造商英特尔已将oneAPI技术贡献给 UXL 基金会。开发人员利用 oneAPI可以将软件从一种加速器芯片移植到另一种芯片,所需的工作量仅为过去工作量的一小部分。
英特尔的 oneAPI 基于一种名为 SYCL 的早期技术。开发人员利用SYCL可以使用 C++(一种流行的编程语言)编写可在多种类型芯片上运行的应用程序。由SYCL驱动的软件不仅可以在加速器(如AI优化处理器)上运行,还可以在CPU和FPGA上运行,FPGA是一种可重新配置的芯片,适用于各种用例。
英特尔贡献给 UXL 基金会的 openAPI 技术扩展了 SYCL 的功能集。openAPI增加了性能优化等功能,简化了软件调试任务。此外,英特尔还提供了一个 fsoftwa 工具,可以自动调整那些为 Nvidia 公司显卡编写的人工智能软件,使这些人工智能软件能够在兼容 openAPI 的芯片上运行。
UXL 基金会表示将专注于“推动创新并在整个行业实施 oneAPI 规范”。为此,基金会计划与芯片制造商和软件开发商合作。UXL基金会还打算与行业组织合作,例如支持openAPI的SYCL技术背后的非营利组织Khronos集团公司。
UXL 基金会指导委员会主席Rod Burns表示,“基金会成员希望打造最大的加速计算开放生态系统。我们的最终目标是为所有加速器建立一个多架构和多供应商的编程平台。”
UXL 基金会计划在今年晚些时候分享有关基金会的目标和发展路线图的更多信息。
好文章,需要你的鼓励
2025年1月,OpenAI、软银、甲骨文和MGX联合宣布"星际之门"计划,承诺投资5000亿美元,部署高达10GW算力基础设施。如今,该项目已从白宫发布会上的宏大承诺,演变为一场前所未有规模的基础设施建设实验。项目已扩展至德克萨斯、威斯康星、俄亥俄等多地,并延伸至阿布扎比和挪威。然而,融资争议、合作伙伴摩擦、能源压力及政策监管收紧,正考验着这一"AI工业园"模式能否真正落地。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
加密货币交易所OKX正式推出AI智能体交易市场OKX AI,允许AI代理相互雇佣、自主结算,并建立基于区块链的可携带信誉档案。该平台经过50家早期服务商封测后向开发者开放,依托稳定币和链上支付基础设施,支持全天候微支付。OKX创始人徐明星表示,传统金融基础设施为人类而建,智能体经济需要为自主软件专门设计的基础设施。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。