作者:MARIA DEUTSCHER
更新时间:美国东部时间2023年10月10日14:07
AMD今天宣布收购初创公司Nod.ai,后者是一家开发加速人工智能模型的开源软件公司,收购的具体财务条款尚未披露。
Nod.ai正式名称为Nod公司,是开源人工智能工具SHARK的开发商。SHARK是一款被称为运行时系统,旨在提高神经网络的推理速度。据Nod.ai称,SHARK的性能明显优于其他针对相同任务的同类开源工具。
人工智能模型等程序不能单独部署,必须与各种辅助软件组件捆绑在一起。程序的许多辅助组件都被打包到一个被称为运行时系统的应用程序中。Nod.ai的SHARK就是一个运行时系统,专门针对神经网络的要求进行了优化。
在去年的一篇博文中,该公司表示SHARK让人工智能模型的运行速度比 PyTorch和Torchscript快三倍多。PyTorch是一种构建神经网络的流行框架。Torchscript是一种辅助技术,用于优化神经网络的推理速度。
Nod.ai表示,SHARK还能提供比XLA更好的性能。后者是一种技术,可用于提高使用TensorFlow(一种流行的 PyTorch 替代技术)创建的人工智能模型的性能。
Nod.ai不仅维护着SHARK,还为许多其他开源项目做出了贡献。这些项目同样旨在加快人工智能应用程序的代码速度。
开发人员使用一种被称为编译器的工具将源代码文件转化为可运行的程序。编译器将代码转换成所谓的中间表示,这是对程序运行方式的一种抽象描述。然后,编译器将这种抽象描述转化为计算机处理器可以运行的指令。
Torch-MLIR是Nod.ai参与的开源项目之一,是专门针对人工智能用例的中间表示法。该公司还参与了IREE项目,这是一种编译器,与Torch-MLIR共享许多技术组件。开发人员可以使用IREE将神经网络的源代码转化为能够在显卡和其他人工智能优化芯片上运行的程序。
AMD正积极努力提高其在人工智能芯片市场的份额。该公司的Epyc中央处理器内置了机器学习优化功能。AMD还销售专门的AI处理器,如最近推出的 MI300X,该产品意在与英伟达市场领先的显卡竞争。
开发人工智能软件的企业不仅需要快速的芯片,还需要在这些芯片上部署神经网络的简单方法。收购Nod.ai可以让AMD更有效地满足这一要求。Nod.ai的SHARK工具可以优化神经网络的性能,而这正是人工智能软件部署中最复杂的任务之一。
AMD人工智能事业部高级副总裁Vamsi Boppana表示:“Nod.ai优秀团队的加入提高了我们开发开源编译器技术的能力,并让整个AMD产品组合都能支持可移植的高性能AI解决方案。”“Nod.ai的技术目前已经广泛部署在云端、边缘和各种终端设备上。”
收购之后,AMD有可能会增强Nod.ai的SHARK工具。例如,这家芯片制造商可能会增加优化功能,以提高在部署在其处理器上的(SHARK驱动的)人工智能模型的性能。
AMD的竞争对手也参与了开源生态系统。例如,英特尔公司就是Linux和Chromium(谷歌Chrome浏览器所基于的开源项目)最大的企业代码贡献者之一。
在市场推广层面,收购Nod.ai可以帮助AMD提高旗下人工智能加速器与英伟达显卡的竞争力。除了芯片之外,英伟达还提供一个名为 Nvidia Enterprise AI的软件平台,可以帮助客户更轻松地优化神经网络的性能。该平台还包括预包装的人工智能模型、科学计算软件和一系列其他工具。
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。