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
微软宣布为Word和Excel推出基于OpenAI的AI代理模式,通过简单提示即可自动生成文档和分析数据。Word用户可享受"氛围写作"功能,利用现有文档组装报告和提案。Excel代理能分析电子表格数据并生成可视化报告。尽管在SpreadsheetBench基准测试中准确率仅为57.2%,低于人类平均水平71.3%,但微软强调其针对实际工作场景优化。此外,微软还发布了基于Anthropic的Office代理,显示其正逐步减少对OpenAI的依赖。
苹果与清华合作提出EpiCache技术,解决AI长期对话中的记忆管理难题。该方法将对话自动分割成话题片段,为每个话题建立专门记忆库,实现智能匹配和高效检索。实验显示,EpiCache比传统方法准确率提高40%,内存使用减少4-6倍,响应速度提升2.4倍,为资源受限环境下的AI对话系统提供了实用解决方案。
OpenAI为美国ChatGPT用户推出"即时结账"功能,用户可在对话中直接购买Etsy和Shopify商品,无需跳转至外部网站。该功能支持Apple Pay、Google Pay等多种支付方式,并计划接入超过100万家Shopify商户。OpenAI还将开源其代理商务协议技术,与谷歌的代理支付协议形成竞争。这标志着电商购物模式的重大转变,AI聊天机器人可能重塑在线零售发现和支付生态系统。
清华大学与英伟达合作提出DiffusionNFT,一种革命性的AI图像生成训练方法。该方法通过对比正负样本进行学习,避免了复杂的概率计算,训练效率比传统方法提升25倍。研究团队在多项测试中验证了其优越性,不仅大幅提升了图像质量和文字渲染能力,还实现了无需分类器引导的高效训练,为AI图像生成技术的普及和应用奠定了重要基础。