作者:Filip Benna,Codasip产品经理
如今,利用新的方法来创造差异化的产品是当今技术创新者们所追求的目标。当半导体扩展规律已经显示出极限时,我们该如何满足对更高计算性能的需求?办法只有一个:为特定需求定制计算。具体来说满足定制计算需要具备架构优化、应用剖析、硬件/软件协同优化,以及建立在强大设计基础上的领域专用加速等要素。这些要素加上尽可能简洁的设计流程以提高效率,并缩短上市时间,同时可以让客户掌握自主权并保持灵活性。
用于定制计算的下一代 RISC-V处理器 - Codasip全新700系列
Codasip的全新700系列是一个可配置且可定制的RISC-V基准处理器系列,可实现无限创新。700系列是对Codasip广受欢迎的嵌入式内核的补充,它提供了一个不同的起点,以满足对更高性能的需求。
该系列处理器具有高度灵活性等特性,为每个用户都提供了定制计算的无限可能。从功能强大的嵌入式内核到应用内核,该系列处理器可以不同的方式投入使用。对于需要立即可用的用户,这些内核可以作为标准起点现成使用。不过值得一提的是,该系列的真正价值在于它可以通过Codasip Studio快速高效地定制设计。客户可以利用配置选项进行高级优化,或通过定制实现最大创新。

图1:Codasip 700系列包括一系列基于优化需求而以不同方式使用的内核。来源:Codasip
设计人员可以通过处理器优化突破技术极限,在控制成本的同时获得独特的收益。
利用Codasip 700系列 RISC-V内核,赋能新应用的定制计算
开发人员需要根据不同的应用解决不同的问题。与前几代产品相比,700 系列提供了更高性能的基准内核,可根据特定应用需求定制处理器,从而实现创新,并在功耗、性能和面积方面都有着显著的优势。该系列的内核用途广泛,既可独立使用,也可在异构系统中使用。
随着全球贸易战的打响,供应商可能随时更改授权许可条件,此时锁定固定供应商风险极大。 那么随着700系列和Codasip定制计算技术的推出,客户就能获得设计自由,并更好地掌控其解决方案中的技术选择。

图2:Codasip 700系列包括灵活的嵌入式和应用处理器,适用于广泛的市场应用。来源:Codasip。
Codasip Studio是定制计算解决方案中的一个关键要素,它充分释放了RISC-V处理器IP的潜力。在最近的一篇文章中,来自Codasip的战略与生态副总Mike Eftimakis也充分解释了为什么没有放之四海而皆准的处理器优化方法?以及Codasip Studio在通过剖析为每个用例实现不同水平的优化方面所发挥的作用。
简而言之,Codasip Studip作为先进的处理器设计工具为用户提供可预测的结果,并通过成熟、高度自动化的方式方法缩短产品上市时间。

图3:Codasip Studio定制流程。来源:Codasip
通过实现处理器设计和定制SDK与HDK生成的自动化,工程团队可以更高效地实现更好的结果。 自动化同时还能加速空间探索、调研和配置,从而最大限度地实现优化。
通过剖析软件并查看瓶颈,可以探索700系列的架构并定义设计变更的意义所在。通过Codasip Studio,软件和硬件团队可以协作以提高系统效率。 在Codasip Studio中进行剖析意味着不同的团队可以执行分析并向硬件团队提出修改建议。 在竞争如此激烈的大环境中,差异化和时间就是一切。
700系列 RISC-V处理器的首发产品:A730
Codasip A730作为700系列的第一款内核。它是一个通用的中端64位应用处理器,兼容Linux,是广泛应用的理想选择。 这款双发射的RISC-V应用内核同时提供单核和多核配置,其配置选项使其性能比前几代产品提高了 2倍。

图4:Codasip A730处理器原理图。来源:Codasip
同时为了充分发挥使用通用指令集的优势,Codasip的客户不仅可以选择使用Codasip A730,还可以使用任一700系列的未来成员,抑或是选择Codasip广受好评的 L31处理器内核。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。