Developer Cloud能否夺走英伟达的风头?
英特尔正努力对外发布尚在开发的硬件,同时辅以对开源的高度重视,希望借此将自身与竞争对手区分开来、吸引更多开发人员使用其云方案。
英特尔Developer Cloud集团副总裁Markus Flierl是一位资深IT专家,曾在Sun被甲骨文收购之后在英伟达担任过GPU云基础设施负责人,而他的下一份工作就是来到英特尔。
Flierl参加了最近召开的Kubecon Europe 2024大会,并在采访当中强调英特尔的路线同AI骄子英伟达有着“根本不同”。
他指出,“一切都是开放的。我们热情鼓励社区参与进来并与我们合作,而不像英伟达那样仍在追求专有度更高的战略。”
但平心而论,英伟达也是众多开源项目的重要贡献者,包括Kubernetes、Docker乃至Linux内核项目等。
英特尔最近开源了由Intel Granulate开发的Continuous Profiler,借以提高CPU性能。相关理论认为,开发团队可以运行优化代理以发现代码中的瓶颈,进而提高应用程序的执行效率。
这样的慷慨立场也将使英特尔受益,最终吸引更多软件针对英特尔硬件进行优化。
Flierl表示“确实如此。我认为与一部分竞争对手相比,我们的最大区别在于保持高度开放。我们相信社区与合作,而目前只是我们的态度体现之一。我们希望人们能够优化软件,并最大限度利用我们的硬件。”
英特尔的Developer Cloud将允许开发人员访问其最新硬件,甚至能够比云领域的竞争对手提前几个月接触到芯片。但必须承认的是,英特尔在数据中心覆盖范围方面仍无法与各大云巨头相提并论。
Flierl解释称,“我们目前的数据中心主要位于北美,而且是租来的。但这只是时间问题,毕竟我两年前才加入英特尔,而建设一处数据中心往往需要三年时间。”
“而且对于承载AI需求的数据中心来说,建设工作也变得越来越困难……这些都是极度耗电的工作负载。”
我们询问是否有一家芯片巨头,能够设计出以更低功耗完成更多工作的芯片。
Flierl笑着回答,“也许可以尝试用Granulate来优化性能。”
谈到英特尔的下一处数据中心选址,Flierl表示“目前看可能不会选在北美。我们正在欧洲物色数据中心位置,同时也在考虑亚太地区。”
“我们还在考虑与当地供应商建立合作伙伴关系,帮助我们借对方的基础设施运营主权云。”
Flierl将英特尔的Developer Cloud计划称为“一条双向道路。”
“一方面,我们希望尽早接触战略客户;另一方面,通过直接与最终客户对接,我们也能直接获得反馈。”
“传统上,我们的模式是向OEM销售,再向CSP销售,最后由他们向最终客户销售……而现在这种方式的好处就是我们能直接与最终客户对接。”
“我们是世界上唯一一家亲自设计芯片、制造芯片并将其以云服务形式交付的公司。”
然而,英特尔仍未能打造出自己的AI芯片。
Flierl坦言,“的确如此。谷歌原研开发了自己的TensorFlow芯片,但根本不对外销售。只能说英特尔在某些方面仍具有一些独特优势。”
那么英特尔的种种安排能否说服开发人员选择其云方案,而非竞争对手的同类选项?Flierl对此抱有信心,并认为Developer Cloud服务的最大卖点,就是跨越裸机Xeon到托管Kubernetes的出色灵活性。
他总结道,“大家可以访问堆栈中的不同层,具体取决于想要执行何种操作……之后,这些服务能够跨不同实例类型使用,这样用户就能看到当前工作负载在不同CPU上运行情况如何、在Gaudi上运行情况如何、在GPU上运行情况如何等。最后根据看到的结果,对工作负载进行针对性优化。”
好文章,需要你的鼓励
企业AI搜索公司Glean宣布年度经常性收入(ARR)达3亿美元,较15个月前的1亿美元增长三倍。尽管谷歌、微软、OpenAI等科技巨头纷纷入局企业AI搜索市场,Glean凭借"上下文图谱"技术深度理解企业业务需求,并帮助客户显著降低AI计算成本。该公司提供按用量计费和混合定价两种模式,客户涵盖Databricks、Reddit、Pinterest及三星等企业。Glean上轮融资后估值达72亿美元。
香港中文大学与MiniMax提出ClaimDiff-RL框架,将图像描述的AI训练从整体打分升级为逐条核查,有效解决了传统方式导致AI"少说保平安"的问题,同时在多项基准测试上超越Gemini-3-Pro-Preview。
杰夫·贝索斯旗下的蓝色起源公司在佛罗里达卡纳维拉尔角进行静态点火测试时,新格伦重型火箭发生爆炸。这是美国历史上最大规模的火箭爆炸之一,也是蓝色起源公司遭遇的最严重失败。所有人员安全,但该事故可能导致新格伦火箭项目长期暂停。此前该火箭已成功完成三次发射,并实现了助推器回收和重复使用。
ParaVT是一个由南洋理工等多校联合提出的并行视频工具调用框架,通过让AI同时分析多段视频并引入PARA-GRPO算法解决训练中的格式崩溃与工具跳过问题,在六项长视频理解测试中平均提升约7.9%。