芯片设计初创公司 Baya Systems Inc. 今日宣布完成 3600 万美元融资,用于支持其业务增长并加速软件产品组合的开发,以满足新兴"芯片组"经济的需求。
本轮 B 轮融资由 Maverick Silicon 和 Synopsys Inc. 领投,现有投资者 Matrix Partners 和 Intel Capital 也参与其中。
随着人工智能的发展,所谓的芯片组或片上系统 (SoC) 变得越来越受欢迎,因为 AI 需要极其高效的数据移动和计算密度。SoC 将各种半导体组件结合在一起,包括中央处理器、图形处理器、神经网络加速器和其他类型的芯片,以创建更高效的计算平台。然而,将如此多的不同组件放在单个硅片上的挑战之一是需要确保各个部件之间能够快速移动数据的高效设计。
芯片制造商通过将片上网络 (NoC) 技术与其 SoC 集成来解决这个问题。NoC 是专门的组件,可以在芯片上移动数据,同时最大限度地减少连接所有组件所需的资源。
它们跨越 SoC,但挑战在于多芯片实现——即公司希望连接大型 SoC 集群以运行更强大的应用程序和工作负载。简而言之,当 NoC 需要与其他 NoC 通信时,效果并不理想。
Baya Systems 表示,他们开发了一种"革命性的"芯片组优化 NoC 和物理链路 (PHY) 互连解决方案来解决这个挑战。该公司表示,虽然现在可以通过 PHY 连接单个芯片组上的 NoC,但这样做效率低下。
这就是为什么该公司提出了一种新方法,将各种 NoC 整合到一个"统一结构"中,使其像单个智能全局 NoC 一样运作。根据 Baya Systems 的说法,其技术有助于降低延迟,提高 NoC 间通信的带宽和吞吐量,同时在多芯片设计中提供更大的流量路由灵活性。
Baya Systems 创始人兼首席执行官 Sailesh Kumar 博士表示,复杂 SoC 和结合 CPU、GPU 及其他加速器的芯片组的设计师通常会依赖"暴力"解决方案,他认为这是不可持续的。
"存在太多风险,例如高昂的重新设计成本、扩展困难,以及可能推出性能不佳的产品,"他说。"Baya 以性能为中心的软件方法,结合我们独特的传输和模块化结构 IP,从一开始就设计用于生产在构建时就正确的复杂多芯片解决方案,并简化设计流程。"
Baya Systems 表示,其技术优化并简化了芯片组通信,使系统设计师能够专注于系统的增值部分。换句话说,芯片设计师可以转而专注于使其芯片组变得更强大。
Maverick Silicon 董事总经理 Andrew Homan 表示,AI 的挑战不在于提供计算能力,而在于实现无缝数据移动。"Baya Systems 团队凭借 WeaverPro、WeaveIP 和其他解决方案,在行业中独特地填补了这一关键空白,"他说。
Baya Systems 表示,其软件的早期采用者包括 AI 芯片初创公司 Tenstorrent Inc.,该公司最近筹集了 6.93 亿美元的后期融资,以推动其与 Nvidia Corp. 竞争的雄心。该公司正在基于 RISC-V 架构设计更经济的 AI 加速器,消除了对高内存带宽等昂贵组件的需求。
该初创公司表示,计划在今年晚些时候宣布与更多芯片制造商的合作。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。