在企业加速推进基础设施现代化的进程中,为了满足人工智能等新兴工作负载的需求,从数据中心到网络,从边缘计算到个人电脑,对高性能和高能效的算力需求均呈现增长趋势。为了满足这一日益增长的需求,英特尔今日推出至强6性能核处理器,为广泛的数据中心和网络基础设施工作负载提供卓越性能,并以出色的能效,为数据中心的整合升级创造新机会。
英特尔临时联合首席执行官兼英特尔产品首席执行官Michelle Johnston Holthaus表示:“我们正致力于将性能卓越的产品推向市场,助力客户应对关键挑战并推动其业务发展。至强6系列是满足AI应用需求的首选CPU,同时也能提供突破性的网络功能,并以高能效帮助企业降低总体拥有成本。”
推出全新英特尔至强6处理器
最新发布的英特尔至强6处理器在数据中心和网络产品组合方面均取得了显著进展。
英特尔® 至强® 6700/6500性能核处理器,是现代数据中心的理想CPU,能够提供出色的性能与能效平衡。与上一代产品相比,至强6处理器在广泛的企业工作负载中实现了平均1.4倍的性能提升。作为AI系统的机头节点CPU,至强6可与GPU搭配,为客户提供优选组合。此外,它以更少的核心数量,提供高达1.5倍的AI推理性能提升。至强6处理器还具备出色的每瓦性能效率,以5年使用周期计,平均可以实现以一台新的服务器替代五台旧服务器,在某些用例中该比例可达10:1,从而节省高达68%的总体拥有成本(TCO)。
面向网络和边缘应用的英特尔至强6处理器是一款系统级芯片(SoC),旨在提供高性能和能效。在AI驱动的时代,凭借其内置的面向虚拟化无线接入网(vRAN)、媒体、AI和网络安全的加速器,满足对网络和边缘解决方案日益增长的需求。得益于英特尔vRAN Boost技术,与前几代产品?相比,至强6系统级芯片可带来高达2.4倍的RAN容量提升,和70%的每瓦性能提升。此外,至强6是首款内置媒体加速器——英特尔媒体转码加速器——的服务器SoC,相较于英特尔至强6538N处理器?,每瓦性能提升高达14倍。
满足AI应用需求的理想CPU
IDC表示,随着AI应用的日益普及,预计到2027年,各组织在生成式AI(GenAI)方面的支出将高达1530亿美元,而机器学习和分析的总支出将达到3610亿美元。英特尔至强6处理器经过优化,有望在这一蓬勃发展的市场中扮演重要角色,并可作为机头节点CPU,在传统机器学习、小型生成式AI模型和GPU加速工作负载中提供出色性能。英特尔正与芯片、软件和解决方案提供商携手共建AI生态系统,进一步提升至强6在广泛AI系统中支柱作用。
以卓越性能,助推电信网络现代化
5G和AI正在改变网络连接的方式,传统的网络优化策略已经无法满足需求。为了充分释放下一代网络连接技术的潜力,电信运营商正在积极采用网络切片、AI驱动的无线控制器和云原生架构等技术。通过采用统一的英特尔至强平台,运营商可以动态优化工作负载、降低成本,同时构建可扩展的、灵活的网络,以实时适应不断变化的客户需求、流量模式和市场动态。
英特尔至强6系统级芯片的主要性能亮点包括:
Webroot CSI上传模型的推理速度大幅提升,相比于英特尔至强D-2899NT处理器,提升最高可达4.3倍。
得益于vRAN Boost技术,单核AI RAN性能比上一代提升3.2倍。
在视频边缘服务器上,一个38核系统可同时支持多达38路摄像头视频流的int8推理。
全新以太网解决方案
为满足企业、电信、云、科学计算、边缘和AI应用日益增长的需求,英特尔还推出了两条全新的以太网控制器和网络适配器产品线。首批产品包括双端口25GbE PCIe和符合OCP 3.0标准的适配器,更多配置版本将于年内陆续推出。
英特尔以太网控制器E830和网络适配器提供200GbE的带宽、灵活的端口配置和出色的精准授时,包括精确时间测量(PTM)。该产品为高密度虚拟化工作负载进行了优化,可提供卓越的安全功能和性能。
针对控制平面操作优化,英特尔以太网控制器E610和网络适配器提供10GBASE-T连接,并具备出色的能效、可管理性和安全功能,从而简化网络管理,并为网络完整性提供重要保障。
英特尔至强6处理器与高性能以太网连接的结合,为企业加速创新、赢得竞争优势奠定了坚实的基础。
广泛的OEM合作伙伴和生态系统采用
英特尔至强6系列处理器已经在数据中心生态系统中得到广泛采用,截至目前,超过500款产品设计已经推出或正在开发中。这些服务器系统、软件解决方案和服务将通过全球卓越的合作伙伴提供给客户。
好文章,需要你的鼓励
这项研究提出了"交织式推理"方法,通过强化学习训练大语言模型在复杂推理过程中穿插输出中间答案。与传统的"先思考后回答"模式不同,这种方式让模型像人类一样边思考边给出阶段性结论,不仅将首词响应时间平均减少80%以上,还在某些任务上将准确率提升高达19.3%。研究表明,模型本身就具备交织推理的潜力,通过适当的奖励机制可以显著增强这一能力,并泛化到未见过的复杂推理任务中。
冯轶春、王嘉伟等研究人员开发了DoctorAgent-RL,一种基于强化学习的多智能体协作医疗对话系统,彻底改变了AI医疗咨询模式。与传统单轮问答系统不同,该系统通过医生智能体与患者智能体间的多轮互动,动态优化提问策略,实现主动信息收集。实验表明,DoctorAgent-RL在诊断准确率和临床推理能力上均优于现有模型,展示了在辅助临床咨询中的实际应用价值。
这篇研究介绍了DC-CoT,首个专门评估数据操作如何影响思维链(CoT)知识蒸馏的基准系统。北卡罗来纳大学教堂山分校等机构的研究者使用多种教师模型(如Gemini-Pro、Claude-3.5)和学生架构(3B-7B参数),系统评估了数据增强、选择和混合对学生模型在多个推理任务上的表现影响。研究发现数据增强(尤其是逆向思维)最为有效,不同任务需要不同的最优策略组合,且存在"小模型学习能力差距"—较小学生模型可能从匹配其容量的较小教师中学习更有效。
这项由普林斯顿大学和加州大学欧文分校研究人员完成的研究揭示了一个令人担忧的发现:恶意行为者可以利用多种自由度来增强AI网络安全助手的攻击能力,且无需外部帮助。研究表明,即使只有约36美元的计算预算,这些改进也能使性能提高40%以上。这一发现对网络安全风险评估提出了新要求:必须从动态角度考虑AI系统可能被改进的各种途径,而非仅进行静态评估。