本周一Red Hat Enterprise Linux for ARM正式推出,突显了英特尔x86-64平台在数据中心面临越来越激烈的竞争。
Red Hat在2015年首次公布了Linux for ARM的预览版,尽管该软件已经在使用多年时间了。自从这个预览版落地以来,Red Hat就在与高通等合作伙伴密切合作,后者刚刚推出了面向云提供商基于ARM SoC的Centriq 2400产品线,还有HPE也刚刚推出了首款基于ARM的HPC系统——Apollo 70。
Red Hat Enterprise Linux 7.4 for ARM是首个针对这个CPU架构的商业版RHEL。去年SUSE抨击Red Hat称,SUSE在出货完整的商用服务器级ARM Linux发行版产品方面击败了RHEL。
本周在一次采访中,Red Hat首席产品营销经理Yan Fisher解释说,Red Hat的多平台战略要追溯到12年或者13年前,那时候Red Hat一开始是与IBM围绕Power和Z系统合作的。
他说:“当我们意识到ARM将要成为这个领域一个强大的玩家时,我们就开始投资了。”
Red Hat首席ARM架构师Jon Masters表示,ARM团队成立于2011年3月1日。他回忆当时是把一个BeagleBoard与一个32位ARM芯片结合,后来某个时间点这个硬件转变为一台服务器。
“它必须是64位的,因为没有人想要32位的服务器,”他这样解释说。
英特尔的x64芯片将继续统治数据中心,但是随着64位ARMv8-A和其他支持功能的崛起,ARM硬件似乎得到了很多企业客户的青睐,让这个市场不太过于倾向一方。这一点得到了证明:英特尔去年宣布计划提供针对移动芯片的ARM技术许可。
Fisher表示,这种转变不会在一夜之间发生,也不是要取代其他架构,这是为创新——特别是专有的ARM设计——提供空间。
Fisher说:“我们正处于行业的拐点,人们需要有不同的解决方案选择。这使我们的客户能够从一个版本的硬件转向一个,并继续享受创新成果。”
最近由印度科学院计算与数据科学系Jayanth Kalyanasundaram和Yogesh Simmhan撰写的一篇研究论文,把AMD 64位基于ARMv8的A1170 SoC与AMD基于x64的Opteron 3338进行了对比。
该研究发现,AMD ARM服务器在基于整数和小型浮点工作负载方面与x86设备的性能相当。在更大型的浮点任务方面,AMD ARM芯片的FPU限制了其性能,但是研究人员指出,通过针对数据并行性调整Hadoop,ARM64硬件的性能可接近于x64设备。
基于ARM的服务器亮点在于能耗。该研究报告指出:“有能耗分析显示,ARM64服务器比x64服务器的基本能源负载要低3倍,即使在运行大数据应用的时候,增量负载也有类似的减少。我们还看到EDP[Energy Delay Product]方面,ARM64要比x64服务器高出71%。”
Kalyanasundaram和Simmhan表示,能耗在“是云数据中心运营成本中一个主要部分”,这使得ARM架构对于那些在意电费的人来说很有吸引力。
好文章,需要你的鼓励
亚马逊宣布向Anthropic追加50亿美元投资,分析师指出此举更多是为解决AI算力瓶颈。根据协议,Anthropic将锁定AWS最高5吉瓦的Trainium芯片算力,包括新一代Trainium 3和Trainium 4。此前Anthropic因容量不足被迫限流,此次扩容将提升用户并发支持能力。协议还涵盖亚欧地区推理算力扩展。分析师指出,此类交易已超越传统风险投资范畴,本质是"供应链融资"——将股权投资与云计算承诺捆绑,以锁定客户并确保资本回报。
这篇由清华大学、香港大学、美团LongCat团队等机构联合发布于2026年4月的综述(arXiv:2604.10098),是关于Transformer"注意力沉积"(Attention Sink)问题的首篇全面系统性研究。注意力沉积是指AI模型将大量注意力集中到语义无关的词上的普遍现象。综述梳理超过180篇研究,围绕"如何利用、如何解释、如何消除"三个维度构建了完整知识体系,涵盖大语言模型、视觉Transformer、多模态模型等多种架构,为AI推理效率、幻觉治理和低精度部署提供了系统性指导。
前微软工程师Dave Plummer是任务管理器的原始开发者,他近日解释了CPU使用率显示背后的原理。任务管理器并非实时读取CPU数值,而是通过定时器采样,计算两次采样间的CPU累计执行时间差来估算使用率。这一方法在早期静态时钟频率的CPU上表现良好,但在现代CPU动态调频、核心休眠等机制普及后,显示结果更接近"占用率"而非真实"生产力",导致数字有时显得不够精准。
这项由加州大学圣地亚哥分校等多家机构联合发布于2026年4月的研究(arXiv:2604.11201),推出了名为COCOABENCH的AI综合能力测试平台,包含153道需要同时运用视觉理解、网络搜索和编程三种能力的真实任务,并配套轻量级测试框架COCOA-AGENT。测试发现,当前最强AI系统成功率仅为45.1%,主要失败原因集中在推理规划、工具执行和视觉感知三大方面,揭示了现有AI距离"真正全能数字助手"仍有显著差距。