英特尔副总裁Kristie Mann近日在Storage Field Day活动中透露,英特尔很快即将发布第三代Optane产品,并且正在开发Optane系列的另一个迭代版本。
Optane是英特尔对3D XPoint技术的一种实施,该技术最终是英特尔与美光合作开发的。去年,美光退出了3D XPoint芯片和驱动器制造业务,并出售了位于美国犹他州莱希的XPoint代工厂,此前这个代工厂主要是为英特尔提供组件。第一代XPoint之后,第二代于2020年推出,用于SSD版本代号为Alder Stream,用于持久内存的版本代号为Barlow Pass。
Mann在演讲中表示,英特尔“即将公布第三代技术,并致力于开发下一代支持CXL内存分层的产品”,这与英特尔本月早些时候透露的信息是吻合的。Mann的团队上周五还谈到了两个新的Optane用例,但没有给出更多关于第二代和第三代产品或者时间表的信息。
英特尔内存分层技术的时间线
据悉,英特尔正在与VMware展开密切合作,开发使用Optane持久内存的vSphere和相关软件。英特尔方面提及了Capitola项目,并且英特尔也在与其他虚拟机管理程序厂商进行合作。当被问及这些合作伙伴关系时,英特尔云架构顾问Flavio Fomin说,“是的,除了VMware之外还有很多”。在他看来,“分层内存将是新常态”,这意味着DRAM将被视为零层内存,Optane持久内存作为第一层。
估计虚拟机管理程序需要进行调整,利用DRAM和XPoint内存之间的差异,而无需更改应用级的代码,我们猜测有微软Hyper-V、Nutanix AOS和Red Hat KVM可能都在与英特尔合作支持Optane持久内存。
使用实例
第一个新的使用实例,是英特尔内部的示例,涉及搜索通过Kafka和Splunk摄取的数据,并将信息存储在具有650TB Optane SSD和QLC NAND SSD的VAST Data系统中。在使用直连SSD的HP Ezmeral系统上搜索这些数据需要29.5秒,在英特尔配置的系统上需要25.1秒。我们注意到,VAST的软件减少了已经压缩过的Splunk数据量,650TB VAST Box可以存储超过1.6PB的Splunk数据。
第二个使用实例是大规模的相似度搜索,百度、eBay、亚马逊、YouTube等网站通过这种方法进行搜索推荐,这个过程涉及到要搜索十亿到万亿个项目的数据集,数据存储为特征向量,单独存储为图形。英特尔首席工程师Jawad Khan博士表示,英特尔在NeurlPS 2021 的Billion-Scale Approximate Nearest Neighbor Search Challenge中赢得了一项指标冠军。
英特尔的技术与竞争对手相比较
他对比了配备512GB DRAM和2TB Optane持久内存的双路28核英特尔至强服务器,市价为14,664美元,以及配备Nvidia A100 GPU、双64核AMD主机处理器、2TB DRAM的服务器,总系统成本约150,000美元。
在相同的性能水平下,Optane系统的成本比Nvidia系统低8到19倍。
我们认为,英特尔仍然致力于推动Optane及其3D XPoint技术的发展,大力扩展支持合作伙伴生态系统,推进密度更高的第三代和第四代XPoint技术,这意味着英特尔正在制定或者已经制定了相关的生产计划,已经有了关于第二代持久内存和SSD产品系列的详细计划,以及概览了第四代同类产品。
Optane路线图
本月晚些时候或者四月将会有更多的信息,预计届时Crow Pass XPoint产品将亮相。
好文章,需要你的鼓励
这项由复旦、港科大等多校联合完成的研究首次系统性地解决了大型AI模型在识别场景文字时产生"语义幻觉"的问题。研究团队发现AI模型常将视觉上模糊的文字"脑补"成有意义但错误的词汇,并开发了包含ZoomText定位策略和接地层修正机制的训练无关解决方案,在多个基准测试中实现显著性能提升,为提高AI视觉系统可靠性提供了重要突破。
IBM研究院发布AssetOpsBench,全球首个工业资产AI代理评估平台。该研究建立了多代理协作框架,涵盖IoT数据采集、时序分析、故障诊断等专业模块,通过141个真实场景和六维评估标准测试AI在复杂工业运维中的表现。测试显示当前AI技术仍有改进空间,为工业4.0时代的智能运维发展提供重要基准。
韩国科学技术院研究团队开发出Simba方法,通过层次化稀疏化技术对状态空间模型进行"瘦身",在保持性能的同时显著提升计算效率。该方法采用类似高速公路的架构设计,让AI模型的上层只处理最重要的信息,实现了最高80%的速度提升和更好的长序列处理能力。这项即插即用的技术为AI模型优化提供了新思路。
这项研究展示了一个基于ModernBERT架构的prompt injection检测模型,通过精心构建的多样化数据集训练,在内部测试中达到98.7%准确率和98.0% F1分数,在公开基准测试中平均F1分数达93.8%,显著超越现有最强基线系统。该模型推理速度仅0.02秒,具备实时检测能力,为AI系统安全防护提供了新的解决方案。