Brad Theilman 面对镜头,背景中 Felix Wang 正在拆封一批新的 SpiNNaker2 计算核心。 这项成果是 Sandia 与 SpiNNcloud 合作的产物,将成为双方合作推出的全球首个商业产品。 此项目由 NNSA 的 Advanced Simulation and Computing (ASC) 项目资助,旨在探索如何利用神经形态计算支持国家核威慑任务。 SpiNNaker 为 “Spiking Neural Network Architecture” 的缩写,是一款受大脑启发而设计的神经形态计算机,专用于大规模、实时模拟类脑应用。 该技术不仅能模拟大规模类脑网络,增进科研人员对大脑的理解,同时也为检验当前计算能力的极限提供了一个框架。 图片由 Craig Fritz 拍摄。
桑迪亚国家实验室已启动其 SpiNNaker 2 “类脑”超算,该系统摒弃了 GPU 与内部存储。
该系统由德国 SpiNNcloud 提供,将位居前五名的 “类脑”平台之列,其模拟的神经元数量介于 1.5 亿至 1.8 亿之间。
这一架构最初由 Arm 先驱 Steve Furber 开发,虽然其神经元数量明显低于人脑的 1000 亿神经元。
正如 SpiNNcloud 解释的那样,SpiNNaker 2 的高度并行架构在每块服务器板上集成 48 枚 SpiNNaker 2 芯片,每枚芯片均配备 152 个基于核心和专用加速器。
每枚芯片配备 20 MB 的 SRAM,每块板上配置 96 GB 的外部 LPDDR4 内存。 因此,一套 90 块板的系统总共拥有 8640 GB 的 DRAM,而一套 1440 块板的系统则拥有 69120 枚芯片和 138240 TB 的 DRAM。
毋庸置疑,该系统采用高速芯片间通信。 SpiNNcloud 表示,这一设计连同庞大的内存容量,共同消除了对集中式存储的需求。
DRAM 加速
对于桑迪亚来说,他们已接收到一套由 24 块板、175000 个核心构成的系统。 据 SpiNNcloud 介绍,“这台超算已接入现有的 HPC 系统,且内部不包含操作系统或磁盘。其速度优势在于数据始终保存在 SRAM 和 DRAM 中。”
标准的平行以太网端口“足以加载/保存数据。” SpiNNcloud 还表示,“当前最大系统”拥有超过 10500000 个核心,这意味着其能够实现生物学意义上的实时运算。
此外,与 GPU 系统相比,该系统在能效上更为出色,能够支持复杂事件驱动的计算和模拟。
SpiNNcloud 联合创始人兼 CEO Hector A. Gonzalez 表示,该系统将主要针对“下一代国防及其他领域”中的问题。 SpiNNaker2 的效率提升使其特别适合满足国家安全应用中对计算性能的严苛需求。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。