芯片初创公司SiFive Inc.今日发布四款专为运行人工智能模型优化的新型中央处理器核心。
总部位于加利福尼亚州圣克拉拉的SiFive在2022年最新一轮融资后估值达25亿美元。该公司基于开源RISC-V指令集架构(ISA)开发CPU设计。ISA定义了芯片混合匹配处理数据时使用的底层计算操作集合。
SiFive的新核心通过添加向量扩展来扩展RISC-V的功能集。这些组件使芯片能够更高效地同时处理多个数据点。并行计算能力可以显著加速大语言模型,这些模型使用大量相对简单的计算来处理数据。
新产品线以X160和X180为主打。两款设计都包含向量处理功能,可加速卷积运算,这是计算机视觉模型处理图像时使用的计算。这些功能还可以加速某些数据过滤和转换任务。
X160和X180都可配置为运行实时操作系统。这是一种确保计算始终在预定时间内完成的操作系统,对某些系统很重要。例如,制造商可能希望保证工厂传感器在检测到设备故障后的三秒内总是产生警报。
X160配备高达200千字节的缓存和2兆字节内存。除了工业设备,SiFive还认为该芯片可用于健身追踪器等消费设备。此外,X160可以安装在包含多个AI加速器的系统中,用于管理芯片和阻止固件篡改。
X180比X160快10%。它还可以通过两个内置缓存存储更多数据,总容量超过4兆字节。据SiFive称,该芯片适用于训练大语言模型和为某些类型的数据中心设备供电。
该公司今日发布的另外两款核心是现有设计的升级版本。X280面向增强现实头显等消费设备,而X390还可以为汽车和基础设施系统供电。后者的向量处理速度提高了四倍。
据SiFive介绍,其工程师通过新的协处理器接口增强了这两款设计。该技术将使核心更容易集成到同样包含AI加速器的片上系统中。此外,该公司还升级了X280和X390的内存子系统以减少延迟。
SiFive预计客户将在2026年第二季度开始生产基于其新核心设计的芯片。
Q&A
Q1:SiFive的RISC-V处理器核心有什么特点?
A:SiFive基于开源RISC-V指令集架构开发CPU设计,新核心通过添加向量扩展来提升功能,使芯片能够更高效地同时处理多个数据点,从而显著加速人工智能模型的运行。
Q2:X160和X180处理器核心主要应用在哪些场景?
A:X160配备200千字节缓存和2兆字节内存,适用于工业设备、健身追踪器等消费设备,以及管理多AI加速器系统。X180性能比X160快10%,缓存容量超过4兆字节,主要用于训练AI模型和数据中心设备。
Q3:SiFive什么时候能量产这些新的处理器核心?
A:据SiFive预计,客户将在2026年第二季度开始生产基于其新核心设计的芯片。目前这些设计还处于发布阶段,需要时间进行系统集成和制造准备。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。