微软发布了一项突破性的冷却技术,可能从根本上改变AI芯片的散热方式,有望彻底革新数据中心的设计和效率。
这家科技巨头表示,已通过"微流控"技术实现了芯片级冷却——这是一种AI辅助技术,在硅芯片本身嵌入液体通道。微软称该技术可使GPU硅芯片的最高温度降低65%,据称比传统冷板冷却效果好三倍。
微软表示,这一冷却突破可以降低运营成本,并成为衡量数据中心能效的关键指标。
微软云运营和创新企业副总裁兼首席技术官Judy Priest在声明中说:"微流控技术将允许更高功率密度的设计,这将启用客户关心的更多功能,并在更小空间内提供更好性能。"
**通过仿生学实现冷却**
微流控系统在芯片背面直接蚀刻微小通道(见主图),让液体直接流动以在热源处移除热量。目前GPU冷却的行业标准使用冷板,但冷板与热源之间被数层材料分隔,限制了散热量。随着芯片速度更快、功能更强大,产生的热量也会增加。
微软云运营和创新高级技术项目经理Sashi Majety在博客文章中说:"如果你仍然严重依赖传统冷板技术,你就会陷入困境。"
在微流控原型设计期间,微软与瑞士初创公司Corintis合作,在仿生设计上使用AI优化。芯片上蚀刻的通道类似叶脉,公司称这能产生更高效的冷却路径。
Moor Insights & Strategy副总裁兼首席分析师Matthew Kimball在邮件采访中说:"微软在微流控方面的工作可以显著改变芯片冷却的交付方式,并具有很强的颠覆性。我很想看到英伟达、AMD、英特尔等公司的一些信号,表明这是一个更大的行业趋势。"
该公司计划仅在本季度就在基础设施上投资300亿美元以满足AI需求,包括开发用于数据中心工作负载的Cobalt和Maia芯片。微软希望在未来几代自研硅芯片中融入微流控冷却技术。
微软技术研究员兼Azure企业副总裁Ricardo Bianchini说:"如果微流控冷却能用更少电力为数据中心降温,这将减轻对附近社区能源网格的压力。"
瑞士IT咨询公司CTOL Digital Solutions首席执行官Max Zhang在LinkedIn帖子中称微流控技术"突破性"。他写道:"微软的方法不仅提升了芯片性能,还改善了效率——提供的潜在散热效果比传统系统好三倍。这一创新可能会设定行业标准,并释放更密集、更高性能的芯片设计……投资者应密切关注;消除热量的竞争将定义下一波科技巨头。"
**空心光纤的速度优势**
微软还表示将扩大其新网络电缆产品的可用性,该产品承诺提供快速的AI和云连接。空心光纤(HCF)与传统单模光纤(SMF)相比,数据传输速度快47%,延迟低33%。
微软与康宁和贺利氏合作,正在扩大HCF的制造规模,以在Azure全球网络中部署——为其全球互联网基础设施创建新标准。
微软云网络工程经理Jamie Guadett在声明中说:"这一里程碑标志着重新构想云物理层的新篇章。"
Q&A
Q1:微软的微流控冷却技术是如何工作的?
A:微流控技术在芯片背面直接蚀刻微小通道,让液体直接流动以在热源处移除热量。这些通道类似叶脉结构,采用仿生学设计,通过AI优化产生更高效的冷却路径,可使GPU芯片最高温度降低65%。
Q2:微流控技术比传统冷却方式有什么优势?
A:微流控技术比传统冷板冷却效果好三倍,因为传统冷板与热源之间被数层材料分隔,限制了散热量。微流控技术允许更高功率密度的设计,在更小空间内提供更好性能,同时降低运营成本和减轻能源网格压力。
Q3:空心光纤技术有什么特点?
A:微软的空心光纤(HCF)与传统单模光纤相比,数据传输速度快47%,延迟低33%。微软正与康宁和贺利氏合作扩大制造规模,计划在Azure全球网络中部署,为全球互联网基础设施创建新标准。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
查尔斯大学和意大利布鲁诺·凯斯勒基金会的研究团队首次系统性解决了同声传译AI系统延迟评估的准确性问题。他们发现现有评估方法存在严重偏差,常给出相互矛盾的结果,并提出了YAAL新指标和SOFTSEGMENTER对齐工具。YAAL准确性达96%,比传统方法提升20多个百分点。研究还开发了专门的长音频评估工具LongYAAL,为AI翻译技术发展提供了可靠的测量标准。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
印度理工学院团队构建了史上最大规模印度文化AI测试基准DRISHTIKON,包含64288道多语言多模态题目,覆盖15种语言和36个地区。研究评估了13个主流AI模型的文化理解能力,发现即使最先进的AI也存在显著文化盲区,特别是在低资源语言和复杂推理任务上表现不佳,为构建文化感知AI提供了重要指导。