英特尔公司今日正式发布了Panther Lake系列笔记本处理器,该系列基于其最新的英特尔18A制造技术。
这些芯片将在公司新开设的位于亚利桑那州钱德勒的Fab 52工厂生产。英特尔还将使用该设施制造即将推出的服务器处理器系列Clearwater Forest。该系列芯片将提供高达288个核心。
"我们的下一代计算平台,结合我们领先的工艺技术、制造和先进封装能力,是我们在构建新英特尔过程中业务创新的催化剂,"英特尔首席执行官谭利普表示。
英特尔的18A制造工艺基于环栅极或GAA设计生产晶体管,可减少电流泄漏。这有助于提高芯片的能效。向18A芯片传输电力的微小导线位于晶体管下方,而不是像早期英特尔产品那样位于上方,这提升了处理速度。
Panther Lake系列包含三款片上系统。该系列中最先进的SoC包含16核中央处理器。其中有4个针对性能密集型任务优化的P核,8个以较低功耗换取部分速度的E核,以及4个耗电量更少的LP E核。
Panther Lake的CPU在一个包含多个计算模块的芯片上实现。据英特尔介绍,其中包含一个神经处理单元,每秒可执行高达50万亿次操作。它由优化处理多媒体数据的加速器和容量为8兆字节的内存侧缓存支持。
承载Panther Lake CPU的芯片与另外两个芯片集成。其中一个是具有多达12个核心和12个光线追踪单元的图形处理单元。第三个芯片,即所谓的平台控制器芯片,包含Panther Lake用于管理其主机笔记本电脑中数据流的组件。这些组件支持Wi-Fi、蓝牙、USB、雷电和PCIe连接。
Panther Lake的三个主要芯片位于作为基础层的第四个芯片上。它们使用英特尔的Foveros互连技术相互交换数据。
Panther Lake系列中的所有三款处理器都基于相同的四芯片设计。区别在于旗舰处理器包含具有12个核心和12个光线追踪单元的GPU,而其他处理器的GPU只有4个核心和4个光线追踪单元。此外,入门级Panther Lake芯片包含8核CPU,而不是其他两款处理器配备的16核CPU。
英特尔表示,该芯片系列相比其上一代笔记本处理器有显著改进。据该公司称,Panther Lake的CPU和GPU在某些任务上的性能都能提升50%。此外,与去年的Lunar Lake笔记本SoC系列相比,这些处理器的能耗降低了10%。
英特尔预计首批Panther Lake设备将在今年晚些时候开始出货。该公司计划在2026年上半年推出其首个基于18A技术的服务器处理器产品线。Clearwater Forest芯片系列将提供17%的每周期指令增长,这是衡量性能的一个指标。该系列处理器将包含多达288个针对能效优化的E核。
Q&A
Q1:Panther Lake处理器有什么特点?
A:Panther Lake是英特尔基于18A制造技术的笔记本处理器系列,采用四芯片设计,包含16核CPU、12核GPU和神经处理单元。相比上一代产品,CPU和GPU性能提升50%,能耗降低10%。
Q2:英特尔18A制造工艺有什么优势?
A:18A制造工艺采用环栅极设计,可减少电流泄漏并提高能效。导线位于晶体管下方而非上方,能够提升处理速度。这是英特尔最新的制造技术。
Q3:Clearwater Forest服务器芯片什么时候发布?
A:英特尔计划在2026年上半年推出基于18A技术的Clearwater Forest服务器处理器系列。该系列将提供高达288个E核,性能相比前代提升17%。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。