传言苹果即将推出的高端M5 Pro和M5 Max处理器将采用与M5不同的全新架构设计,旨在提升可扩展性。这两款芯片预计将首次搭载在下一代MacBook Pro产品中。
这种架构变革将使芯片加速更加容易和高效,同时减少发热量,可能还会提升电池续航时间。为了实现这一目标,据传苹果已从TSMC为M5采用的片上系统(SoC)布局转向定制版本的TSMC片上集成芯片水平封装布局,称为SoIC-MH。
现有架构的局限性
在苹果M5采用的SoC架构中,除内存外的所有组件都在单一芯片上整体制造,然后连接到系统内存。苹果本质上一直通过组合多个芯片来实现Pro、Max和Ultra芯片的性能提升。
这就是为什么Max和Ultra芯片的GPU核心数量通常是两个低端版本的两倍。但这一直是一种相当低效且缺乏灵活性的性能扩展方式。
TSMC的SoIC制造工艺为选定的功能组创建独立的芯片(或小芯片),然后通过微小的高速连接链接到单一封装中,并与内存结合形成最终芯片。
对于苹果而言,预期是将GPU移至独立的小芯片上,使其性能扩展能够独立于CPU进行。这一点至关重要,因为对张量处理(用于人工智能)和图形处理能力的需求正在快速增长,而对高性能CPU的需求目前相对较少。
SoIC通常采用堆叠小芯片设计,允许最小且因此最快的互连。但苹果可能使用定制的SoIC-MH布局,将小芯片布置在主芯片旁边而非堆叠。
性能影响预测
在缺乏确切信息的情况下,很难预测这种变化对性能会产生多大影响。
例如,苹果可以在某些系统配置中减少GPU核心数量而非增加,尽管我真的怀疑苹果会想要降低性能。此外,这种布局可能会改变苹果对CPU核心数量的选择,这取决于苹果如何处理芯片上释放的空间,或者公司是否选择缩小芯片尺寸。
但当苹果为Mac Pro发布M1 Ultra时,我看到它只使用集成图形后的第一个想法是,这不是一个很好的长期芯片架构策略。
每一代产品中,我都在等待问题的暴露:M系列仍然不支持独立显卡,只支持芯片的集成GPU,这意味着公司需要更好的方法来随时间增加片上GPU功率。苹果通过在M5的每个GPU核心中添加神经加速器来解决人工智能张量处理需求,但每核心一个加速器的方法也是一条缓慢的道路。
我不知道GPU小芯片是否是解决这些问题的最佳方案,但这有望让苹果在GPU中塞入尽可能多的核心,而不受芯片上固定可用空间的限制。反过来,这可能使苹果能够提供一款14英寸MacBook Pro,在大型机器学习工作负载方面真正具有竞争力。
如果苹果真的实施这种类型的架构,那么我们肯定会在全球开发者大会(苹果的年度开发者会议)上看到M5 Pro和Max系统,因为苹果需要再次激发开发者对游戏和人工智能的热情。
考虑到内存严重短缺等障碍对笔记本电脑价格的压力,以这种方式提供GPU和CPU性能解耦的芯片选项的能力可能有助于控制成本,或者至少让你更容易在预算范围内从细分配置选项中做出选择。
Q&A
Q1:苹果M5 Pro和M5 Max芯片与M5有什么不同?
A:M5 Pro和M5 Max预计将采用全新的架构设计,从传统的片上系统(SoC)布局转向TSMC的SoIC-MH布局。这种变化将提升可扩展性,使芯片加速更容易高效,同时减少发热量并可能提升电池续航。
Q2:为什么苹果要改变芯片架构设计?
A:现有架构通过组合多个芯片来提升性能,这是低效且缺乏灵活性的扩展方式。新架构将GPU移至独立小芯片,使其性能扩展能够独立于CPU进行,这对满足快速增长的人工智能和图形处理需求至关重要。
Q3:这种新架构对MacBook Pro用户有什么好处?
A:新架构可能使14英寸MacBook Pro在大型机器学习工作负载方面更具竞争力,同时提供GPU和CPU性能解耦的芯片选项,有助于控制成本,让用户更容易在预算范围内选择合适的配置。
好文章,需要你的鼓励
企业AI搜索公司Glean宣布年度经常性收入(ARR)达3亿美元,较15个月前的1亿美元增长三倍。尽管谷歌、微软、OpenAI等科技巨头纷纷入局企业AI搜索市场,Glean凭借"上下文图谱"技术深度理解企业业务需求,并帮助客户显著降低AI计算成本。该公司提供按用量计费和混合定价两种模式,客户涵盖Databricks、Reddit、Pinterest及三星等企业。Glean上轮融资后估值达72亿美元。
香港中文大学与MiniMax提出ClaimDiff-RL框架,将图像描述的AI训练从整体打分升级为逐条核查,有效解决了传统方式导致AI"少说保平安"的问题,同时在多项基准测试上超越Gemini-3-Pro-Preview。
杰夫·贝索斯旗下的蓝色起源公司在佛罗里达卡纳维拉尔角进行静态点火测试时,新格伦重型火箭发生爆炸。这是美国历史上最大规模的火箭爆炸之一,也是蓝色起源公司遭遇的最严重失败。所有人员安全,但该事故可能导致新格伦火箭项目长期暂停。此前该火箭已成功完成三次发射,并实现了助推器回收和重复使用。
ParaVT是一个由南洋理工等多校联合提出的并行视频工具调用框架,通过让AI同时分析多段视频并引入PARA-GRPO算法解决训练中的格式崩溃与工具跳过问题,在六项长视频理解测试中平均提升约7.9%。