随着各行各业数字化转型的加速推进,工作负载越来越多样化,这导致数据中心越来越庞大,为底层基础设施带来了压力。基于此,推动基础设施不断发展,以提高数据中心的使用效率成为必经之路。
在此过程中,不断演进的数据中心需要一个全新智能架构。在这一架构内,大规模分布式异构计算能够协同工作、无缝连接,并形成一个独立的计算平台。这种新架构有助于解决当今资源搁浅、数据流拥堵和平台安全不兼容的挑战。这种智能数据中心架构将拥有三类计算单元,即用于通用计算的 CPU、用于特定应用或特定工作负载加速的XPU以及用于基础设施加速的IPU——它们将通过可编程网络相互连接,从而有效利用数据中心资源。
英特尔以IPU解锁数据中心“芯”潜力
早在去年,英特尔就推出了基础设施处理器(IPU)。作为一种可编程网络设备,IPU能够助力云和通信服务提供商以及企业提高安全性、节约开销并充分释放中央处理器(CPU)的性能。借助IPU,客户可以通过安全、稳定、可编程的解决方案更好地利用资源,为服务提供商和租户带来更高的安全性和隔离性。
在近期开幕的英特尔On产业创新峰会(Intel Vision)上,英特尔公布了其到2026年的IPU产品路线图,其中包括基于全新FPGA和英特尔架构平台的代号为Hot Springs Canyon的产品,Mount Morgan(MMG)ASIC,以及下一代800GB产品。英特尔通过完整地展示其基于FPGA和ASIC的IPU平台产品组合以及开放软件框架,表明了其通过提高数据中心效率和可管理性来更好满足客户需求的决心。
此外,开放的生态系统能够更好地发挥IPU的价值。英特尔的IPU背靠强大的开源软件,包括基础架构编程人员开发套件(IPDK),它融合了公司长期以来打造SPDK(存储性能开发套件)、DPDK(数据平面开发套件)和P4可编程智能结构的经验。通过与社区携手合作,IPDK能够让开发者更轻松地运用技术,并帮助客户开发领先的云编排软件和服务。IPDK还可以让客户专注于他们的应用软件,而非底层API或硬件。
揭秘英特尔未来IPU路线图
在此次英特尔On产业创新峰会上,英特尔公布了如下未来IPU路线图:
2022年:第二代IPU
2023/2024年:第三代IPU
2025/2026年:
200GB
Mount Evans
Mount Evans是英特尔首款ASIC IPU的代号。该款IPU由英特尔和谷歌云共同构建和开发,并融合了多代FPGA SmartNIC和首代英特尔FPGA IPU的开发经验。
Oak Springs Canyon
Oak Springs Canyon是英特尔第二代FPGA IPU平台的代号,基于英特尔®至强® D和业界领先的低功耗、高效率、高性能的英特尔® Agilex™ FPGA而打造。Oak Springs提供:
400GB
Mount Morgan
Mount Morgan是英特尔下一代ASIC IPU。
Hot Springs Canyon
Hot Springs Canyon是英特尔下一代FPGA IPU平台
下一代800GB IPU
预计在2025/2026年出货
英特尔已在数据中心叱咤多年,此次IPU路线图不仅意味着英特尔将继续履行打造端到端可编程网络的承诺,还表明了英特尔能够通过积极创新提供解决现实世界问题的产品。英特尔将IPU置于与CPU和XPU同等重要的地位,这使得IPU的发展具有了重大意义。
好文章,需要你的鼓励
西部数据首席产品与工程官Ahmed Shihab表示,公司HAMR技术进展顺利,OptiNAND能提供容量优势。HAMR技术物理原理已突破,正进行制造工艺优化。相比希捷10盘片技术,西数11盘片设计提供更大发展空间,可更快推向市场。OptiNAND结合UltraSMR算法可实现更高单盘容量。公司采取保守策略,注重可靠性,客户已完成相关软件认证。硬盘在数据经济中仍是基础,在视频监控等写密集型应用中具备成本和耐久性优势。
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
一旦人工智能达到通用智能(AGI)或超级智能(ASI)水平,人类将无法逆转回传统AI。AGI与人类智力相当,ASI则超越人类智慧。由于人类会对此类AI产生依赖,且AGI/ASI具备自我保护能力,通过全球禁令、内置终止开关或控制措施都难以有效阻止。AI末日论者担心existential风险,而AI加速主义者认为将解决人类问题。唯一可能的逆转机会是AGI/ASI主动选择关闭自己以拯救人类。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。