chinese直男口爆体育生外卖, 99久久er热在这里只有精品99, 又色又爽又黄18禁美女裸身无遮挡, gogogo高清免费观看日本电视,私密按摩师高清版在线,人妻视频毛茸茸,91论坛 兴趣闲谈,欧美 亚洲 精品 8区,国产精品久久久久精品免费

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

【AI簡報20221021期】英特爾i9-13900K重奪PC性能桂冠、RISC-V可靠矢量處理彎道超車

RTThread物聯(lián)網(wǎng)操作系統(tǒng) ? 來源:未知 ? 2022-11-10 11:00 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

嵌入式 AI

AI 簡報 20221021 期

1. 英特爾i9-13900K重奪PC性能桂冠:與AMD 7950X拉開8%差距

原文:

https://app.myzaker.com/news/article.php?pk=63476be18e9f0903ac797c80

10 月 20 日晚上,英特爾正式解禁了 13 代酷睿臺式機處理器的性能表現(xiàn),包括 Intel Core i9-13900K 和 i5-13600K。美國科技媒體 The Verge 對 i9-13900K 與 AMD Ryzen 9 7950X 進行了比較 ,發(fā)現(xiàn)雖然 AMD 的 Zen 4 架構 CPU 相較于英特爾 12 代酷睿的性能有所提升,但這次英特爾 13 代酷睿重新奪回了整體性能的桂冠。

先來看下英特爾酷睿 i9-13900K 的相關參數(shù),作為高端版本,它包括 24 個核心(8 個性能核和 16 個效能核)、32 個線程和高達 5.8GHz 的時鐘速度。

英特爾承諾,酷睿 i9-13900K 的單線程性能較 i9-12900K 提升了 15%,多線程性能提升了 41%。與此同時,它的售價也來到了 589 美元。

過去一周,The Verge 一直在測試酷睿 i9-13900K,它在很大程度上兌現(xiàn)了英特爾聲稱的性能,尤其是多線程性能大幅提升,真正加速了最繁重的工作負載效率。

具體地,The Verge 在英特爾酷睿 i9-13900K 和 AMD 銳龍 9 7950X 處理器上測試了各種工作負載、綜合基礎測試和游戲。所有的測試均在最新的 Windows 11 2022 Update 上運行,并關閉了安全性,啟用了 Resizable BAR,所有游戲都在 1080p 分辨率設置下運行。

fa799db2-5155-11ed-a3b6-dac502259ad0.png

2. 谷歌3D全息電話亭,顛覆現(xiàn)有視頻通話!宛如真人面對面

原文:

https://mp.weixin.qq.com/s/TMhMjFZbw96n4CUkVQ_z1w

在近日的Google Cloud Next 2022上,桑達爾·皮查伊表示,Starline 項目已經(jīng)在谷歌內部進行了數(shù)千小時的測試,并在其美國辦公室每天使用,而100多個橫跨媒體、醫(yī)療和零售的企業(yè)合作伙伴已經(jīng)收到了演示。

谷歌還宣布Project Starline正在進入下一個測試階段,計劃是在選定的合作伙伴辦公室部署設備進行定期測試,谷歌提到的合作伙伴包括Salesforce、WeWork、T-Mobile和Hackensack Meridian Health,這些設備預計將在今年年底前完成安裝,開啟初試。

谷歌為什么花費大量時間開展Project Starline呢?根據(jù)項目組給出的答案,就是讓人在通話的時候,感覺你是和一個真正的人在一起。在如今的社會中,人們通常會相隔千里,尤其是近兩年疫情頻繁發(fā)生,人們不得不通過Zoom等遠程會議軟件,進行聯(lián)系、溝通工作。

然而當下視頻會議給人的感覺并不好,根據(jù)微軟一份關于視頻會議對工作效率的影響的報告,人們在視頻會議中會比顯示溝通更容易分析,這是人們在面對高壓力的視頻會議下的自然應對反應。而谷歌認為,能提供真人對話體驗的Project Starline,似乎能夠消除這種壓力感。

谷歌的研究員做了對比實驗,他們發(fā)現(xiàn)相比傳統(tǒng)視頻溝通,使用Project Starline溝通的參會者會有更多眼神接觸和肢體語言,在溝通結束后能夠回憶的內容也要多出28%。

fab4da12-5155-11ed-a3b6-dac502259ad0.jpg

更為重要的是,裝配一套Project Starline,成本相當高,光場顯示器和各種光學攝像頭都非常昂貴,這使得Project Starline短期內只能停留在實驗室,而進入消費者市場的可能性很小。Project Starline的產品管理總監(jiān)Andrew Nartker稱,目前它還很難稱得上是一件產品。

整體而言,Project Starline是一個全新技術的探索,谷歌也會繼續(xù)對其進行優(yōu)化改進。未來,它能否成為一個真正的產品還未可知。不過無論怎樣,任何一項新技術的探索都值得被關注。

3. 通用計算仍有差距,RISC-V可靠矢量處理彎道超車

原文:

https://mp.weixin.qq.com/s/mM9Drv8r2QGSD7Hm8i8HWA

對于高效的數(shù)據(jù)并行負載處理來說,矢量架構的吸引力越來越大,主流ISA都開始注意到這一點。就拿我們熟悉的前超算王者——日本的富岳來說,其處理器富士通A64FX就是基于Arm可伸縮矢量擴展(SVE)的。

Arm也在隨后推出的Armv9架構中提出了改良版的SVE2,并在其中加入了對NEON的兼容,SVE2在HPC之外的市場應用中做出了指令優(yōu)化,甚至可以用于手機、汽車等智能設備中。

正是因為有了SVE的存在,富岳才得以單靠通用處理器完成高性能的大數(shù)據(jù)運算,而不是像其他主流超算一樣,還要靠堆積GPU、FPGA和AI加速器等片外加速器才能實現(xiàn)可觀的性能,我國的神威太湖之光同樣運用了這樣的矢量設計思路。但以上這些都是專有架構,微架構不透明的同時也限制了開源和定制化方案的出現(xiàn),而這些均可以在RISC-V上一一實現(xiàn)。

RISC-V的矢量擴展RVV自2015年提出以來,已經(jīng)有了長足的進展,也有了正式的1.0版本規(guī)范。與傳統(tǒng)的SIMD指令相比,RVV提供動態(tài)的矢量長度修改,做到了更高的效率、更小的代碼體積和更簡單的循環(huán)結束。我們近期已經(jīng)看到了不少RISC-V處理器被廣泛使用的新聞,比如谷歌選擇在其TPU上加入SiFive的X280處理器,其實看重的就是它在矢量處理上的優(yōu)勢。

所以我們看到在SiFive的處理器產品中,像Performance P270和Intelligence X280都擁有優(yōu)秀的矢量處理能力,后者更是引入了一個512位矢量寄存器長度的架構,在完全支持矢量擴展標準的同時,還支持動態(tài)可變矢量長度的運算。SiFive也在其矢量擴展上做出了改進,稱其為SiFive智能擴展,與直接基于RV64GCV架構的設計相比,X280的智能擴展在INT8格式下的矩陣乘法運算時可將執(zhí)行速度提高12倍。

而且這不僅僅造福的是數(shù)據(jù)中心,還有受制于功耗卻又需要高吞吐量和單線程性能的邊緣應用,比如AR/VR、數(shù)碼相機等等。SiFive同樣測試了可用于移動端或嵌入式設備的輕量級神經(jīng)網(wǎng)絡MobileNet,相較基于RISC-V標量的架構,SiFive智能擴展可以將速度提升144倍。

fad544aa-5155-11ed-a3b6-dac502259ad0.png

AI時代下,矢量處理的應用場景已經(jīng)遠超我們的現(xiàn)象,包括深度學習、推薦系統(tǒng)、鍵值存儲和HPC等,都已經(jīng)廣泛利用了矢量計算。但如何做到高效高性能,才是未來所有ISA的努力方向,而RISC-V作為后來者,反而能在這上面找到彎道超車的機會。

4. 移動端部署推薦系統(tǒng):快手獲數(shù)據(jù)挖掘頂會CIKM 2022最佳論文

原文:

https://mp.weixin.qq.com/s/x3dnkBF7BKDMEU_rt8QmDg

10 月 20 日,信息檢索和數(shù)據(jù)挖掘領域的頂級會議之一 CIKM 2022 公布論文獎項,快手社區(qū)科學團隊獲得了應用研究方向「最佳論文獎」。

fb227b44-5155-11ed-a3b6-dac502259ad0.jpg

獲獎論文《Real-time Short Video Recommendation on Mobile Devices》針對短視頻推薦場景,傳統(tǒng)服務端部署的推薦系統(tǒng)在決策時機和實時特征利用方面的不足問題,通過在移動客戶端部署推薦系統(tǒng)來實時響應用戶反饋,提高推薦結果的精準度,從而提升用戶體驗。論文提出的方案 100% 流量部署到了快手短視頻推薦生產環(huán)境,影響了日均超過 3.4 億用戶的體驗,是端上智能在大規(guī)模推薦場景落地的創(chuàng)新實踐。

fb476a3a-5155-11ed-a3b6-dac502259ad0.jpg

論文鏈接:

https://dl.acm.org/doi/10.1145/3511808.3557065

5. 致敬Metaformer!圖像超分多尺度注意網(wǎng)絡MAN開源:大核分解與注意力機制的巧妙結合

原文:

https://mp.weixin.qq.com/s/DF73mR6U4MstHeAHOZTGBw

論文鏈接:

https://arxiv.org/abs/2209.14145

代碼地址:

https://github.com/icandle/MAN

本文基于大核分解和注意機制,提出應用于圖像超分的多尺度注意網(wǎng)絡MAN。通過可解釋的門控空間注意單元來匯總上下文信息,利用多尺度大核注意模塊獲得豐富注意特征圖,并聚合局部-全局信息。本文方法與現(xiàn)有流行方法進行了詳細的實驗對比,獲得了競爭性的對比結果。

fb8beeda-5155-11ed-a3b6-dac502259ad0.jpg

圖像超分旨在從低分辨率輸入重建高分辨輸出。然而基于CNN的方法要么通過更大數(shù)據(jù)集來提高性能,要么引入了更復雜的網(wǎng)絡設計,這些無疑都增加了計算成本消耗。

還記得今年2月份出爐的那篇VAN嗎,VAN通過詳細實驗證明了大核的卷積可以被有效分解為三種卷積的組合,分別為:深度卷積、含膨脹的深度卷積、逐點卷積。這里給出VAN的分解示意圖:

fba00924-5155-11ed-a3b6-dac502259ad0.jpg

VAN的作者在文末提到,未來對VAN的改進可能包含多分支或多尺度設計的應用。在本文中,作者等人在圖像超分任務中對VAN進行可行性考察,發(fā)現(xiàn)了一個很重要的問題:VAN的分解過程中,含膨脹的深度卷積會為超分任務帶來“塊狀偽影(blocking artifacts)”。在損害性能的同時,固定的核大小無法充分局部-全局特征。

綜上,作者將多尺度機制與大核注意機制結合來解決上述問題,并采用門控機制校準注意圖,避免含膨脹的深度卷積帶來的塊狀偽影。

6. 一個Trick 搞定 CNN與Transformer,即插即漲點即提速

原文:

https://mp.weixin.qq.com/s/jRfWEgQ6cqVz5hcm6WOa2g

論文鏈接:

https://arxiv.org/abs/2210.04020

近年來,Transformer模型在各個領域都取得了巨大的進展。在計算機視覺領域,視覺TransformerViTs)也成為卷積神經(jīng)網(wǎng)絡(ConvNets)的有力替代品,但它們還無法取代ConvNet,因為兩者都有各自的優(yōu)點。例如,ViT善于利用注意力機制提取全局特征,而ConvNets由于其強烈的歸納偏差,在建模局部關系時更有效。

fbc744a8-5155-11ed-a3b6-dac502259ad0.jpg

一個自然的想法是結合ConvNetsViT的優(yōu)勢來設計新的結構。本文提出了一種新的基本神經(jīng)網(wǎng)絡算子,稱為位置感知循環(huán)卷積(ParC)及其加速版本Fast-ParCParC算子通過使用全局核和循環(huán)卷積來捕獲全局特征,同時通過位置嵌入來保持位置敏感性。

Fast-ParC使用快速傅里葉變換將ParC的O(n2)時間復雜度進一步降低為O(n log n)。這種加速使得在具有大型特征映射的模型的早期階段使用全局卷積成為可能,但仍保持與使用3x3或7x7內核相當?shù)目傮w計算成本。所提出的操作可以以即插即用的方式使用:

1)將ViT轉換為純ConvNet架構,以獲得更廣泛的硬件支持和更高的推理速度;

2)在ConvNets的深層替換傳統(tǒng)的卷積,通過擴大有效感受野來提高準確性。實驗結果表明,ParC操作可以有效地擴大傳統(tǒng)ConvNets的感受野,并且在所有三種流行的視覺任務(圖像分類、目標檢測和語義分割)中,采用所提出的操作都有利于ViTConvNet模型。

fbe90dea-5155-11ed-a3b6-dac502259ad0.jpg

7. 只需一次向前推導,深度神經(jīng)網(wǎng)絡可視化方法來了!

原文:

https://mp.weixin.qq.com/s/rzle3EYD4atj9oJ0Xy43aw

論文地址:

https://arxiv.org/abs/2209.11189

fc388e92-5155-11ed-a3b6-dac502259ad0.png

寫在前面的話

類激活圖(CAM)致力于解釋卷積神經(jīng)網(wǎng)絡的“黑盒”屬性。本文首次提出可學習的類激活方法,通過設計適當損失來迫使注意機制學習有效CAM輸出,并只需一次前向推理。在ImageNet上與流行類激活方法比較,取得了優(yōu)異且有趣的實驗結果。最后針對分類錯誤的情況,作者等人進行了細致而全面的分析。

類激活方法與Motivation簡述

深度卷積神經(jīng)網(wǎng)絡對相關決策的可解釋性不強,這種“黑盒”屬性影響了該技術在安全、醫(yī)療等領域的商業(yè)應用。由類激活圖(CAM)生成的顯著圖SM(saliency map)描述了對模型決策貢獻最大的圖像區(qū)域,因此是一種為“黑盒”提供可解釋理論的方法。

以往的CAM方法分為基于梯度基于擾動兩種,如下圖所示:

fc5e4ccc-5155-11ed-a3b6-dac502259ad0.jpg

在圖1 (a) 中,基于梯度的方法使用從outputs反向傳播的梯度計算最后一個卷積層中特征權重,并將特征圖加權聚合得到CAM,explanation代表由CAM產生的SM。(常見的有Grad-CAM、GradCAM++)

在圖1 (b) 中,基于擾動的方法通常選取模型中不同深度的特征圖,或隨機擾動圖(圖1 (c) ),作為掩碼與輸入圖像點乘,得到擾動輸入,最后通過前向傳遞擾動輸入來生成SM。(常見方法有SIDU、Score-CAM、SISE、ADA-SISE、RISE)

然而這些方法要么基于反向傳播梯度,要么在推理階段需要多次前向傳遞,因此引入了大量的計算開銷。另外,這些方法在關注模型解釋的同時,忽略了對訓練集的有效利用。

因此本文提出了一種僅需一次前向傳遞的方法,同時引入注意機制,用可學習的方法,使訓練集得到了充分利用。

一些可能的思考與總結

本文為進一步解釋“黑盒”模型,提出了一種可學習的CAM方法,并產生了具有競爭性的實驗結果。但是有兩個問題筆者不得其解。

第一個問題就是,本文方法通過訓練集大量訓練獲得四個經(jīng)驗下的正則化參數(shù),那么相比其他方法,是否存在額外增加了實現(xiàn)成本?另外,如果將此參數(shù)應用于其他數(shù)據(jù)集上是否能保持原有性能,到時候如果不能是不是又要重新從訓練集中獲取呢?

第二,對于ImageNet中的某些包含多標簽圖像,錯誤分類的原因是分類器已經(jīng)對某些類別形成既定的學習認知。那么假如沒有訓練這個環(huán)節(jié),是不是就能減少對某些已確定類別的錯誤識別呢,或者說,有沒有其他方法能減少這種情況的發(fā)生呢。

8. AI框架歷史演進和趨勢探索

原文:

https://mp.weixin.qq.com/s/a3GaHwBNq7KJO0Dex-xOUg

AI框架是一種底層開發(fā)工具,是集深度學習核心訓練和推理框架、基礎模型庫、端到端開發(fā)套件、豐富的工具組件于一體的平臺。

有了AI框架,工程師在工作時調試算法,就可以更快速、更高效。通俗一點講,AI框架相當于是AI時代的操作系統(tǒng),如同PC時代Windows,移動互聯(lián)網(wǎng)時代的iOS和安卓。

AI框架發(fā)展現(xiàn)狀和趨勢

AI框架的歷史并不算長,從2010年誕生的Theano算起,至今不過十二年時間。2017年后,早期的Theano、Caffe、Torch等框架逐漸銷聲匿跡,2016年前后出現(xiàn)的TensorFlow(谷歌)、PyTorch(Facebook)、飛槳(百度)逐漸占據(jù)市場。

從目前市場占有情況看,產業(yè)界以TensorFlow為主,學術界以PyTorch為主。與TensorFlow過于注重工業(yè),PyTorch專注學界不同,飛槳的特性在于工業(yè)學界兩手抓,通過動態(tài)圖自動解析編譯靜態(tài)圖的技術,兼顧了學界的靈活,同時也實現(xiàn)了產業(yè)界希望的高效。

除了TensorFlow、PyTorch、飛槳,深度學習框架還包括由Amazon設計研發(fā)并開源的MXNet、微軟在github上開源的CNTK、華為推出的MindSpore、北京一流科技有限公司開發(fā)的OneFlow,以及清華大學自研的Jittor,和騰訊、字節(jié)跳動、360開源的Angel、BytePS、TensorNet。

過去這些年,AI框架已形成較為完整的技術體系,當前主流AI框架的核心技術演化出三大層次,分為基礎層、組件層和生態(tài)層,其中基礎層實現(xiàn)AI框架最基礎核心的功能,具體包括編程開發(fā)、編譯優(yōu)化以及硬件使能三個子層。

從技術生態(tài)體系中的功能定位看,AI框架對下調用底層硬件計算資源,對上支撐AI應用算法模型搭建,提供算法工程化實現(xiàn)的標準環(huán)境,是AI技術體系的關鍵核心。

AI框架技術持續(xù)演進,歷經(jīng)萌芽階段、成長階段、穩(wěn)定階段,當前已進入深化階段。AI框架正向著超大規(guī)模AI、全場景支持、安全可信等技術特性深化探索。

AI框架面臨的挑戰(zhàn)

然而在這個探索的過程中,面臨諸多挑戰(zhàn)。在超大規(guī)模AI方面,當前超大規(guī)模AI成為新的深度學習范式。OpenAI于2020年5月發(fā)布GPT-3模型,包含1750億參數(shù),數(shù)據(jù)集達到45T,在多項NLP任務中超越了人類水平。這種超大規(guī)模的模型參數(shù)及超大規(guī)模的數(shù)據(jù)集的AI大模型范式,實現(xiàn)了深度學習新的突破。

產業(yè)界和學術界看到這種新型范式的潛力后紛紛入局,繼OpenAI后,華為基于MindSpore框架發(fā)布了盤古大模型、智源發(fā)布了悟道模型、阿里發(fā)布了M6模型、百度發(fā)布了文心模型等。超大規(guī)模AI正成為下一代人工智能的突破口,也是最有潛力的強人工智能技術。

超大規(guī)模AI需要大模型、大數(shù)據(jù)、大算力的三重支持,這就對AI框架提出了新的挑戰(zhàn),比如內存墻,大模型訓練過程中需要存儲參數(shù)、激活、梯度、優(yōu)化器狀態(tài),鵬程 盤古一個模型的訓練就需要近4TB的內存。算力墻,以鵬程 . 盤古2000億參數(shù)量的大模型為例,需要3.6EFLOPS的算力支持,要求必須構建大規(guī)模的異構AI計算集群才能滿足這樣的算力需求,同時算力平臺要滿足智能調度來提升算力資源的利用率。還有通信墻、調優(yōu)墻、部署墻等。

在全場景支持方面,隨著云服務器、邊緣設備、終端設備等人工智能硬件運算設備的不斷涌現(xiàn),以及各類人工智能運算庫、中間表示工具以及編程框架的快速發(fā)展,人工智能軟硬件生態(tài)呈現(xiàn)多樣化發(fā)展趨勢。但主流框架訓練出來的模型卻不能通用,學術科研項目間難以合作延伸,造成了深度學習框架的“碎片化”。

目前業(yè)界并沒有統(tǒng)一的中間表示層標準,導致各硬件廠商解決方案存在一定差異,以致應用模型遷移不暢,增加了應用部署難度。因此,基于AI框架訓練出來的模型進行標準化互通將是未來的挑戰(zhàn)。

然而即使面臨諸多挑戰(zhàn),過去兩年,行業(yè)一直在持續(xù)探索,并取得一定突破,如2020年華為推出昇思MindSpore,在全場景協(xié)同、可信賴方面有一定的突破;曠視推出天元MegEngine,在訓練推理一體化方面深度布局等。

整體而言,在人工智能體系中,AI框架處于貫通上下的腰部位置,下接芯片、上承應用,是一個關鍵樞紐,是推動AI應用大規(guī)模落地的關鍵力量。因此對于企業(yè)來說,克服AI框架當前面臨的挑戰(zhàn),不斷探索新趨勢,進行技術創(chuàng)新,完善技術、功能和生態(tài)是關鍵。

- END -

fc82f36a-5155-11ed-a3b6-dac502259ad0.gif


原文標題:【AI簡報20221021期】英特爾i9-13900K重奪PC性能桂冠、RISC-V可靠矢量處理彎道超車

文章出處:【微信公眾號:RTThread物聯(lián)網(wǎng)操作系統(tǒng)】歡迎添加關注!文章轉載請注明出處。


聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權轉載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • RT-Thread
    +關注

    關注

    32

    文章

    1406

    瀏覽量

    41927

原文標題:【AI簡報20221021期】英特爾i9-13900K重奪PC性能桂冠、RISC-V可靠矢量處理彎道超車

文章出處:【微信號:RTThread,微信公眾號:RTThread物聯(lián)網(wǎng)操作系統(tǒng)】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關推薦
    熱點推薦

    直播預約 |開源芯片系列講座第28:高性能RISC-V處理器芯片

    鷺島論壇開源芯片系列講座第28「高性能RISC-V處理器芯片」7月30日(周三)20:00精彩開播期待與您云相聚,共襄學術盛宴!|直播信息報告題目高
    的頭像 發(fā)表于 07-14 17:34 ?317次閱讀
    直播預約 |開源芯片系列講座第28<b class='flag-5'>期</b>:高<b class='flag-5'>性能</b><b class='flag-5'>RISC-V</b>微<b class='flag-5'>處理</b>器芯片

    芯與玄鐵合作IP評測,加速RISC-V生態(tài)發(fā)展

    的需求,又兼具安全可靠、高性價比及可拓展性等優(yōu)勢。在近期的2025玄鐵RISC-V生態(tài)大會上,玄鐵抓住AI新機遇,旗下系列處理器不斷推陳出新,進一步推動了
    的頭像 發(fā)表于 04-09 09:24 ?478次閱讀
    思<b class='flag-5'>爾</b>芯與玄鐵合作IP評測,加速<b class='flag-5'>RISC-V</b>生態(tài)發(fā)展

    英特爾酷睿Ultra AI PC上部署多種圖像生成模型

    全新英特爾酷睿Ultra 200V系列處理器對比上代Meteor Lake,升級了模塊化結構、封裝工藝,采用全新性能核與能效核、英特爾硬件線
    的頭像 發(fā)表于 04-02 15:47 ?506次閱讀
    在<b class='flag-5'>英特爾</b>酷睿Ultra <b class='flag-5'>AI</b> <b class='flag-5'>PC</b>上部署多種圖像生成模型

    英特爾發(fā)布最強大的商用AI PC產品陣容

    處理器。在臺式機和移動設備形態(tài)中,該產品組合為全球企業(yè)提供包含計算性能、能效、連接性、安全性和可管理性的全面解決方案。 如今是PC更新?lián)Q代的關鍵節(jié)點,憑借英特爾?酷睿?Ultra
    的頭像 發(fā)表于 03-08 09:28 ?644次閱讀

    英特爾目標明年出貨1億臺AI PC

    英特爾近日宣布,其目標是在明年實現(xiàn)1億臺AI PC的出貨,相較于2024年4000萬臺的出貨目標,實現(xiàn)了150%的大幅增長。這一雄心勃勃的目標展示了英特爾
    的頭像 發(fā)表于 10-31 17:07 ?598次閱讀

    RISC-V,即將進入應用的爆發(fā)

    計算機由控制整體的CPU(中央處理器)和加速器兩部分構成。在AI計算中,功耗和效率是兩個關鍵因素。RISC-V架構通過其簡潔的設計和定制化的擴展,可以實現(xiàn)高效的能量使用。該架構能夠通過小型且高效的
    發(fā)表于 10-31 16:06

    英特爾計劃明年AI PC出貨一億臺

    目標相較于原先2024年4000萬臺的目標有了大幅提升。這些AI PC將由英特爾AI處理器驅動,其中大部分將基于去年年底推出的Meteor
    的頭像 發(fā)表于 10-31 14:26 ?883次閱讀

    英特爾發(fā)布酷睿Ultra 200S系列臺式機處理

    近日,英特爾正式推出了酷睿Ultra 200S系列處理器家族,為臺式機平臺帶來了全新的AI PC功能。此次發(fā)布的處理器家族涵蓋了5款未鎖頻的
    的頭像 發(fā)表于 10-11 17:36 ?918次閱讀

    RISC-V擁有巨大市場潛力的原因

    AI技術深度融合,例如Meta基于RISC-V架構推出AI推理加速器,高通與谷歌合作推出基于RISC-V架構的智能穿戴芯片等。 3、多元化應用:RI
    發(fā)表于 09-30 14:20

    AI PC市場爆發(fā),英特爾、高通相繼推出新一代AI PC芯片,戰(zhàn)況火熱升級

    電子發(fā)燒友網(wǎng)報道(文/李彎彎)2024年9月4日,在德國柏林國際消費電子展(IFA 2024)上,英特爾正式發(fā)布了酷睿Ultra 200V系列處理器。 ? 酷睿Ultra 200
    的頭像 發(fā)表于 09-06 00:16 ?4693次閱讀

    高通Copilot+ PC獨占將盡,英特爾與AMD筆記本11月迎AI新紀元

    科技界迎來新動態(tài),據(jù)知名科技媒體Engadget 9月4日報道,高通此前獨享的Copilot+ PC技術即將迎來其獨家授權的尾聲。從今年11月起,搭載英特爾最新酷睿Ultra 200
    的頭像 發(fā)表于 09-04 15:43 ?1039次閱讀

    risc-v的發(fā)展歷史

    Foundation),旨在促進RISC-V架構的發(fā)展和推廣。該基金會由大量的企業(yè)和機構支持,包括英特爾、Nvidia、谷歌、華為、IBM、紅帽、西部數(shù)據(jù)等。 2015年:RISC-V基金會發(fā)布了第一個穩(wěn)定版
    發(fā)表于 07-29 17:20

    RISC-V適合什么樣的應用場景

    設計使得開發(fā)者可以靈活選擇所需的指令集和模塊,以滿足嵌入式系統(tǒng)的各種性能要求。 3. 人工智能(AI)和機器學習(ML) 高性能計算:RISC-V結合
    發(fā)表于 07-29 17:16

    RISC-V在中國的發(fā)展機遇有哪些場景?

    : 1. 物聯(lián)網(wǎng)(IoT) 市場需求:隨著物聯(lián)網(wǎng)技術的快速發(fā)展,對低功耗、高性能、低成本的處理器需求日益增長。RISC-V因其指令集精簡、易于擴展的特點,非常適合物聯(lián)網(wǎng)設備的需求。 中國優(yōu)勢:中國是全球物
    發(fā)表于 07-29 17:14

    為什么要有RISC-V

    RISC-V(“RISC five”)的目標是成為一個通用的指令集架構(ISA):①、它要能適應包括從最袖珍的嵌入式控制器,到最快的高性能計算機等各種規(guī)模的處理器。②、它應該能兼容各種
    發(fā)表于 07-27 15:05