系列電腦。
那么,蘋(píng)果是不是正在考慮為其基于OS X系統(tǒng)的Mac電腦搭載蘋(píng)果其自有的A系列處理器或其他ARM處理器呢?答案是肯定的(否則就不會(huì)有這么多謠言了)。那么蘋(píng)果是否會(huì)真正將這一舉措落實(shí),從英特爾處理器轉(zhuǎn)向ARM處理器呢?這正是目前我們(還)不清楚的地方。
但在當(dāng)?shù)貢r(shí)間本周一,來(lái)自蘋(píng)果論壇MacRumors以及其他博客的報(bào)道均稱,蘋(píng)果正在積極開(kāi)發(fā)基于ARM的Mac系列電腦,其中包括iMac、Man Mini和13英寸的MacBook原型機(jī)。
據(jù)蘋(píng)果論壇MacRumors表示,傳聞中的Mac系列設(shè)備將搭配一種整合了“大尺寸Magic Trackpad(魔幻觸控板)”的全新鍵盤(pán)。當(dāng)然,這也意味著一款相當(dāng)于OS X的操作系統(tǒng)將運(yùn)行在蘋(píng)果的ARM處理器上。
需要注意的是,這則謠言并非來(lái)自像凱基證券分析師郭明池(Ming-Chi Kuo)這樣的傳統(tǒng)消息來(lái)源,而是一個(gè)法語(yǔ)版蘋(píng)果網(wǎng)站MacBidouille,蘋(píng)果論壇正是引用了這家網(wǎng)站的消息。實(shí)際上,能夠聲稱傳聞中的設(shè)備內(nèi)置64位ARM四核處理器,對(duì)MacBidouille網(wǎng)站而言也是罕見(jiàn)的。
我們不妨?xí)簳r(shí)拋開(kāi)所有的謠言,考慮一下自從蘋(píng)果在去年9月推出其64位A7處理器后該公司一直以來(lái)的消息:蘋(píng)果的A系列處理器如今已達(dá)到64位,并已達(dá)到“桌面級(jí)”處理性能。
而傳言中的下一代A8處理器很可能較A7更快,并提供四核變體,使得該處理器至少在理論上適用于低端Mac。
早在2011年5月便有傳聞稱蘋(píng)果要轉(zhuǎn)向ARM,其相應(yīng)的標(biāo)題為:“蘋(píng)果筆記本放棄英特爾”。
這并非蘋(píng)果第一次轉(zhuǎn)換操作平臺(tái)。蘋(píng)果曾在2005年宣布,它將轉(zhuǎn)用英特爾處理器并放棄了PowerPC架構(gòu)。
好文章,需要你的鼓勵(lì)
新加坡國(guó)立大學(xué)研究團(tuán)隊(duì)開(kāi)發(fā)了SPIRAL框架,通過(guò)讓AI與自己對(duì)弈零和游戲來(lái)提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡(jiǎn)單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無(wú)需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊(duì)開(kāi)發(fā)的GIGA-ToF技術(shù)通過(guò)融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問(wèn)題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動(dòng)駕駛等領(lǐng)域提供更可靠的3D視覺(jué)解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過(guò)對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺(jué)語(yǔ)言模型雖然表現(xiàn)出"頓悟時(shí)刻"現(xiàn)象,但這些自我糾錯(cuò)行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時(shí)無(wú)法有效利用視覺(jué)信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過(guò)動(dòng)態(tài)稀疏性實(shí)現(xiàn)大語(yǔ)言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時(shí)顯著提升訓(xùn)練效率,已在多個(gè)任務(wù)上驗(yàn)證有效性。