科技行者 10月23日 北京消息:此前華為被美國列入“實體清單”,許多廠商與華為停止合作,其中就有全球嵌入式、移動芯片領域的主導者——ARM公司。今天在ARM技術峰會北京站上,ARM中國董事長兼首席執(zhí)行官吳雄昂稱,中國客戶推出的ARM芯片銷量已超過160億,并且強調,未來ARM也會繼續(xù)向中國客戶提供授權。
據吳雄昂所說,ARM在中國地區(qū)目前已有逾200個合作伙伴,中國客戶基于ARM技術的芯片累計出貨量超過160億顆,95%的國產芯片都是基于ARM架構。
吳雄昂表示,ARM是唯一的非美國計算平臺(注:ARM成立于英國劍橋,在美國有研發(fā)中心,2017年被日本軟銀收購),經過法務部門調查,不論是ARM v8還是未來的ARM v9都是源于英國技術,ARM會向以往一樣持續(xù)對中國企業(yè)進行授權和服務支持。
會上,ARM宣布將推出兩款全新的主流ML處理器,以及最新的MaliGPU與DPU。這些IP的集成代表著ARM有能力根據需求調整產品,把高端的體驗帶入消費者高效的日常生活設備中。
官方資料顯示,曾經只是高端設備專屬的沉浸式體驗,如AR、高保真游戲、以AI為基礎的全新移動與家庭應用案例,目前也逐漸成為主流市場的需求。讓開發(fā)人員能夠使用針對日常設備優(yōu)化的高性能AI與媒體IP解決方案,可以賦能新的AI驅動應用案例,提供包括語音識別與always-on在內的功能,告別這些功能由移動設備所獨享的時代。
從游戲設備到數字電視(DTV),人工智能已經無所不在,但要促成這些響應式體驗,端點必須具備更強的計算能力。例如,數字電視的智能體驗,包括智能助理語音指令、節(jié)目實時翻譯,以及人臉辨識以強化家長監(jiān)護。
為了達成這些功能,ARM推出的全新IP套件包括:
:提供真正的異構計算
繼處理器(現稱為Ethos-N77)發(fā)布后,Ethos NPU家族又添加Ethos-N57與Ethos-N37兩位新成員。Arm Ethos產品組合旨在解決AI與ML復雜運算的挑戰(zhàn),以便為日常生活設備創(chuàng)造更為個性化與沉浸式的體驗。由于消費者的設備越來越智能化,通過專屬的ML處理器提供額外的AI性能與效率,是非常有必要的。全新的Ethos 對成本與電池壽命最為敏感的設計進行優(yōu)化,NPU可以為日常生活設備帶來優(yōu)質的AI體驗。
Ethos-N57與Ethos-N37的設計理念包括一些基本原則,例如:
此外,Ethos-N57的功能還包括:
Ethos-N37的功能還包括:
GPU
Mali-G57,將優(yōu)質的智能與沉浸式體驗帶到主流市場,包括高保真游戲、媲美電玩主機的移動設備圖型效果、DTV的4K/8K用戶接口,以及更為復雜的虛擬現實和增強現實的負荷。這是移動市場劃分中最大的一部分,而ARM的發(fā)布強調其基于Arm IP的片上系統(tǒng)(SoC),CPU, GPU進一步的性能優(yōu)化的努力,它可以讓開發(fā)人員有更多的時間創(chuàng)造出全新的沉浸式內容。
Mali-G57關鍵功能包括:
單位面積效率最高的處理器
Mali-D37是一個在最小的可能面積上包含豐富顯示與性能的DPU。對于終端用戶而言,這意味著當面積成為首要考慮,在例如入門級智能手機、平板電腦與分辨率在2k以內的小顯示屏等成本較低的設備上,會有更佳的視覺效果與性能。
Mali-D37關鍵功能包括:
ARM介紹,這一套IP,設計時就考慮到解決方案,并吻合ARM全面運算(Total Compute)的初衷,以確保它們確實是實際體驗驅動,同時針對解決未來工作負荷的復雜運算挑戰(zhàn)進行優(yōu)化。這套IP提供更高的單位面積效率且更為節(jié)能,同時能提升性能、降低成本及減少上市所需的時間,為移動設備帶來更高保真游戲與媲美游戲主機的體驗,為DTV帶來計算復雜性,并為個人化沉浸式內容帶來更高的ML性能,以及消費者期待的更快反應速度。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數學推理能力提升8.6%,通用推理提升8.4%,且無需任何數學題目作為訓練材料。研究發(fā)現游戲中的三種推理模式能成功轉移到數學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數學優(yōu)化方法,在合成數據集上實現37.9%的精度提升,并在真實設備上展現出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現,經過強化學習訓練的視覺語言模型雖然表現出"頓悟時刻"現象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯合提出SparseLoRA技術,通過動態(tài)稀疏性實現大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。