9月16日,“UP·2021展锐线上生态峰会”正式开幕,展锐在会上重申了企业产业定位——数字世界的生态承载者。基于这一战略定位,展锐肩负着为产业提供先进技术、拓展产业发展空间的重任。
展锐高级副总裁夏晓菲在会上分享了服务这一战略的三大底座技术,分别是:马卡鲁通信技术平台,AIactiver技术平台和先进半导体技术平台。
全场景通信技术平台
马卡鲁是展锐的5G通信技术平台,将调制解调器、射频收发器以及射频天线模块集成为统一的5G解决方案,支持3GPP协议演进的同时,针对5G典型的高价值技术特性,开发了网络驱动单元,为客户提供方便快捷的一栈式解决方案。
基于马卡鲁5G技术平台,展锐在2020年携手合作伙伴推出了全球首个5G端到端全策略网络切片选择方案,实现了5G按需服务,满足不同用户个性化需求。
今年7月底,展锐推出全球首个5G R16 Ready平台,完成了全球首个基于R16的eMBB+uRLLC+IIoT端到端业务验证,开启5G To B新征程,继续引领5G先进技术。基于马卡鲁5G技术平台的方案,将港口、钢铁、矿区、制造等垂直行业客户,以及智能机、智能穿戴、AR/VR等消费者应用,带来了5G革命性连接体验,在不同阶段支撑产业变革,帮助5G拓展更广泛的应用和连接。
AI技术重构芯片关键系统
在展锐看来,5G与AI技术是相辅相成的,展锐已在5G和AI技术领域都进行了全面布局。展锐AI技术平台AIactiver,通过异构硬件、全栈软件和业务深度融合,不仅大幅优化了原生用户体验,同时也向客户提供了完整的二次开发平台和定制服务,助力生态合作伙伴高效便捷的开发丰富的AI应用。
平台底层是异构硬件,异构多核的NPU架构为不同类型的算法提供了足够的灵活度和优异的能效。AI编译器将前端框架工作负载直接编译到硬件后端,充分使用现有的硬件资源,兼顾存储和效率,降低开发者的开发难度。AI计算平台和工具链,则为开发者提供了良好的开发环境。
展锐通过AI技术重构了芯片的多个关键子系统,如CPU/GPU处理器子系统和多媒体子系统,为用户提供优异的用户体验。
人机交互的时延和鲁棒性如正态分布,越收敛说明时延和帧率越稳定,用户使用越流畅。通过处理器的调度和调频算法AI化改造,能够使处理器的算法分配,更好的拟合应用场景的算力需求在不同时刻的波动,将人机UI交互的时延和稳定程度大幅度提升,从而给用户带来更流畅的用户体验。
基于AI的语音检测和语音识别技术,将准确率提升到了95%以上(注1),保障了人机语音交互体验。此外,行为和场景识别,使芯片平台具备对用户操作的主动服务能力。
在多媒体领域,展锐重构了50%以上的算法,基于AI 的AI RAW、AI 3A、AI NR、AI FDR、AI SR等算法,大幅度了提升了拍照画质。
通过对显示内容的动态识别,选择合适的参数配置,对画质进行动态补偿,对色彩、对比度、锐度进行调整,从而实现更精致的显示画质。展锐正在将AI作为一项弥散型技术,全面融入到所有的产品规划中去。
先进半导体技术为整体套片提升竞争力
先进半导体技术平台的两个支柱是工艺制程和封装。展锐提供整体套片方案,包括主芯片在内的所有可见IC,均自研开发,组合成套片方案提供给客户。
在半导体技术方面,包括SoC、射频、电源芯片等多个领域,都会根据芯片集成度、功耗和数模混合的架构需求,在工艺上各自演进。所以,展锐采用的工艺制程非常广泛,涉及到的大规模数字、数模混合、高频模拟等方面的技术也十分复杂。
与此同时,展锐积极发展先进封装技术,为智能穿戴、物联网等设备提供集成度更高、无线性能更优的解决方案。比如SiP封装技术,我们将LTE Cat.1的整体方案做到了一个一元硬币的大小。SiP封装技术,是后摩尔时代实现超高密度和多功能集成的关键技术,可以将芯片算力密度提升10倍以上,展锐在SiP封装技术上也在持续投入。
作为国内领先的芯片设计企业,展锐将持续投入底座技术的创新和迭代,携手合作伙伴共同构建健康良好的产业发展生态。
注1:该数据由展锐实验室基于实际样本、多人测试所得
好文章,需要你的鼓励
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。
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。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。