
近期,AMD在纽约举办的分析师大会(Financial Analyst Day)上展示了很多新产品与新技术,其中,HBM晶片堆栈式高带宽内存吸引了很多人的目光,AMD总裁兼首席执行官苏姿丰博士表示,HBM是真正能够以更高的带宽、更低的功耗来提供很好的效能。
HBM有何优势?它会何时推出呢?带着这些问题,我们采访了AMD事业群首席技术官(Business Unit CTO) Joe Macri,他表示,HBM在整个功耗降低方面做的非常好,它把所有节省的功耗用于补偿GPU核心的功耗;另外,数据传输的带宽大约是每秒100GB。
图为AMD事业群首席技术官(Business Unit CTO) Joe Macri
AMD开发HBM已经有7年的历史了,是什么原因使得AMD对HBM产生了这么大的兴趣?Joe Macri表示,如今很多系统的问题是功耗较大,很多高端显卡的功耗在250w-300w之间。有时会碰到一种极限,当GPU性能已经很高时,功耗也非常高,内存的功耗也变得非常高,那是一个非常可怕的事情,会造成整个系统热量非常大,功耗很高,但是性能提升却有限。很多时候为了保持系统功耗的平衡,内存功耗很高的话,GPU的功耗就不可以很高,这样会直接影响到GPU的性能。而AMD就想要生产出高带宽、低功耗的内存,这样就可以平衡整个系统的性能和功耗。
如上图所示,垂直的“四条线”是比较有功能性的DRAM的堆栈,这也是HBM整个内存的晶片构造,出自SK Hynix。左边蓝色的是整套SK Hynix内存的HBM晶片,右边是AMD GPU的晶片。Joe Macri表示,通过1024位连线进行联系,有非常高速的硅晶片的铜联线来进行数据交互,数据非常大且速度非常快,这是不能通过主板来解决的,必须通过这种联线来做到,另外,HBM能够与CPU/GPU封装在一起。
HBM真正实现了低功耗和高带宽,它的外形很小,并且可以把更多的功耗转移到GPU,而且很多用途可以并到HBM,除了独立显卡和游戏以外,像HPC超级计算机、高性能计算、电信、服务器、还有所有类型的PC都会从中受益。
我们所熟悉的DDR5与HBM相比有很大的区别,就是带宽上很不一样,DDR5是32位,HBM则是1024位。Joe Macri解释道,最重要的是它的时钟频率,DDR5是1750兆赫兹,每秒7GB的数据传输量;HBM的整个速度降低得非常快,最高才到500兆赫兹,1GB数据传输量,速率的降低大量地节省了功耗,这是最重要的一点。而整个数据传输的带宽,DDR5是28GB每秒每个芯片,HBM大约是每秒100GB,它的功耗也大大降低了,但是由于整个位宽比较高,所以整个数据传输的带宽是非常高的,大概是过去的5倍。
Joe Macri表示,AMD在建立一个HBM的完整的生态系统,主要包括DRAM、组装和封装、芯片测试。AMD是第一家开始做HBM的公司,不过随后一定也会有其他公司陆续加入。
好文章,需要你的鼓励
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。
南洋理工大学与腾讯联合研究团队开发出Rolling Forcing技术,实现AI视频实时流式生成的重大突破。该技术通过滚动窗口联合去噪、注意力锚点机制和高效训练算法三项创新,解决了长视频生成中的错误累积问题,可在单GPU上以16fps速度生成多分钟高质量视频,延迟仅0.76秒,质量漂移指标从传统方法的1.66降至0.01,为交互式媒体和内容创作开辟新可能。
华中科技大学研究团队发现,通过让AI模型学习解决几何问题,能够显著提升其空间理解能力。他们构建了包含约30000个几何题目的Euclid30K数据集,使用强化学习方法训练多个AI模型。实验结果显示,几何训练在四个空间智能测试基准上都带来显著提升,其中最佳模型达到49.6%准确率,超越此前最好成绩。这项研究揭示了基础几何知识对培养AI空间智能的重要价值。