。
如果能把这些陈旧芯片,代工设施升级为新的可用产能,会不会成为攻克芯片短缺难题的关键?没准有戏。
产能与需求的再平衡
”
多年驻扎AI芯片设计领域的厂商Synopsys公司正在跃跃欲试。
芯片重制
Synopsys将这项计划命名为「芯片重制」,基本思路是:使用AI算法,自动针对不同节点重新设计芯片,把以往需要数月甚至数年的工作,压缩到短短几周,进而帮助客户节约下数亿美元研发成本。
”
工程师们可以利用新的音频技术处理旧录音,进而创造出音质更高的全新版本。此外,他们还能够添加新的音轨,例如背景乐,由此二次制作出新产品。整个过程的成本,只相当于重新录制的一小部分。太阳马戏团的《Love》配乐就是个典型案例,而同样的思路,也完全可以在芯片领域发挥作用。只需要引入新的制程节点,我们就能在旧的设施中解锁新产能,并做出进一步优化。
。更重要的是,整个重制流程只需要几个礼拜外加一名工程师,这就告别了以往动辄长达数月、要求一组设计师团队参与的复杂规划。这种便捷的升级方法,应该能够吸引英特尔等厂商将旧有芯片生产线转化至Intel 16等中端产能。
图:芯片重制,将陈旧设备升级为新的工艺节点,并用AI技术降低芯片功耗、提高芯片主频。
海外来电是科技行者旗下编译团队,聚焦海外新技术、新观点、新风向。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。