ARM公司推出AI与机器学习用新型微处理器

在线体验各类最新模型,更有模型 免费Token 额度领取!
立即体验
简介:

智能芯片设计厂商ARM控股公司今天展示了其最新微处理器设计方案,并宣称这款处理器能够在手机、个人计算机以及联网车辆等平台上支持智能化系统。

 ARM公司推出AI与机器学习用新型微处理器

这款全新多核心、微架构方案被命名为DynamIQ,其将作为下一代Cortex-A处理器的设计基础。从传统角度讲,ARM公司的微处理器一直专注于支持智能手机与平板电脑,但如今该公司表示DynamIQ灵活多变的特性中心支持任何类型设备上的智能系统。

这一全新设计亦标志着ARM公司的一项重大突破。迄今为止,ARM芯片一直专注于提升能源效率以延长电池寿命。这样的优势虽然使得ARM得以成功击败英特尔公司并在智能手机行业中占据主导地位,但其芯片一直未能在机器学习与虚拟现实等新兴应用领域开辟出生存空间。为了弥补这一空白,ARM公司正着手在更小空间内增添更多计算核心与更快管道,旨在进一步提升性能水平。

这套新设计仍然基于ARM公司于2011年推出的原有big.LITTLE架构。Big.LITTLE芯片将轻量化核心与更为强大的核心相结合,能够在无需大量处理能力量关闭部分核心以延长电池寿命--也因此被命名为big.LITTLE。举例来说,当智能手机用户开始运行高图形运算量的视频游戏时,芯片会启动大型计算核心; 而在退出游戏之后,这些大型计算核心亦会被关闭。

凭借着DynamIQ,ARM公司开始进一步推动这项设计理念,希望通过单一系统芯片容纳多种大小的核心,同时引入更高效的内部内存总线以提升数据处理能力。该公司表示,芯片中亦拥有对应空间以帮助其执行机器学习任务。

ARM公司推出AI与机器学习用新型微处理器

ARM公司自身并不制造芯片。他们单纯负责芯片的设计工作,并将设计方案授权给实际进行芯片制造的客户。因此诸如高通公司在内的各制造商能够选择其需要的计算核心,并对应构建针对不同应用方向的定制芯片。根据ARM公司的解释,DynamIQ能够在单一集群当中容纳多达八个计算核心,且各个核心皆提供不同的性能级别。

ARM公司表示,其将在今年晚些时候推出Cortex-A芯片家族的第一款蓝图,且该家族将与DynamIQ全面兼容。除了新设计之外,ARM公司还计划于今年晚些时候发布新的中央处理器指令集与软件库,从而进一步提升这款芯片运行AI软件的能力。


原文发布时间为:2017年3月22日

本文作者:刘新萍 

本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。

相关文章
|
机器学习/深度学习 人工智能 供应链
从概念到商业价值:AI、机器学习与深度学习全景指南
在这个科技飞速发展的时代🚀,人工智能正以惊人的速度渗透到我们的生活和工作中👀。但面对铺天盖地的AI术语和概念,很多人感到困惑不已😣。"AI"、"机器学习"、"深度学习"和"神经网络"到底有什么区别?它们如何相互关联?如何利用这些技术提升工作效率和创造价值?
707 0
|
12月前
|
机器学习/深度学习 人工智能 监控
AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程
本系列文章深入讲解了从Seq2Seq、RNN到Transformer,再到GPT模型的关键技术原理与实现细节,帮助读者全面掌握Transformer及其在NLP中的应用。同时,通过一个房价预测的完整案例,介绍了算法工程师如何利用数据训练模型并解决实际问题,涵盖需求分析、数据收集、模型训练与部署等全流程。文章适合初学者和开发者学习AI基础与实战技能。
1398 25
AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL消息传递接口的PyG替换
DGL (Deep Graph Learning) 和 PyG (Pytorch Geometric) 是两个主流的图神经网络库,它们在API设计和底层实现上有一定差异,在不同场景下,研究人员会使用不同的依赖库,昇腾NPU对PyG图机器学习库的支持亲和度更高,因此有些时候需要做DGL接口的PyG替换。
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL图构建接口的PyG替换
本文探讨了在图神经网络中将DGL接口替换为PyG实现的方法,重点以RFdiffusion蛋白质设计模型中的SE3Transformer为例。SE3Transformer通过SE(3)等变性提取三维几何特征,其图构建部分依赖DGL接口。文章详细介绍了两个关键函数的替换:`make_full_graph` 和 `make_topk_graph`。前者构建完全连接图,后者生成k近邻图。通过PyG的高效实现(如`knn_graph`),我们简化了图结构创建过程,并调整边特征处理逻辑以兼容不同框架,从而更好地支持昇腾NPU等硬件环境。此方法为跨库迁移提供了实用参考。
|
机器学习/深度学习 人工智能 自然语言处理
AI训练师入行指南(三):机器学习算法和模型架构选择
从淘金到雕琢,将原始数据炼成智能珠宝!本文带您走进数字珠宝工坊,用算法工具打磨数据金砂。从基础的经典算法到精密的深度学习模型,结合电商、医疗、金融等场景实战,手把手教您选择合适工具,打造价值连城的智能应用。掌握AutoML改装套件与模型蒸馏术,让复杂问题迎刃而解。握紧算法刻刀,为数字世界雕刻文明!
540 6
|
机器学习/深度学习 人工智能 自然语言处理
Java+机器学习基础:打造AI学习基础
随着人工智能(AI)技术的飞速发展,越来越多的开发者开始探索如何将AI技术应用到实际业务场景中。Java作为一种强大的编程语言,不仅在企业级应用开发中占据重要地位,在AI领域也展现出了巨大的潜力。本文将通过模拟一个AI应用,从背景历史、业务场景、优缺点、底层原理等方面,介绍如何使用Java结合机器学习技术来打造一个AI学习的基础Demo。
690 18
|
机器学习/深度学习 数据采集 人工智能
容器化机器学习流水线:构建可复用的AI工作流
本文介绍了如何构建容器化的机器学习流水线,以提高AI模型开发和部署的效率与可重复性。首先,我们探讨了机器学习流水线的概念及其优势,包括自动化任务、确保一致性、简化协作和实现CI/CD。接着,详细说明了使用Kubeflow Pipelines在Kubernetes上构建流水线的步骤,涵盖安装、定义流水线、构建组件镜像及上传运行。容器化流水线不仅提升了环境一致性和可移植性,还通过资源隔离和扩展性支持更大规模的数据处理。
|
机器学习/深度学习 人工智能 自动驾驶
揭秘AI:机器学习如何改变我们的世界
在这篇文章中,我们将深入探讨机器学习如何改变我们的世界。从自动驾驶汽车到智能医疗诊断,机器学习正在逐步渗透到我们生活的每一个角落。我们将通过实例和代码示例,揭示机器学习的工作原理,以及它如何影响我们的生活。无论你是科技爱好者,还是对人工智能充满好奇的普通读者,这篇文章都将为你打开一扇新的大门,带你走进机器学习的世界。
345 0
|
机器学习/深度学习 数据采集 人工智能
自动化测试的未来:AI与机器学习的融合之路
【10月更文挑战第41天】随着技术的快速发展,软件测试领域正经历一场由人工智能和机器学习驱动的革命。本文将探讨这一趋势如何改变测试流程、提高测试效率以及未来可能带来的挑战和机遇。我们将通过具体案例分析,揭示AI和ML在自动化测试中的应用现状及其潜力。
517 0