随着物联网的深入发展,以及数据量的不断增长,各类业务都需要高速处理技术来实现大数据分析。为了满足诸多的行业需求,富士通实验室有限公司开发了软件定义的固态硬盘(SSD),可实现并行处理从而使其性能比标准固态硬盘快了3倍。
富士通实验室软件定义的固态硬盘设备在软件层为闪存转换层(FTL)提供支持,使NAND Flash存储器可由软件直接访问。由于对NAND闪存的数据放置和访问模式可以根据工作负载来进行优化,使其性能发挥到最高,并使用户能够利用其高速性能的优势,将其用作对主存储器的扩展。
由于涉及到许多突破性的技术,这个系统的设计工作遇到了挑战。通过硬件试生产,富士通实验室测试了整个系统的运行情况,并对整个系统的性能进行了评估。在软件定义的SSD之中,为最大限度地提高系统性能,富士通实验室需要根据工作负载来对硬件设计参数进行优化。在构建与软件相协调的硬件之前,必须对系统性能做出评估。
富士通实验室借助于风河Simics找到了解决方案。通过在一个虚拟系统上进行实际场景的设计与测试,Simics支持他们采用新的开发技术,而这在物理硬件上是根本不可能进行的。例如,为了同时兼顾成本控制和性能优化,富士通实验室需要确定在系统中部署的通道和芯片之间的最佳平衡。应用Simics在虚拟硬件上进行负载模拟,他们对通道和芯片的多种组合进行反复试验,评估每个方案的执行速度,从而能够信心十足地确定最佳组合。对Simics丰富的调试功能集,富士通实验室留下了深刻的印象,这使他们能够在获得实体硬件之前就及早开始软件调试工作,从而精确地确定性能瓶颈所在之处,并且及早采取优化措施。Simics对设计、开发和测试过程中的许多重要方面都具备革命性的意义。
在建立起软件定义的SSD之后,富士通实验室在真实硬件上对通道和芯片的最高效组合数据进行了验证。其结果证实了Simics所模拟的场景。通过Simics所获得的数据洞察,让他们清楚地意识到,拥有Simics这样的模拟工具确实不可或缺,在未来更多项目中更是如此。风河将会继续发展与富士通实验室的合作关系,并支持他们达成自己的使命,开发出更多尖端技术,应对当今社会中的挑战。
好文章,需要你的鼓励
TPU与GPU之间的竞争正在重塑AI硬件市场格局。GPU基于并行处理,能处理多样化任务,而TPU专门针对张量矩阵运算进行优化。谷歌TPU采用类似RISC的设计理念,通过限制功能来提升特定运算效率。随着Meta计划在2027年采购数十亿美元的TPU芯片,Anthropic宣布使用百万TPU训练Claude模型,TPU生态系统正在获得发展动力,对英伟达的GPU霸主地位构成挑战。
Meta与华盛顿大学联合研究团队开发出无需人类标注的AI评判官自我训练框架。该方法通过生成合成对比数据、自我判断筛选和反复学习,使110亿参数的AI评判官在多项视觉语言任务中超越GPT-4o等大型模型,成本仅为传统方法的1%,为AI自主学习和评估开辟新路径。
本文提出2026年AI发展十大预测,包括AI估值修正、投资泡沫持续、AGI不仅依赖大语言模型、AI代理将加剧工作替代等。作者强调社会接受度对技术发展的重要性,认为成功企业将重构运营模式以AI为核心,同时指出政府仍将重视STEM教育而忽视社会科学的价值。
华中科技大学团队开发出4DLangVGGT技术,首次实现AI系统对4D动态场景的语言理解。该技术突破传统方法需要逐场景训练的限制,能跨场景通用部署。系统结合几何感知和语义理解,不仅能识别物体还能描述其时间变化过程。实验显示在多项指标上超越现有方法1-2%,为机器人、AR/VR、智能监控等领域提供重要技术支撑。