英特尔持续向网络市场发力,众所周知,在传统网络市场,英特尔并不占有优势。不过,在面向云计算的发展进程中,X86无疑是市场的主力,这也带动了基于X86平台的网络市场的爆发式增长,尤其是SDN/NFV的逐渐落地,给了英特尔巨大的机会。
乘胜追击,英特尔扩展生态系统与产品组合,并于近日推出三款全新产品,提升网络智能与带宽,支持企业建立更灵活、响应更为迅捷的网络。
一是英特尔为至强处理器D-1500产品家族增添了8款新处理器,其内核数量从四核到八核不等,它们能够为各种网络设备带来更高的智能和可靠性,同时允许根据性能要求实现可扩展的设计。
二是英特尔以太网多主机控制器FM10000产品家族,凭借高达200Gbps的高带宽多主机连接能力和多个100Gb以太网端口,它能够带来出色的数据包处理能力。
三是全新英特尔以太网控制器X550产品家族作为一款经济高效的低功耗万兆以太网连接解决方案,可为数据中心内服务器和网络设备带来显著的性能提升。它还支持网络虚拟化覆盖加速功能,如针对隧道VXLAN和NVGRE量进行无状态卸载,以保持应用性能和降低CPU开销。
英特尔数据中心事业部副总裁,网络平台事业部总经理Sandra Rivera
谈到对网络的看法,在此前的媒体沟通会上,英特尔数据中心事业部副总裁,网络平台事业部总经理Sandra Rivera表示,“目前为止,网络设备是比较封闭的,最终用户对于未来网络的需求,是希望有一个比较灵活的设备以及可以为他们解决未来数据增长的问题。”
因云而改变的计算正在改变网络,Sandra Rivera指出,未来的基础设施由软件定义。她详述了英特尔是如何在新的IT形式下引领网络变革的:
“首先从技术的投入上,这十年以来,从包转化这一能力上有相当可观的设备性能提升。尤其英特尔在DPDK和OVS这两块的投入已经逐步看到成效,这是专门是针对包转化进行的。因为在整个网络改革过程中,包转化的性能是最重要的底层的核心技术。”
第二部分是产品线,Sandra Rivera指出,英特尔同时推出了为网络优化的系统级的芯片。分两个部分,一个是至强,一个是凌动,它们都提供了卓越的性能和更低的功耗。
第三部分是电信级云堆栈,英特尔通过内部跨部门的合作,能够逐步把云计算的技术引入到网络这一层来。
除了产品和技术投入外,往上英特尔还在推动业界合作和生态系统的壮大。Sandra Rivera说,这块工作同样分为三个部分。
第一部分是首先推动行业的发展和进步,主要围绕开源与标准组织,包括Openstack、DPDK、OVS等,英特尔对它们是持坚定的策略,在这些标准组织里为网络这一侧增加了很多的功能。
第二是构建开放生态系统的策略,大概两年前英特尔推动了“Intel Network Builders”这样一个合作伙伴的联盟。Sandra Rivera指出,目前为止,大概超过180家的合作伙伴,有7个最终用户,最新在今年加入的两家厂商,都是业界耳熟能详的领先伙伴,Cisco和Ericsson。“可以看到,业界主要的网络厂家以及最终用户,基本上都在这个产业里。因为大家意识到很重要的一点,SDN和NFV在整个网络改革是产业界里合作的核心的一个方向。”
最后是与最终用户的合作,Sandra Rivera表示,我们目前为止陆陆续续跟最终用户合作取得较好的成绩,包括中国移动、亚马逊、纳斯达克等等最终用户。并且有一些跟不同生态系统的合作,搭建了一些POC,已经达到商用试点的成效。
所以,看得出来,无论是对产品技术的投入还是网络产业生态的推动,英特尔围绕网络构建了一个整体策略,并取得了显著的成绩。对于未来,英特尔想成为SDN和NFV的首选平台,相信这条路并不远。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。