PCI Express(也就是PCIe)已经成为服务器、工作站以及PC市场上不可撼动的主流互连方案。而作为这项标准的制定者,PCI-SIG正在寻求新的业务市场以实现进一步扩张——从这个角度出发,除了物联网这片刚刚被发现的新大陆之外、我们真的想不出还有什么更好的冲击目标。
“PCI Express当中关于PCI的一切——包括其软件架构、设备识别、自枚举总线以及电源管理等——全都与物联网以及低功耗小型设备的天然属性极为契合,”PCI-SIG营销工作小组主任RaminNeshati在上周于加利福尼亚州圣克拉拉召开的开发大会上指出。
这些低功耗物联网设备非常适合PCIe标准,Neshati表示,特别是考虑到该标准当中的“半强度运行”或者“低强度运行”模式——它们能够将PCIe的必要电压由800毫伏降低至400毫伏。
Neshati还认为,PCIe处理由休眠到唤醒状态的方式同样能够显著降低功耗水平。“我们已经打造出一套经过深思熟虑且非常精巧的处理方案,能够通过一部分边带信号实现唤醒功能,”他解释称。这套方案能够为处于闲置状态的设备带来“几乎为零”的功耗表现。
他同时提到了M-PCIe,也就是PCI-SIG的PCI链路层适配设计,它能够运行在MIPI联盟的单通道、低功耗、多速M-PHY物理层之上。如果大家此前关注过这方面的消息,就会发现M-PHY接口被广泛用于芯片与芯片之间的通信机制,包括显示器、摄像头、音频、视频、内存、存储以及其它实施方案,而且采用该机制的物联网设备可能会因此获得相当强的恶劣环境适应能力。M-PCIe的支持将给物联网设备带来Neshati上面提到的一系列显著提升。
物联网是否会与PCIe携手?双方协作又是否有其必要性?
基本上,M-PCIe允许系统设计者利用现有PCIe方案,并可以利用流行的M-PHY通过扩展与低功耗设备顺利对接。
“大家在PCIe方面的投入将继续得到保障,”Neshati表示。“我们可以将自己熟悉并喜爱的PCI Express快速、便捷地与M-PHY搭配起来,从而快速构建出适合移动应用环境的设备——其突出的快速与便捷特性能够很好地与移动领域的要求相吻合。”
这套方案的出彩之处在于,专为PCIe编写的软件同样也能运行在M-PCIe这边。“我们从项目起步阶段就已经证明了这一点,”Neshati在谈到M-PCIe原型设计时指出。“大家不必对任何一行现有代码作出修改。”
当然,问题也是实际存在的:对于即将广泛普及的物联网来说,其体积小巧、功耗极低的配套设备到底是否需要PCIe的配合?
Neshati认为,可识别性将成为PCIe在物联网领域站稳脚跟的关键性因素。“请大家想象一下此类设备或者物联网在运作时的状态,”他表示。“它们都需要具备可识别性,需要向中央系统表明自身属于什么设备、负责哪些任务。”而且随着物联网设备在功能性上的不断丰富,他认为可识别性也将成为一项非常重要的固有功能。
PCI-SIG总裁兼董事长Al Yanes同样出席了此次会议,并从另一个角度出发对PCIe的发展前景进行审视。“我们需要将自身方案定位为能够契合物联网整体思路的备选项目,”他指出。“如果我们的方案不符合低功耗要求,那么客户会直接将其枪毙掉。”
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。