中国,北京,2020年12月9日——全球领先的数据存储与管理解决方案提供商希捷科技公司(NASDAQ:STX)宣布,基于开放RISC-V指令集架构(ISA)设计了两款处理器。
其中一款支持开放标准的内核旨在实现高性能,而另一款则用于面积优化。高性能处理器由RISC-V赋能的内核构建而成,并在机械硬盘(HDD)中完成了功能验证。面积优化型内核已完成设计,正在构建。
两款处理器均集成了RISC-V的安全特性。这些优势叠加起来,将为边缘到云交付更强大的数据可靠性、安全性和移动性,在移动数据量巨大的时代,可靠性、安全性和移动性至关重要。
希捷科技与RISC-V International(RISC-V国际协会)在2020年RISC-V线上峰会公开了此次合作成果。
专用集成电路(ASIC)开发副总裁Cecil Macgregor称:“过去一年,希捷已经交付了近10亿块集成了该内核的芯片,在片上系统设计方面经验丰富。我们目前将定制化RISC-V内核扩充到现有产品组合,这对于未来产品而言至关重要。在企业数据空前增长的时代,大量数据都在动态变化中。这些内核能够在设备间共享通用RISC-V指令集架构(ISA),采用开放安全的架构,实现更为安全的数据移动。”
与当前解决方案相比,高性能内核可将实时的、关键的硬盘工作负载的性能提升高达三倍。在一则初始用例中,希捷可借助该内核大幅提高可用的实时处理能力。通过高级伺服(移动控制)算法(该算法用于控制磁头在邻近磁道之间的移动),该款处理器为更精细的定位做好了准备。
面积优化型内核具备高度可配置的微架构和功能集。经过优化的内核能够同时实现了封装面积的优化和功耗的降低,从而辅助或支持后台工作负载。该内核可执行安全敏感型边缘计算操作(包括新一代后量子加密),同时在较小封装的情况下,在保障性能的同时实现各类安全特性。
该内核的关键应用之一是安全。作为OpenTitan(安全芯片设计开源项目)的成员,希捷致力于将安全做到开放透明。
谷歌云OpenTitan项目总监兼工程主管Dominic Rizzo表示:“我们认为,RISC-V架构开放、可扩展,潜力巨大。OpenTitan的开源项目得益于RISC-V的开放性,能够实现全行业的透明性、可靠性和芯片安全性。希捷完全认同RISC-V在数据安全领域的重要承诺,所以,我们很高兴与希捷就目前正在开发的以开源芯片为信任根基的项目展开合作。”
希捷设计的内核还能加快数据中心和边缘的实时分析。实时分析对于科学界的海量数据需求至关重要。
Los Alamos国家实验室高级研究科学家Brad Settlemyer指出:“在Los Alamos国家实验室,通过计算型存储让计算更接近数据,已开始极大地革新了数据分析和科学研究的方式。通过将计算与存储紧密集成,我们打造持久的数据传输,将数据分析速度提升高达1,000倍,极大地减轻了工作任务带给主要计算层的负担。通过与供应商合作并积极参与重要的业界项目,比如计算型存储,我们将继续打造高效率的硬盘产品,以满足各类任务需求。”
希捷已确定该解决方案倾向于使用定制硅片,而这正是RISC-V的亮点所在。
希捷科技首席技术官John Morris指出:“将RISC-V引入存储设备为实现专用型应用的计算功能带来了机遇,并最终赋能大规模并行计算存储解决方案。我们相信这些架构能够支撑许多重要用例,包括科学模拟(例如天气预报)以及机器学习。”
关于希捷RISC-V创新的详情,请访问https://www.seagate.com/cn/zh/innovation/risc-v/。
好文章,需要你的鼓励
在我们的日常生活中,睡眠的重要性不言而喻。一个晚上没睡好,第二天的工作效率就会大打折扣,而充足的睡眠不仅能让我们恢复精力,还能帮助大脑整理和巩固当天学到的知识。有趣的是,AI模型竟然也表现出了类似的“睡眠需求”。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
尽管模型上下文协议(MCP)自11月推出以来用户数量快速增长,但金融机构等监管行业仍保持谨慎态度。银行等金融服务公司虽然在机器学习和算法方面是先驱,但对于MCP和Agent2Agent(A2A)系统的采用较为保守。监管企业通常只使用内部代理,因为其API集成需要经过多年审查以确保合规性和安全性。专家指出,MCP缺乏基本构建块,特别是在互操作性、通信标准、身份验证和审计跟踪方面。金融机构需要确保代理能够进行"了解您的客户"验证,并具备可验证的身份识别能力。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。