— 经过 AMD 验证的解决方案可为 ODM 合作伙伴提供实现 AI 推理、传感器融合、工业互联、控制及可视化的简化路径 —
2024 年 2 月 6 日,加利福尼亚州圣克拉拉—AMD(超威,纳斯达克股票代码:AMD )今日宣布推出 AMD Embedded+,这一全新的架构解决方案将 AMD Ryzen™(锐龙)嵌入式处理器和 AMD Versal™自适应 SoC 结合到单块集成板卡上,从而提供了可扩展且高能效的解决方案,为原始设计制造商( ODM )合作伙伴加速产品上市进程。
Embedded+ 集成计算平台经过 AMD 验证,可助力 ODM 客户缩短认证和构建时间以便更快进入市场,而无需耗费额外的硬件和研发资源。采用 Embedded+ 架构的 ODM 集成支持使用通用软件平台开发低功耗、小尺寸规格及长生命周期的设计,适用于医疗、工业以及汽车应用。
AMD 工业、视觉、医疗和科学市场高级总监 Chetan Khona 表示:“在自动化系统中,传感器数据的价值会随时间推移而递减,而这些数据必须根据尽可能最新的信息运行,才能实现最低时延和确定性响应。在工业和医疗应用中,许多决策需要在几毫秒内做出。Embedded+ 能最大限度发挥合作伙伴和客户数据价值,其高能效和高性能算力使合作伙伴与客户能够专注于满足客户和市场需求。”
在同类产品中,Embedded+ 架构率先将领先的 AMD x86 计算与集成显卡和可编程硬件相结合,用于关键的 AI 推理和传感器应用。自适应计算在确定性、低时延处理方面表现出色,而 AI 引擎则能够提升高每瓦性能推理。锐龙嵌入式处理器包含高性能“ Zen ”核心和 Radeon™ 显卡,还可提供极为卓越的渲染和显示选项,提升 4K 多媒体体验,同时,内置的视频编解码器可用于 4K H.264/H.265 编解码。
低时延处理和高每瓦性能推理的结合可为关键任务实现高性能,包括将自适应计算与灵活的 I/O、用于 AI 推理的 AI 引擎以及 AMD Radeon 显卡实时集成到单个解决方案中,发挥每项技术的最大优势。
Sapphire Technology 推出首款 AMD Embedded+ ODM 解决方案
Embedded+ 还支持系统设计人员从基于 Embedded+ 架构的 ODM 板卡产品生态系统中进行选择,并扩展其产品组合,从而提供最适合客户目标应用的性能和功耗配置。
首款基于 Embedded+ 架构的 ODM 解决方案为 Sapphire Edge+ VPR-4616-MB,这是一款来自 Sapphire Technology 的低功耗 Mini-ITX 主板。它采用锐龙嵌入式 R2314 处理器和 Versal AI Edge VE2302 自适应 SoC,以低至 30W 的功耗提供了全套功能。此外,VPR-4616 还适用于全系统,包括内存、存储、电源和机箱。
Sapphire Technology 全球营销高级副总裁 Adrian Thompson 表示:“借助采用经过验证且可靠的计算架构,我们得以集中资源用于加强产品其他方面,进而缩短产品上市进程并降低研发成本。Embedded+ 是一款出色的简化平台,可用于构建具备领先性能和功能的解决方案。”
Sapphire Technology 的 Embedded+ 认证 VPR-4616-MB 将于发布之时即刻可供客户进行采购。
相关资源
· 进一步了解 AMD Embedded+
· 购买 Sapphire Edge+ VPR-4616-MB
好文章,需要你的鼓励
Songscription公司发布AI音乐转录工具,可在几分钟内将音频文件转换为乐谱。该产品采用免费增值模式,面向专业和业余音乐家。目前主要支持钢琴转录,未来计划增加吉他谱等功能。用户可上传音频文件或直接从YouTube链接进行转录,系统还能生成钢琴卷帘谱。公司定位为增强型音乐记谱软件,帮助用户加速转录过程。该初创公司已获得Reach Capital的预种子轮融资。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
甲骨文宣布签约一位神秘大客户,预计从2028财年开始每年将贡献超过300亿美元收入,这将使其云业务规模翻倍以上。CEO萨弗拉·卡茨透露,公司多云数据库收入持续以超过100%的速度增长。甲骨文2025财年总收入574亿美元,其中云收入244亿美元。公司采用独特的云策略,在竞争对手的数据中心部署自己的基础设施,主要运行甲骨文数据库以提供低延迟访问。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。