从Nehalem开始,Intel的处理器就可以分为Core和Uncore两大部分,其中,同一微架构的处理器,其Core部分是一致的,根据消费端、企业端的需求不同,使用不同的Core数量以及Uncore部分搭配组合,就得到了整个家族不同的处理器。其中,Core,核心或者核内,属于微架构的范畴。Intel将Haswell的Core改进划分为三个方面:
1.面向提升IPC(Instruction Per Cycle,每周期指令数)的微架构改进
2.供给运算单元的核心微架构改进
3.提升性能的指令集
如下图所示,Haswell号称IPC比Ivy Bridge提升17%:
我们介绍的顺序大抵和上面一致,接下来先介绍的是面向提升IPC的微架构改进。
微架构的改进设计方方面面,不过大致上就是上面列出的5点:
1. 更好的分支预测
2. 更深的缓冲区
3. 更大的TLB(Translation Lookaside Buffer,旁路翻译缓冲)
4. 更多的执行单元
5. 改进的前端单元
首先我们来看Haswell的微架构图示:
Haswell Core at a Glance,Haswell核心一目了然
At a Glance,一目了然的意思,果然可以很直观地看到Haswell微架构上重点在于改进的前端部分(包括改进分支预测)以及执行单元的改进。下图是上一代微架构Sandy Bridge:
实际上,在Intel的NDA会议上并没有介绍到微架构的层次,因此也没有更多的资料可以介绍更进一步的细节。相对来说,缓冲区以及执行单元的改进倒是可以一说:
Haswell在各种硬件缓冲资源上得到了改进,提升幅度大约在5~15%左右,可谓颇为明显
从Nehalem以来,Intel除了如Atom、Quark之外的处理器均一直具有6个执行端口,每个端口具有不同的执行单元但共享相同的入口,这样每个时钟周期前端可以Issued(发射)6条μop。在Haswell当中,执行端口的数量增加到了8个,新增加的端口6是整数ALU、Shift,以及分支单元;端口7这是Store Address。在以往的微架构当中,整数ALU在端口0和端口1和端口5各有一个,然而在端口0和1的任务十分繁重,各种SIMD操作都要占用,因此增加的ALU有利于解放端口0和1,同样地,分支单元一直以来只有端口0具有,端口7新增的分支单元让分支能力倍增,并减少了对端口0的依赖。端口7的Store Address功能以往由端口2和端口3来实现,而在上一代微架构当中,端口2和端口3的宽度为128位,意味着256位的AVX操作需要同时占用两个端口,也就是占用了端口当中的AGU地址生成单元,现在通过额外的端口7,可以允许更多的操作并行运行,同时,端口2和3的宽度也从以往的128位提升到256位,也就是每端口每个时钟周期可以Load多达32字节的数据,同样,端口4(Store Data)的宽度也得到了翻倍,总的来说,笔者认为,Haswell微架构当中,端口数量的增加——最明显的就是Load/Store能力的增加,对于IPC的提升有着显著的影响,因为L1缓存带宽的翻倍对大量的数据处理作用是很明显的,Haswell在L2带宽上也同时得到了倍增:
除了Load/Store能力的明显改进之外,Haswell的端口2额外增加了FMA FP Mult(融合乘加、浮点乘)的能力,FMA性能翻倍。
总的来说,Haswell更进一步地发掘了处理器的ILP(Instruction Level Parallelism,指令集并行度)能力,在各个方面增加并行运算资源,预计除了IPC,超线程的表现也会得到提升。
好文章,需要你的鼓励
思科与英伟达、VAST Data合作推出安全AI工厂,整合服务器、GPU和存储设备为企业提供一体化AI基础设施。该方案采用融合基础设施形式,以AI POD作为核心组件,搭载英伟达RTX PRO 6000 Blackwell GPU和思科UCS服务器。存储方面支持NetApp、Pure Storage或VAST Data产品。VAST声称其InsightEngine能够加速RAG管道,将响应延迟从分钟级降至秒级,支持企业级智能体AI应用。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
随着人工智能深度融入商业文化,97%的高管认为生成式AI将改变其公司和行业。然而,当人们越来越依赖AI处理记忆、推理和创造性任务时,认知外包现象悄然兴起。研究表明,数字依赖正在重塑记忆模式,可能削弱问题解决能力和批判性思维。组织需要在效率与能力保持之间找到平衡,通过认知训练、批判性参与等方式,将AI视为增强工具而非替代品。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。