同时得到较大提升的还有安全特性,主要包括一些指令的延迟降低,并加入了新的指令,以及支持RDSEED——对随机数产生器运行方式上的改进,最后是SMAP——虚拟化方面的改进。经过长久的发展,虚拟化特性的重点当前已经转移到Uncore部分,包括APIC中断管理器以及PCIe Root Complex上,但仍有一些指令集方面的改进是包含在Core核心内,以下是这些特性的简单介绍:
加密方面的性能提升是比较显著的,PCLMULQDQ操作的乘法器的吞吐量翻倍,延迟降低;由于新指令ADCX/ADOX的加入,RSA类操作的提升可以达到60%以上
RDSEED:Non-Deterministric Random Bit Generator,不确定性随机位产生器
SMAP类似于SMEP,避免超级管理器模式下无意访问用户页面的数据(SMEP则是反过来)
Intel TSX:Transactional Synchronization Extensions,事务同步扩展,现在终于在Xeon E5上可用了
需要特别一提的是最后的Intel TSX指令集,Broadwell中,各种粒度模式下的性能都得到了改进。限于时间关系,不详细介绍,以下是Haswell上的介绍:
TSX:Transactional Synchronization Extensions,事务同步扩展
再一次地,和核心架构的改进不同,指令集的增强需要程序使用新的指令集进行编写和编译。不过,TSX笔者预计将来是一个可以提供显著影响的特性。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
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。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
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。