人工智能芯片初创公司SiMa Technologies Inc.今日宣布,其专为多模态物理AI工作负载设计的第二代系统级芯片平台正式出货。
这款名为MLSoC Modalix的新芯片旨在嵌入机器人、工业设备、车辆等设备中。
该芯片采用系统级模块设计,匹配主流图形处理器的引脚配置和外形规格,使其能够作为运行AI模型的边缘设备的物理"大脑"。该芯片允许公司运行各种AI系统,包括Meta Platforms Inc.的Llama等大语言模型、卷积神经网络、Transformer模型、视觉语言模型以及其他机器学习算法。
物理AI是指人工智能与物理系统的结合,包括机器人、自动驾驶汽车和智能设备。这种集成使这些系统能够感知环境、与环境交互并从经验中学习。它结合了大语言模型等AI算法,使其能够处理来自摄像头和其他传感器的数据,然后基于这些信息做出决策。
该技术严重依赖于能够在边缘处理计算的低功耗硬件,小型计算机可以处理大量传感器数据并直接在车辆或机器人中运行AI模型,而无需将其卸载到云端。数据需要处理的位置距离行动现场越远,机器人或机器做出反应的往返时间就越长。当需要做出安全或关键决策时,或者当网络不可用时,这种延迟就成为问题。
该公司去年首次发布了Modalix机器学习系统级芯片,今天宣布该系统和芯片组正式出货,可立即供应。
据SiMa.ai介绍,Modalix系统级模块将通过提供能够处理多种模型并轻松集成到现有系统中的芯片,帮助运营商满足行业对边缘市场不同类型AI系统的多样化需求。
SiMa.ai表示,它与电子设计自动化领域的领先公司Synopsys Inc.合作开发和创新这款新芯片,加速设计并在创纪录的时间内实现无缺陷硅片。
"物理AI应用的开发需要经过验证的、专用的硅片和软件,这只有使用最先进的设计解决方案才能实现,"Synopsys首席产品管理官Ravi Subramanian表示。
除了Modalix系统级模块外,SiMa.ai还推出了LLiMa,这是一个用于在设备上运行大语言模型、视觉语言模型等的统一框架。它使开发人员能够快速将开源和自定义AI模型导入到Modalix就绪的二进制文件中,同时还支持物理AI应用的众多库。
视觉语言模型(VLM)将大语言模型的功能与视觉推理相结合,允许它们处理文本和图像,这对于对图像或视频的组件进行分类和理解至关重要。与机器人或其他系统结合,VLM可用于自动化产品和零件的视觉检查以识别缺陷并确保质量标准,使机器人能够理解并基于自然语言命令执行任务,通过供应链跟踪和监控产品等。
"物理AI时代已经到来!随着Modalix现在投入生产,我们正在加速其全球采用,"SiMa.ai创始人兼首席执行官Krishna Rangasayee表示。
Rangasayee补充说,在全球发布之前,对系统级模块的需求一直很强劲。该模块和开发套件今天可从SiMa.ai获得,用于1000台的企业部署,8GB系统级模块起价349美元,32GB系统级模块起价599美元每台。开发套件定价为1499美元。
Q&A
Q1:MLSoC Modalix芯片有什么特殊功能?
A:MLSoC Modalix是SiMa.ai推出的第二代系统级芯片,专为多模态物理AI工作负载设计。它能够运行各种AI系统,包括大语言模型、卷积神经网络、Transformer模型、视觉语言模型等,可作为机器人、工业设备、车辆等边缘设备的物理"大脑"。
Q2:什么是物理AI?它有什么应用?
A:物理AI是人工智能与物理系统的结合,包括机器人、自动驾驶汽车和智能设备。它使这些系统能够感知环境、与环境交互并从经验中学习。应用包括自动化产品质量检查、使机器人理解自然语言命令执行任务、供应链产品跟踪监控等。
Q3:MLSoC Modalix芯片的价格是多少?
A:MLSoC Modalix现已正式出货,用于1000台的企业部署。8GB系统级模块起价349美元每台,32GB系统级模块起价599美元每台,开发套件定价为1499美元。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。