ZD至顶网CIO与应用频道 06月14日 专栏:在未来五年,存储、设备、芯片和其他硬件方面的创新将彻底变革IT。下面就是CIO应该开始在他们的战略路线图中考虑的10个新兴硬件技术。
1、强化安全性的移动设备
安全仍然是移动设备面临的一个重大挑战。一种选择是英特尔的Software Guard Extension(SGX)技术,将支持在商用CPU上安全加密内存空间。目标是为应用提供一个安全的区域,保护内存和执行。这对于移动设备来说是一个好处,是企业IT部门对付的主要安全漏洞。“我们将看到新一代的系统解决方案即使是在操作系统或者其他基础设施遭到黑客侵袭的时候也能确保安全,”微软印度研究院助理管理总监Sriram Rajamani这样表示。
2、改善机器学习性能的新芯片架构
随着越来越多的IoT和基于设备的应用步入IT主流,新的芯片架构将改善性能赶超图形处理单元(GPU)的性能。这些性能上的改进将显著提高数据传输速度,以及机器学习和分析的执行表现。
3、无人机
无人驾驶飞行器(UAV)将继续推进到商业应用中,不管是运送包裹,拍摄图片,还是测量难进入的地区地形。无人机通过传感器收集IoT数据,输送到中央通信中心。
4、无人操作机器人
机器人可以执行简单的医疗程序、清洁设施、在仓库中挑选和包装货物。这些自动化机器的智能性将随着新技术的加入越来越强大,收集所有机器学习的知识,传送到一个中央数据库中,让任何机器都可以访问。
5、用户更友好的虚拟现实设备
笨重的头戴设备让VR用户们感到头晕,导致企业不愿意使用VR应用。这种情况即将发生改变。例如,Google将为你的智能手机提供一个小型的手持设备,提供超超过老设备的全景视频体验。越来越舒适的VR头戴设备将为企业更多地采用VR铺平了道路。
6、新的存储技术实现更环保的电网
随着电力公司找到更好的方式无缝融合各种能源,例如太阳能、风能和传统化石燃料,转化为无缝的、不间断的能源供应,数据中心也将变得越来越绿色化。今天,使用混合能源是很困难的,因为像风能和太阳能这样的能源是可变的。但是更好的存储可以解决这个问题,推进着进入一个新的绿色时代,每年可以为数据中心和其他能源用户节约大约34亿美元。
7、更多工作中使用的可穿戴设备
Jupiter的研究预测,智能眼镜、智能手表和一系列动作感应设备可以提高生产力达30%。Gartner预测,到了2018年有200万员工,例如执法人员和医护人员,将要求穿戴健康和健身追踪器。
8、本地能源收集用于互联网访问
有了自动化和大量IoT设备添加到互联网的工作负载中,这时候就需要新技术来增加带宽和准备进行连接。华盛顿大学的研究人员已经开发了能够实现互联网连接的温度和动作传感器、摄像头等技术,通过从就近的TV、广播、手机和WiFi信号手机的能源进行通信。一种被称为反向散射的原则让IoT设备可以收集其他电子设备散发的能量,让他们降低自身的互联网带宽需求。这让本地WiFi的消耗量只是现有WiFi芯片组的1/10000。
9、越来越紧凑的闪存内存
3D NAND技术继续向前发展,提供更小体积更轻巧的笔记本电脑、平板电脑和其他设备。这个进展很大程度上是由于像英特尔和美光这样的企业可以垂直地最占闪存内存单元,节约空间,让设备更轻巧更轻薄。
10、非易失性内存
有了非易失性内存,计算可以可以在断关闭后找回信息。展望未来,我们将看到新型非易失性内存,让数据的保存更廉价、更低功耗。这将让更小体积的设备保存更多数据。
好文章,需要你的鼓励
在Meta Connect大会上,Meta展示了新一代Ray-Ban智能眼镜的硬件实力,配备神经腕带支持手势控制,电池续航翻倍,摄像头性能提升。然而AI演示却频频失败,包括Live AI烹饪指导、WhatsApp通话和实时翻译功能都出现问题。尽管Meta在智能眼镜硬件方面表现出色,但AI软件仍远未达到扎克伯格提出的"超级智能"目标。文章建议Meta考虑开放AI生态,允许用户选择其他AI服务商,这可能帮助Meta在AI硬件市场获得优势。
DeepSeek-AI团队通过强化学习技术开发出DeepSeek-R1系列推理模型,无需人工标注即可自主学习复杂推理。该模型在数学、编程等领域表现卓越,在AIME 2024中达到79.8%准确率,编程能力超越96%人类选手。研究团队还通过知识蒸馏技术将推理能力传递给小模型,使7B参数模型也能超越GPT-4o。这项突破为AI推理能力发展开辟新路径。
英伟达同意以50亿美元收购英特尔股份,双方将合作开发多代数据中心和PC产品。英伟达将以每股23.28美元的价格收购约4%的英特尔股份,成为其最大股东之一。两家公司将通过NVLink接口整合各自架构,实现CPU和GPU间的高速数据传输。英特尔将为英伟达AI平台定制x86处理器,并开发集成RTX GPU的x86系统级芯片,用于消费级PC市场。
微软研究院推出rStar-Math系统,通过创新的"深度思考"训练方法,让小型AI模型在数学推理能力上达到甚至超越OpenAI o1水平。该系统采用代码验证、过程偏好模型和四轮自进化训练,将70亿参数模型的数学能力从58.8%提升至90.0%,在美国数学奥林匹克竞赛中达到前20%水平,证明了精巧方法比模型规模更重要,为AI发展开辟了新路径。