[ad_1]
Daejeon- (Newswire)-شرکت توسعه راه حل مربوط به زیرساخت های زیرساخت Panesia در هشتمین اعلام کرد که با موفقیت دستور داده است که پروژه توسعه فناوری K-Cloud را با استفاده از نیمه هادی AI ، سازماندهی شده توسط وزارت علوم و فناوری اطلاعات و ارتباطات و ICT و مؤسسه برنامه ریزی و ارتباطات و ارتباطات (IITP) سفارش دهد. Panesia در نظر دارد راه حل های زیرساختی هوش مصنوعی را ایجاد کند که خدمات AI در مقیاس بزرگ مانند مدل های بزرگ زبان در صفحه (LLM) و تولید تقویت شده (RAG) را بر اساس فناوری CXL ، که در طول دوره کار صادر شده است ، تسریع کند.
تصویر نماینده کار Panesia K-Cloud
Panesia در پانسیا -مبتنی بر ساختار سخت افزار شتاب بزرگ AI مبتنی بر Panesia
Panesia شروع به توسعه راه حل زیرساخت هوش مصنوعی از طریق سفارشات مربوط به کارهای اصلی K-Cloud
با افزایش سریع خدمات هوش مصنوعی ، تقاضا برای کاهش ساخت و ساز و هزینه های عملیاتی در حالی که عملکرد زیرساخت های هوش مصنوعی را افزایش می دهد ، افزایش می یابد. Panesia تعداد زیادی از وظایف اصلی “پروژه توسعه فناوری K-Cloud را با استفاده از نیمه هادی AI” به دست می آورد و توسعه فناوری را برای راه حل های زیرساختی AI نسل بعدی تسریع می کند.
به طور خاص ، Panesia فن آوری های مختلف مرتبط با زیرساخت های هوش مصنوعی مانند سخت افزار حافظه محاسباتی را بر اساس فناوری همگرایی AI ، Link Express Link (CXL) و فناوری تراشه توسعه می دهد. این هدف افزایش استفاده از زیرساخت های هوش مصنوعی ، به حداقل رساندن مصرف انرژی غیر ضروری و در عین حال به حداقل رساندن هزینه ساخت/مدیریت زیرساخت ها است.
استفاده از زیرساخت های هوش مصنوعی را از طریق توسعه بهبود می بخشد
Panesia اولین کسی است که تراشه های نیمه هادی را بر اساس محتوا برای افزایش استفاده از زیرساخت های هوش مصنوعی توسعه می دهد. Copret مفهومی است که می تواند مانند یک بلوک در ساخت یک تراشه نیمه هادی استفاده شود ، که به شما امکان می دهد با مونتاژ بلوک ها ، چندین چوپت را جمع کنید تا یک کار انجام شود. اگر کاربر عملکرد یا منبع متفاوتی نسبت به گذشته بخواهد ، با جایگزینی ظرف موجود با یک cipute متفاوت ، می توان به آن هدف نیز رسید. در نتیجه ، تراشه نیمه هادی مبتنی بر VEPREST می تواند پیکربندی خود را (به عنوان مثال ، نسبت منابع حافظه و منابع محاسباتی) به صورت بهینه شده با توجه به تقاضای کاربر تنظیم کند و در نتیجه می تواند اتلاف منابع را به حداقل برساند.
مصرف برق زیرساخت هوش مصنوعی از طریق فناوری حافظه محاسباتی
Fanesia سپس فناوری حافظه محاسباتی را انجام می دهد که عملیات را در داخل دستگاه حافظه انجام می دهد تا حرکت داده های غیر ضروری را به حداقل برساند. در یک سیستم محاسباتی معمولی ، دستگاهی برای انجام عملیات (به عنوان مثال CPU ، GPU) و دستگاهی برای ذخیره داده ها (به عنوان مثال حافظه ، SSD) از هم جدا شده است. دستگاه برای انجام عملیات به طور مکرر به دستگاه ذخیره شده برای پردازش داده ها نزدیک می شود ، که به دلیل حرکت مکرر داده های تولید شده در این فرآیند ، مقدار زیادی از انرژی را مصرف می کند. برای حل این مشکل ، فناوری حافظه محاسباتی یک فناوری است که با انجام داده های دستگاهی که داده ها در آن ذخیره می شوند ، سربار موبایل را به حداقل می رساند. Panesia قصد دارد با انجام عملیات بر روی یک تراشه نیمه هادی بر اساس تراشه (با تراشه مربوطه) ، فناوری حافظه محاسباتی را توسعه دهد تا با استفاده از حافظه داخلی در داخل دستگاه ، عملیات را انجام دهد.
هزینه ساخت زیرساخت های هوش مصنوعی را از طریق فناوری اتصال CXL کاهش دهید
سرانجام ، Panesia همچنین دارایی های طراحی CXL را نیز معرفی می کند که برای ترکیب تراشه های نیمه هادی به زیرساخت های هوش مصنوعی نیز ساخته شده است. CXL یک فن آوری اتصال با سطح بالا و نسل بعدی است که منابع حافظه و منابع محاسباتی (CPU ، GPU ، NPU و غیره) را به گره های سرور مختلف جدا می کند و گسترش اختیاری منابع/دستگاه های مورد نیاز را با توجه به تقاضای کاربر امکان پذیر می کند. به عنوان مثال ، اگر در رانندگی یک سرویس بزرگ هوش مصنوعی به منابع حافظه اضافی احتیاج دارید ، می توانید با تمرکز روی منابع حافظه بدون خریدهای غیر ضروری مانند منابع عملیاتی یا لوازم جانبی سرور ، روی تقاضا تمرکز کنید. بنابراین ، کاربران می توانند هدر رفتن خریدهای غیر ضروری را به حداقل برسانند.
از آن زمان ، پانسی از طریق نمایش برنامه های مختلف هوش مصنوعی مانند LLM ، RAG و سیستم های توصیه ، بر اساس فناوری در نهایت توسعه یافته ، عملی را تأیید می کند.
با توجه به دستور کار ، پانسیا گفت که فناوری پانزی ، که رهبری توسعه فناوری CXL را بر عهده داشته است ، به نظر می رسد پایه و اساس این پروژه بوده است و انتظار می رود با توسعه موفقیت آمیز بر اساس فناوری ، به محلی سازی فناوری اصلی در زمینه زیرساخت های هوش مصنوعی کمک کند.
از طرف دیگر ، این کار به صورت همکاری با دانشگاه های بزرگ مانند کائیست ، دانشگاه ملی سئول ، دانشگاه یونسی ، دانشگاه کره ، دانشگاه هانانگ ، دانشگاه چانگ -نگ ، پستچ ، و متحد و چهار کنسرسیوم صنعتی متشکل از چهار صنعت از جمله موسسه تحقیقات کره کره انجام می شود. برنامه ریزی شده
مقدمه
Panesia یک شرکت مرتبط با زیرساخت هوش مصنوعی است که راه حل های پیوند را برای کارآمدتر کردن ساختار زیرساخت هوش مصنوعی ایجاد می کند. به عنوان عضو راه حل زیرساخت های هوش مصنوعی ، ما دارایی های طراحی CXL و سوئیچ های CXL را توسعه دادیم. دو نانولوچو دو نانولوچو در جهان زمان به تأخیر افتاد و جایزه نوآوری CES به مدت دو سال متوالی به عنوان یک راه حل زیرساخت هوش مصنوعی با استفاده از CXL.it برای این فناوری شناخته شد.
پیوند در: https://www.linkedin.com/company/panmnesia/
وب سایت: https://panmnesia.com/
این بیانیه مطبوعاتی پانسیا استپسر) این خبری است که از طریق سرویس سیم خبری نوشته و توزیع شده است.
[ad_2]
لینک منبع
