随着企业不断探索不同的方式来优化其在数据中心和边缘处理不同工作负载的方式,一家名为Ubitium 的新兴创业公司脱颖而出,提出了一种有趣的、节省成本的计算方法:通用处理。
在半导体行业资深人士的带领下,这家初创公司开发了一种微处理器架构,将所有处理任务(无论是人工智能推理还是通用任务)整合到一个多功能芯片中。
该公司表示,此举有可能改变企业的计算方式,使他们无需依赖不同类型的处理器和处理器核心来处理不同的专业工作负载。该公司还宣布从多家风险投资公司获得了 370 万美元的融资。
Ubitium 表示,目前专注于开发通用芯片,以优化边缘或嵌入式设备的计算能力,帮助企业将部署成本降低 100 倍。不过,该公司强调,该架构具有高度可扩展性,未来也可用于数据中心。
它正在与边缘 AI 计算领域的一些知名品牌展开竞争,例如拥有 Jetson 系列芯片的 Nvidia和拥有 Modalix 系列的 Sima.AI,这表明 AI 专用处理器的竞争正从大型数据中心转移到更独立的设备和工作负载。
为什么采用一体化芯片?
如今,在为边缘或嵌入式系统供电时,组织依赖于集成多个专用处理单元的片上系统 (SoC) — 用于一般任务的 CPU、用于图形和并行处理的 GPU、用于加速 AI 工作负载的 NPU、用于信号处理的 DSP 和用于可定制硬件功能的 FPGA。这些集成单元协同工作,以确保设备提供预期的性能。一个很好的例子是智能手机,它经常将 NPU 与其他处理器一起使用,以实现高效的设备 AI 处理,同时保持低功耗。
虽然这种方法确实有效,但它的代价是增加了硬件和软件的复杂性以及更高的制造成本——这使得企业难以采用。最重要的是,当堆栈中存在一堆零散的组件时,资源利用不足可能成为一个主要问题。本质上,当设备没有运行 AI 功能时,用于 AI 工作负载的 NPU 就会处于闲置状态,占用硅片面积(和能源)。
为了弥补这一缺陷,拥有 200 多项由美国主要芯片公司授权的半导体专利的马丁·沃巴赫 (Martin Vorbach) 提出了通用处理架构。他花了 15 年时间开发这项技术,并最终与首席执行官赵铉信 (Hyun Shin Cho) 和前英特尔高管彼得·韦伯 (Peter Weber) 联手将其商业化。
Shin Cho 解释说,从核心上讲,微处理器架构允许芯片的相同晶体管重复用于不同的处理任务,从而使单个处理器能够动态适应不同的工作负载,从简单控制逻辑所需的通用计算到大规模并行数据流处理和人工智能推理。
Shin Ho 补充道:“由于我们将相同的晶体管重复用于各种工作负载,从而取代了芯片阵列并降低了复杂性,因此我们降低了系统的总成本。根据基准,这是 10 倍到 100 倍的性能/成本比……将晶体管重复用于不同的工作负载大大减少了处理器中的总晶体管数量——进一步节省了能源和硅片面积。”
目标是让先进的计算变得触手可及
Ubitium 希望通过同质、与工作负载无关的微处理架构,用单一、多功能的芯片取代传统处理器(CPU、NPU、GPU、DSP 和 FPGA)。这种整合(可简化系统设计并降低成本)将使高级计算更易于实现,从而缩短消费电子、工业自动化、家庭自动化、医疗保健、汽车、航天和国防等应用的开发周期。
该架构还完全符合用于处理器开发的开源指令集架构 RISC-V。这使得它易于用于物联网、人机界面和机器人等应用。
Cho 解释道:“通过降低高性能计算部署和 AI 功能的门槛,我们的技术使物联网设备能够在本地处理数据并实时做出智能决策。通过使设备能够适应各种系统并与之无缝通信,这也将有助于解决互操作性问题。”
目前,该公司拥有 18 项基于 FPGA 仿真的原型技术专利,并正在开发一系列芯片,这些芯片的阵列大小各不相同,但共享相同的底层通用架构和软件堆栈。该公司计划在未来几个月内推出带有开发套件的多项目晶圆原型,并于 2026 年向客户交付首批边缘计算芯片。
Cho 表示,最终,这项工作将使他们能够为不同的(不断发展的)性能需求提供可扩展的计算解决方案,从嵌入式设备到大规模边缘计算系统。
“我们的工作负载无关处理器还将能够适应新的 AI 开发,而无需进行硬件修改。这将使开发人员能够在现有设备上实现最新的 AI 模型,从而降低与硬件更改相关的成本和复杂性。……通过分离硬件和软件层,我们的目标是将我们的处理器建立为一个标准的计算平台,以简化开发并加速不同行业的创新,”他补充道。
原创文章,作者:王 浩然,如若转载,请注明出处:https://www.dian8dian.com/ubitium-tui-chu-xin-xing-tong-yong-chu-li-qi-jie-jue-bian