/
報告：Nvidia 加快開發針對中國市場的新型低功耗 Blackwell GPU
英偉達為應對出口限制，正在研發基于 Blackwell 架構但規格較低、成本較低的新型 AI 芯片，計劃6月開始量產，搶占中國市場。
英特爾發布全新至強6處理器：釋放GPU潛能，提升AI性能
配備Priority Core Turbo的全新至強6處理器可提升AI工作負載性能，并將率先應用于英偉達最新推出的DGX B300 AI系統。
該需要多少 NVIDIA CUDA Cores ？
在 GPU 眾多特性中，NVIDIA GPU 憑借其獨特的 CUDA 架構和豐富的 CUDA 核心而備受矚目。然而，由于 GPU 資源的高昂成本和相對稀缺性，如何根據實際需求選擇合適的 GPU 變得尤為重要。
RTX5090震撼發布，一文帶你看懂英偉達CES2025發布會。
5090只要1999刀，核算成人民幣不提黃牛或者不能進國內這種事，只要不到1w5就能拿下，香到爆炸好吧。5070只要$549，在老黃的口徑上，性能直接與4090相當，關鍵是，價格只要4090的三分之一啊。
深度學習最佳 GPU，知多少？
在深度學習領域，GPU因其并行計算能力成為理想硬件解決方案。GPU處理大規模數據集時高效，尤其適合AI中的矩陣運算。NVIDIA A100、RTX 4090、Quadro RTX 8000和AMD Radeon VII是深度學習的推薦GPU型號，各有特點和適用場景。選擇GPU時需考慮CUDA核心、Tensor核心、顯存容量、框架兼容性及預算。
一文讀懂 GPU 資源動態調度
眾所周知，隨著人工智能、深度學習以及高性能計算（HPC）的快速發展，GPU （Graphics Processing Unit）已經成為現代計算體系中的核心計算資源之一。相比傳統的 CPU，GPU 在并行計算方面具備顯著優勢，加速大規模數據處理和復雜計算的關鍵。
2024 AI服務器市場競爭格局
AI服務器產業鏈上游為零部件，包括CPU、GPU、存儲芯片、固態硬盤、PCB、被動元器件等；中游為AI服務器；下游為各類應用市場，包括互聯網企業、云計算企業、數據中心服務商、政府部門、金融機構、醫療領域、電信運營商等。
超大規模集群：CPU&GPU部署與實踐
GPU應用已深刻影響各類業務（搜廣推、音視頻、MMU、風控等）場景，快手內部GPU在線服務及離線訓練任務均完成云原生化遷移。
趨勢丨速度提升數十倍，用光子計算重塑AI算力集群
要實現超強的AI能力，需要超大規模的模型，要訓練超大規模的AI模型，需要數千，甚至上萬的GPU協同工作。這就帶來幾個問題：更多的GPU造成的高能耗，計算卡與計算卡之間的通信延遲，計算集群與計算集群之間的通信延遲和算力損耗。那么，如果用光來計算，用光來傳輸，會怎么樣？
Google Cloud發布下一代TPU和GPU集群 增強AI Hypercomputer堆棧
Google宣布推出了第六代張量處理單元Trillium TPU，以及即將推出由Nvidia H200 GPU驅動的新型A3 Ultra虛擬機，此外還有基于Axion Arm架構的C4A VM，從今天正式面世。
英偉達黃仁勛談領導力、“token”和生成式人工智能對人類員工的影響
英偉達（Nvidia）首席執行官黃仁勛身著標志性黑色皮夾克本周二在美國佛羅里達州奧蘭多的 Gartner IT 研討會/XPO 大會上發表了備受矚目的主題演講，他在演講中談論了一系列的領導力話題。
HPE CEO談收購Juniper、AI發展和競爭對手思科
Neri還談到了HPE完成Juniper收購交易之后的渠道合作伙伴戰略和產品集成愿景，他說這可能只是“幾周之后的事情”。“Juniper擁有出色的QFX架構，需要進行一些現代化和加速，我們將把它和我們的HP Slingshot架構結合起來，正在使用它來擴展數萬個GPU，而且隨著時間的推移將它們整合在一起。因為我們相信，借助我們的高性能硅片，我們可以降低平臺的復雜性。”
NVIDIA宣布向OCP貢獻Blackwell GPU平臺設計
NVIDIA表示，已經將Blackwell加速計算平臺設計的部分內容貢獻給Open Compute Project（OCP），并在Spectrum-X網絡結構中擴大了對OCP標準的支持。
AMD發力GPU計算領域，現在壓力來到英偉達這邊
如果說世界上有哪個市場迫切需要激烈競爭，自然就是推動AI革命的數據中心GPU市場。目前英偉達幾乎就是行業內唯一的神。
CUDA vs OpenCL：GPU 編程模型該如何選？
近年來，GPU（圖形處理單元）已從最初的圖形渲染專用硬件，發展成為高性能計算領域的“加速器”，為各類計算密集型任務提供了強大的并行計算能力。GPU 編程，即利用 GPU 的并行架構來加速應用程序的執行，已成為推動科學計算、人工智能、大數據等領域快速發展的重要驅動力。
CPU vs GPU：為什么GPU更適合深度學習？
憑借其卓越的數據處理能力，深度學習使得計算機能夠實現多種過去僅為人類所獨有的認知智能。通常而言，深度神經網絡的訓練過程極其復雜，通常需要進行大量的并行計算。
詳解英偉達Grace Hopper超級芯片架構
NVIDIA Grace Hopper 超級芯片架構將 NVIDIA Hopper GPU 的開創性性能與 NVIDIA Grace CPU 的多功能性結合在一起，在單個超級芯片中連接了高帶寬和內存相關 NVIDIA NVLink Chip-2-Chip (C2C) 互連，并支持新的 NVIDIA NVLink Switch System 。
關于 GPU ，你所應該了解的
Luga討論了GPU在人工智能生態中的重要性，特別是在加速AI核心算力構建方面。GPU以其高度并行的架構，在深度學習等AI技術中展現出卓越性能。與CPU相比，GPU在處理圖形渲染、機器學習、視頻編輯等計算密集型任務時具有顯著優勢。GPU和CPU的協同工作提高了數據吞吐量和并發計算能力。GPU的應用場景包括專業可視化、機器學習、區塊鏈和模擬技術等領域。
京公網安備 11010802021500號
