将西门子在 DAC 2026 发布的智能体 AI 能力拓展至 3D IC 电热协同设计领域· 跨西门子七款电子设计自动化(EDA)工具,自动编排九个流程阶段,流程设置工作量最高可减少 95%· 可评估的设计方案数量达到原来的 50 倍之多,帮助解决面向 AI 计算的 3D IC 中的电源和热设计约束· 作为西门子可持续扩展的 EDA 智能体 AI 平台的一部分,同样支持长时间运行和自验证西门子宣布进一步丰富与 NVIDIA 合作开发的 EDA 智能体 AI 产品组合。继 DAC 2026 发布自验证智
Yole 集团《2026 Q3 数据中心处理器市场监测报告》显示,智能体 AI 正在拉动数据中心 CPU 需求,CPU 营收环比大涨 35%,增速高于 AI 专用 ASIC(+23%)与 GPU(+13%)。受 DRAM 内存价格大幅上涨影响,GPU 与 AI ASIC 厂商正在收缩产品路线图,部分厂商缩减幅度非常大。到 2031 年,网络芯片占数据中心半导体市场规模比重将攀升至约 34%;当前 AI 集群花在数据传输上的资金占比,已经超过计算本身。2026 年规模达 530 亿美元的数据中心网络芯片市场
能体负载拉高 CPU 算力需求;推理模型、混合专家架构与储备池计算则持续推动 AI 加速。 核心要点智能体 AI、推理模型、混合专家(MoE)架构以及储备池计算,正在改变 AI 负载调用算力资源的方式。
智能体 AI 热度高涨,它对 CPU 的需求显著提升,CPU 供给随之承压。
混合专家模型快速普及,支持专用查询,每次仅需加载少量参数。卷积神经网络(CNN)与大语言模型(LLM)长期主导商用 AI 领域。Meta 等企业自研的推荐模型,虽然仅由单一厂商部署,却已经产生巨大社会影响。这类模型
英特尔针对企业 AI 提出的核心战略观点:模型的价值取决于承载它的整套系统。高管比尔・皮尔逊(Bill Pearson)与阿尼尔・南杜里(Anil Nanduri)在文章中提出,开源软件是连接 CPU、GPU、数据与业务应用的纽带。其传递的信息十分明确:加速器性能固然重要,但落地部署的成功,依赖全栈层面的集成、运维规范与灵活性。这一区分至关重要,因为企业级 AI 很少是简单把提示词直接发给模型。一个可用的应用,首先要核验用户身份、调取私有文档、查询数据库、调用业务工具并执行权限策略;之后输出回答、记录完整
Imagination Technologies(以下简称“Imagination”)今日公布了其E系列GPU IP的首批性能数据和演示结果,并推出全新的Neural Super Resolution(NSR,神经超分辨率)AI加速超分辨率解决方案。这些最新进展进一步体现了Imagination的GPU-first战略:通过一套架构和一套软件栈,让芯片设计厂商能够运行图形、计算和AI等不同类型的工作负载。随着边缘设备应用日趋复杂,芯片设计厂商不断新增针对不同工作负载的专用加速模块、软件栈与数据通路;这种碎
CAST 推出了TCPIP‑100G可综合 IP 核,专为 ASIC 与 FPGA 实现全硬件 TCP/IP 协议栈。该 IP 核最高可实现 100Gbps 收发速率,无需依赖主机处理器。这一点至关重要:它并非仅做校验和计算、或是只加速部分耗时操作而把连接管理留给软件的网络接口模块。CAST 表示,该 IP 核可自主完成 TCP 连接的建立、维护与关闭,在数据通路内部处理重传、流量控制与拥塞控制。对于集成该 IP 的系统,其编程模型相对简单。固件将网络与连接参数写入控制寄存器,再将应用数据流入、流出该 I
半导体设计 IP(知识产权核)市场规模达到 94.5 亿美元,它同时也是全球半导体整条价值链绝对的架构瓶颈。如今在 IP 层做出的技术选择,决定了下游科技产业的成本、功耗与安全水平;而该产业预计在本十年末规模将迅速迈向万亿美元级别。根据 SemiWiki 最新设计 IP 报告,2025 年全球设计 IP 市场规模同比增长 12.7%,达到 94.519 亿美元。在复杂宏观环境下实现强劲的两位数增长,证明设计 IP 依旧是芯片创新的核心基础。不过,只看表面增长率,会忽略行业内部两股力量拉扯形成的深层战略矛盾
英特尔为新一代开源多模态视频模型MiniMax H3提供Day 0首发支持。依托英特尔锐炫™ Pro B70的硬核实力及完整软件生态,英特尔在第一时间实现了对该模型的深度适配,充分展现出其在AIGC前沿应用领域中高效响应、快速交付的卓越表现,也为广大创意人士打开了一条低门槛、低成本、快速出片的视频创作新路径。视频生成模型改写了AI在创意行业中的产业定位:借助AI开启创作的形式,已从边缘变成了主流,大模型也逐渐从辅助工具成长为核心担当,商业潜力持续释放。但成本依然是其规模化落地的道路上绕不开的一道坎。作为开
NVIDIA 最近将 ST 认定为 NVIDIA AI Factory MGX 生态系统的贡献者。NVIDIA MGX 是一种模块化参考架构,可作为数百种 GPU、CPU、存储设备等组件的基础。得益于双方的持续合作,ST 的 40 V、12 V 和 6 V 架构可帮助打造高密度供电板卡,并将其用于 NVIDIA MGX 机架中。简单来说,NVIDIA MGX 通过提供一个工程师可以快速构建的基础,加速了 AI 数据中心的创建。随着行业向 800 V HVDC AI 数据中心 迈进,这类协作将确保平稳而快速
除了加速器,AI 性能还要看内存输送数据的速度聊到AI,大家往往关注的是整个系统中最瞩目的部分,比如加速器、集群规模、模型大小。但随着 AI 系统变得越来越复杂,数据中心负责人们必须要面对一个务实且重要的问题:我们的平台能否迅速调度数据,让整个庞大的算力系统满载运转? 比拼内存带宽的时刻,到了现代 AI 主机 CPU 需要支持更大的模型、更密集的 GPU 配置以及数据密集程度越来越高的管道。在这种环境下,内存性能不再是一个次要的规格指标。它将决定 CPU、加速器和存储是作为一个协同系
在英伟达GPU与CUDA生态长期垄断AI训练、科学仿真领域的行业背景下,以LineShine(灵晟)纯CPU超算为代表的全新算力体系登上了TOP500榜首,印证了矩阵增强型CPU 正在重构高性能计算底层硬件标准。近日,杰克・唐加拉、松冈聪、托尔斯滕・赫夫勒三位 高性能计算的权威学者联合发布论文《Do We Still Need GPUs? Rethinking AI and Scientific Computing on Matrix-Enhanced CPUs》,完整拆解了无 GPU 同构超算的四层核心