首页 科技内容详情
2022世界杯皇冠网址:玩元宇宙需要多少算力?英特尔:现在的再增加一千倍

2022世界杯皇冠网址:玩元宇宙需要多少算力?英特尔:现在的再增加一千倍

分类:科技

网址:

SEO查询: 爱站网 站长工具

点击直达

选自 the Verge

机器之心编译

机器之心编辑部

是时候给元宇宙泼一波冷水了。

在元宇宙(metaverse)这条赛道上,英特尔并未缺席。

英特尔本周首次就元宇宙发表声明称未来将有一个与物理世界平行存在的虚拟世界,但同时也提出了一个关键的问题:几乎没有足够的处理能力来实现元宇宙。

英特尔高级副总裁兼加速计算系统和图形部门负责人 Raja Koduri 称:「元宇宙可能是继万维网和移动端之后下一个主要的计算平台。」但 Koduri 很快就给元宇宙即将到来的想法泼了一盆冷水,他表示:「我们今天的计算、存储和网络基础设施根本不足以实现这一愿景。」

至关重要的是,Koduri 甚至不认为我们已具备接近实现的条件。他说:「实现元宇宙所需的算力将是现在全部算力的 1000 倍。」

Raja M. Koduri 是英特尔加速计算系统和图形 (AXG) 集团的高级副总裁兼总经理。

许多元宇宙炒作都是围绕人们具体所做的事情建立的,无论是虚拟现实会议还是数字音乐会,当然还有基于区块链和 NFT 的集成。还有在虚拟和增强现实耳机方面也有很多令人兴奋的进展,包括 Meta 的 Quest 等。

但元宇宙的实际构建块不仅仅是软件和虚拟空间,或者是耳机等可穿戴工具。元宇宙的未来将依托庞大的计算机和服务器集群来运行巨大的共享虚拟世界。而英特尔在这一点上拥有最多的现实经验,他们认为今天的计算机不够强大,无法实现元宇宙,甚至还差得很远。

Meta 的旗舰 VR 空间 Horizon Worlds 最多可容纳 20 名参与者。对于最基本的 Roblox 风格的动画世界,最先进的 VR 技术仍然需要数千美元的 PC 游戏硬件,而且还存在很多缺陷。

正如 Koduri 所指出的那样,目前的技术甚至无法仅将两个人置于真正详细的虚拟环境中。想象一下实现这一点需要什么?

,

2022世界杯皇冠网址www.9cx.net)实时更新比分2022世界杯皇冠网址数据,2022世界杯皇冠网址全程高清免费不卡顿,100%原生直播,2022世界杯皇冠网址这里都有。给你一个完美的观赛体验。

,

逼真的服装、头发和肤色...... 所有的一切都需要实时渲染,并且要基于捕捉真实世界 3D 对象、手势、音频等;

以超高带宽和极低延迟进行数据传输;

整个环境的持久模型,其中可能包含真实和模拟元素......

这仅适用于两个人的虚拟环境,根本无法扩展到数亿用户,而 Ready Player One、Snow Crash 或 Matrix 风格的元宇宙概念则需要更多的计算基础设施。

当然这对英特尔来说也未尝不是件好事,因为这需要大量更先进的计算机和服务器。作为为消费类设备和数据中心等制造 CPU 和 GPU 的公司,如果元宇宙需要将计算能力提高 1000 倍,那么英特尔等企业也会从中获益。

英特尔的目标是在未来实现 10 倍晶体管密度,再将芯片面积扩大 30-50%,同时寻找超越经典晶体管的方法。

但问题是,即使是英特尔也不认为仅靠硬件就能让我们达到 1000 倍的算力。正如 Koduri 在接受 Quartz 采访时解释的那样:「我们认为标准的摩尔定律曲线只能让我们在未来五年内实现约 8 倍或 10 倍的增长。」

相反,Koduri 乐观地预测算法和软件的改进将弥补差距,例如机器学习驱动的神经网络,或是英特尔已经用于其 Deep Link 技术的人工智能增强型计算技术等。不过,英特尔指望算法或人工智能在其现有硬件路线图的基础上,将计算能力提高一百倍(或更多),这仍是个巨大的问题。

Koduri 在 Quartz 的采访中还指出,改进软件和算法不仅是缩小实现差距所必需的,还对减少能源消耗至关重要。

「软件将填补硬件留下的任何空白」,这种说法似乎是在袖手旁观。但现实是许多大型科技公司都认为 AI 和机器学习将解决他们的计算问题,从改善智能手机相机到提供升级的游戏视觉效果,方方面面都将依赖于人工智能。

然而,在硬件改进就只能实现 10 倍提升的情况下,依靠软件和算法来实现 100 倍的计算提升仍是一项艰巨的任务。真正实现元宇宙还有很长的路要走。

https://www.theverge.com/2021/12/15/22836401/intel-metaverse-computing-capability-cpu-gpu-algorithms

苏黎世联邦理工DS3Lab:构建以数据为中心的机器学习系统

苏黎世联邦理工学院(ETH Zurich) DS3Lab实验室由助理教授张策以及16名博士生和博士后组成,主要致力于两大研究方向,Ease.ML项目:研究如何设计、管理、加速以数据为中心的机器学习开发、运行和运维流程,ZipML项目:面向新的软硬件环境设计实现高效可扩展的机器学习系统。

发布评论