Внедрение технологий ИИ в жизнь (программы, устройства, услуги)

Программист больше не нужен? Cursor научился создавать сайты под ключ​


Облачные агенты Cursor создают код, разворачивают PostgreSQL, подключают авторизацию и готовят приложение к публикации.
image

Редактор кода Cursor научился самостоятельно создавать и публиковать полноценные веб-приложения. Пользователю достаточно описать задачу обычными словами, а искусственный интеллект напишет программу, настроит базу данных, организует доступ и разместит готовый сервис в интернете.
Новую функцию Build Live Apps представили 5 ноября 2026 года. Разработчики Cursor решили устранить одну из главных проблем программирования с помощью ИИ. Нейросети уже способны создавать работающие приложения, но многие проекты так и остаются на компьютерах авторов, поскольку для их публикации требуется отдельно настраивать серверы, базы данных и систему авторизации. Теперь весь процесс объединён в одном инструменте.
Для начала работы нужно запустить облачного ИИ-агента Cursor и прямо попросить его создать приложение. Система подготовит структуру проекта, сгенерирует необходимые файлы и настроит инфраструктуру. Если программе требуется хранить информацию, агент автоматически развернёт базу данных PostgreSQL. Для закрытых корпоративных сервисов Cursor также настроит вход через собственную систему единой авторизации SSO.
После подготовки проекта пользователь сможет посмотреть предварительную версию приложения и выбрать уникальный адрес для публикации. Cursor самостоятельно разместит программу на хостинге и выдаст рабочую ссылку. При этом решение о запуске остаётся за человеком. Без явного подтверждения приложение не станет доступным другим пользователям, даже если искусственный интеллект полностью завершил разработку.

Функция рассчитана прежде всего на небольшие корпоративные инструменты, для создания которых раньше приходилось привлекать программистов. Среди примеров Cursor называет панели мониторинга продаж, системы регистрации на мероприятия, распределения рабочих мест, обучающие порталы и сервисы для управления внутренними процессами. Подобные приложения уже используют сотрудники отделов продаж, финансов, юридических служб и технических подразделений самой компании.
Отдельное внимание разработчики уделили подключению корпоративных систем. Например, если приложению требуется получать сведения из внутреннего хранилища данных, Cursor запросит необходимые ключи доступа. Согласно документации, секретные значения сохраняются отдельно от кода, а сам ИИ-агент не получает доступа к их содержимому. Администраторы организаций могут централизованно управлять такими ключами.
Перед публикацией Cursor автоматически проверяет приложение на распространённые проблемы безопасности. Четыре обязательные проверки выявляют ключи и токены, записанные непосредственно в файлах программы, блокируют публикацию файлов с учётными данными, исключают конфигурационные файлы .env и удаляют карты исходного кода, способные раскрыть внутреннюю структуру приложения. Дополнительно ИИ анализирует программные файлы и пытается обнаружить серьёзные уязвимости.
Если проверка обнаружит проблему, публикация остановится, а агент объяснит, что необходимо исправить. Администраторы могут добавлять собственные требования к анализу безопасности и разрешать запуск приложений, заблокированных проверкой ИИ. Однако обойти обязательную блокировку вредоносного кода, встроенных секретных ключей и открытых учётных данных нельзя. Все изменения административных настроек фиксируются в журнале аудита.
После запуска автор может открыть доступ отдельным сотрудникам, выбранным группам или всей организации. Для закрытых приложений потребуется авторизация через Cursor. В индивидуальных тарифах предусмотрена публичная публикация, а в корпоративных Teams и Enterprise такая возможность по умолчанию отключена, хотя администратор может её разрешить. Каждый пользователь или команда получает изолированную среду размещения приложений.
Для автоматического взаимодействия с опубликованными программами предусмотрены API-ключи Cursor. Благодаря им приложения смогут использовать внешние сценарии, инструменты непрерывной интеграции и автоматизированные помощники, включая Grok Bot. При этом доступ ограничивается правами владельца ключа или конкретной команды, поэтому наличие технического интерфейса само по себе не открывает закрытый сервис посторонним.
Новая возможность поддерживает проекты, созданные с нуля, и существующие репозитории GitHub. Для новых разработок можно использовать Cursor Origin, собственную систему хранения исходного кода компании. Поддержку других Git-платформ, включая GitLab, разработчики обещают добавить позднее. Приложения создаются именно облачными агентами, локальный режим Cursor для такой задачи пока не подходит.
Несмотря на встроенные проверки, автоматическая публикация не гарантирует безопасность готовой программы. ИИ способен допускать ошибки в разграничении доступа, обработке пользовательских данных и бизнес-логике. Ранее исследование безопасности приложений, написанных с помощью ИИ-инструментов, показало, что внешне работоспособные проекты могут содержать серьёзные уязвимости. Поэтому особенно осторожно следует подходить к публикации сервисов, работающих с персональными данными и корпоративной информацией.
Развитие Cursor продолжает тенденцию вайб-кодинга, когда человек описывает желаемый результат на естественном языке, а нейросеть самостоятельно создаёт программный код. Однако новая функция расширяет автоматизацию за пределы написания программы. Теперь ИИ берёт на себя подготовку инфраструктуры, настройку доступа и размещение приложения, сокращая технический путь от первоначальной идеи до работающего веб-сервиса.
Build Live Apps уже доступна на всех платных тарифах Cursor, предусматривающих использование облачных агентов. Для работы необходимо обновить редактор. При этом компания не раскрыла в анонсе конкретные лимиты хостинга и расходы на эксплуатацию опубликованных приложений. В условиях использования отдельно оговаривается, что размещение предоставляется без гарантий доступности, а ответственность за созданные программы остаётся за их владельцами.

Источник Для просмотра ссылки Войди или Зарегистрируйся
 

Российские компании переплачивают за зарубежный ИИ до девяти раз — посредники объяснили, откуда берётся наценка​


Российские компании до девяти раз переплачивают за доступ к зарубежными моделям искусственного интеллекта по сравнению с ценами, которые предлагают их разработчики. Отечественные поставщики таких услуг объясняют разницу необходимостью переводить рублёвые платежи, гарантировать доступность сервисов и обеспечивать юридически чистый доступ.

 Источник изображения: Solen Feyissa / unsplash.com

Источник изображения: Solen Feyissa / unsplash.com​

На существенную разницу в ценах обратила внимание администрация платформы для создания ИИ-агентов Nodul. За основу расчётов взяли сценарий потребления 2 млн входных и 10 млн выходных токенов — такой объём ресурсов уходит на один–три дня работы специалиста с помощником программиста или разовое ревью средней кодовой базы. Зарубежные тарифы пересчитывались по курсу 82 руб. за $1; скидки и налоги в расчёт не принимались.
Самая высокая, девятикратная, наценка обнаружилась на платформе Yandex AI Studio при доступе к моделям DeepSeek V4.1 Flash — 4000 руб. против 443 руб. в оригинале. Покупка доступа к Anthropic Claude Opus 5.5 через российского провайдера обходится в 14,2 тыс. руб. против 6,5 тыс. руб. при прямом обращении — более чем вдвое дороже. Аналогичной оказалась разница при доступе к моделям Claude Sonnet 5.5 и OpenAI GPT-6.1 Sol — 7,1 тыс. руб. против 3,2 тыс. руб. из первых рук.


Помимо собственно доступа к модели по API российский провайдер берет на себя международные расчёты, комиссии, налоги, документооборот и обеспечение доступа к зарубежным сервисам — затраты требуются даже простом проксировании запросов, если сервис должен оставаться стабильным, отметили в ITGlobal.com. В Yandex AI Studio напомнили, что предоставляют доступ не только к зарубежным, но и к отечественным моделям ИИ — на их платформе доступ к моделям «Яндекса» обходится на 31 % дешевле.
У зарубежных провайдеров отсутствуют обязательства перед российским пользователем, пояснили в Cloud.ru — платформа предлагает доступ без VPN, с оплатой в рублях, гарантиями доступности, защитой данных и интеграцией с другими продуктами. Кроме того, при подключении через цепочку посредников никто не даст гарантии, что запросы и ответы моделей не перехватываются, а учётные записи, через которые идёт доступ, внезапно не отключат, добавили в AI Platform MWS Cloud (МТС).

Ещё один вариант обеспечить стабильную работу с ИИ — запускать модели локально. Проанализировав цены на прямой и опосредованный доступ к моделям ИИ, в компании «Энсайн» приобрели сотрудникам рабочие станции и развернули на них бесплатные китайские модели — это решение окупается менее чем за год.

Источник Для просмотра ссылки Войди или Зарегистрируйся

Нейросеть зарубежная, программа российская. Минцифры определилось с правилами игры​



Государство решило не вмешиваться в процесс разработки, однако выставило свои условия.
image

Код, написанный зарубежной нейросетью, сам по себе не закроет программе путь в реестр российского ПО. Такую позицию 12 ноября на CNews Forum Для просмотра ссылки Войди или Зарегистрируйся глава Минцифры Максут Шадаев. Ведомство не планирует вводить особые запреты для продуктов, созданных при помощи генеративного ИИ, включая случаи работы с зарубежными облачными сервисами.
По оценкам министерства и отраслевых объединений, генеративный ИИ применяют уже около 90% ИТ-компаний. Однако стремительного роста заявок в реестр пока нет. Нейросети чаще помогают создавать прототипы, отдельные функции и проверять идеи, чем выпускать крупные корпоративные системы. По словам министра, готовых продуктов, способных заменить целые классы зарубежного ПО, пока немного.
Главный критерий допуска, по словам Шадаева, связан с контролем над результатом, а не с происхождением каждой строки. Компания должна отвечать за готовую программу, поддерживать продукт и самостоятельно вносить изменения. Похожий подход недавно выбрали разработчики ядра Linux: использование ИИ допустимо, но автор обязан понимать и проверять предложенный код.
Отсутствие специального запрета не означает автоматической регистрации. Статья 12.1 закона № 149-ФЗ требует, чтобы права на программу принадлежали допустимому российскому правообладателю, а продукт свободно продавался в стране. Выплаты в пользу иностранных лиц по указанным в законе договорам должны составлять менее 30% выручки от реализации ПО.

Дополнительные правила касаются инфраструктуры и поддержки. Средства хранения исходного и объектного кода, а также компиляции должны находиться на территории России; принудительное управление программой из-за рубежа не допускается. При рассмотрении заявки имеют значение не только возможности готовой системы, но и контроль над обновлениями и работой продукта.
Министр отдельно указал на цену работы с генеративным ИИ и безопасность программ. Использование внешних сервисов создаёт зависимость от доступности сторонних платформ, а автоматическая генерация не гарантирует отсутствие ошибок. Ранее анализ GitHub выявил утечки секретов в проектах с ИИ-помощниками. Риски требуют проверки готового кода независимо от происхождения отдельных фрагментов.
Общее решение о реестре не распространяется автоматически на все сферы применения ИИ. Для объектов критической информационной инфраструктуры готовят отдельный перечень доверенного ПО с усиленными требованиями безопасности. Минцифры также рассматривает ограничения на открытые модели в отдельных сегментах, но конкретные границы и критерии ещё должны закрепить подзаконные акты.
Параллельно ведомство намерено поддерживать собственные языковые модели. Малому бизнесу обсуждают налоговый вычет за расходы на отечественные ИИ-сервисы, крупным заказчикам предлагают возмещать до 80% затрат на передовые внедрения. По словам Шадаева, первые отборы уже прошли, а на целевые гранты поступило несколько десятков заявок. Сроки и условия будущего вычета ещё обсуждаются.

Источник Для просмотра ссылки Войди или Зарегистрируйся

Google встроила «Кошелёк» в Gemini: ИИ сможет анализировать расходы и находить забытые подписки​


В Google Gemini появилась интеграция с «Google Кошельком». Новая функция позволяет отслеживать расходы, находить ненужные подписки и планировать бюджет. Как и в ChatGPT, в котором сегодня появилась функция кошелька (ChatGPT Wallet), пользователи смогут получать информацию прямо в чате.
 Источник изображения: AI

Источник изображения: AI​

Для взаимодействия с кошельком, как сообщает в своём боге Google, необходимо добавить в запрос к Gemini фразу @google Wallet. Например, можно попросить проанализировать расходы за предыдущий квартал и предложить способы сэкономить $1000 за следующие три месяца. В ответ ИИ сможет построить динамические графики движения денежных средств, распределения активов и бюджета.
 Источник изображения: Google

Источник изображения: Google
​
Ещё одна возможность связана с поиском регулярных платежей. Gemini сможет найти подписки, за которые пользователь продолжает платить, и уведомить в случае повышения их стоимости. Также ИИ способен изучить прошлогодние расходы на подарки и поездки, чтобы помочь определить бюджет на предстоящие праздники. Для получения более подробной информации, связанной с финансами, пользователи могут дополнительно подключить свои банковские счета и кредитные карты к Google Wallet через сервис Plaid.

 Источник изображения: Google

Источник изображения: Google​
Google подчёркивает, что Gemini получает исключительно доступ на чтение финансовой информации и не может переводить деньги, управлять счетами или совершать инвестиции. Подключение Wallet остаётся добровольным, а пользователь может в любой момент отключить интеграцию.

Одновременно компания представила обновлённую функцию «Сводка памяти» (Memory Summary), которая позволяет просматривать и редактировать сведения о предпочтениях, интересах и целях, запоминаемые чат-ботом. Интеграция с «Google Кошельком» распространяется на веб-версию и приложения для Android и iOS, но пока доступна только пользователям в США.

Источник Для просмотра ссылки Войди или Зарегистрируйся
 
Последнее редактирование:

ИИ-система за $875 млн будет помогать управлять воздушным движением по всей территории США​

FAA распространяет систему ИИ на всю территорию США после первых заявленных результатов в Вашингтоне. Но профсоюз авиадиспетчеров заявил, что его не привлекали ни к разработке, ни к тесту системы​


Федеральное управление гражданской авиации США (FAA) расширило применение ИИ-системы SMART на все 22 региональных центра управления воздушным движением. Система анализирует погоду, маршруты и загруженность воздушного пространства, но окончательные решения по-прежнему остаются за людьми.
По данным FAA, после запуска SMART в воздушном пространстве над Вашингтоном 21 сентября система помогла перенаправить 180 рейсов. Ведомство утверждает, что это позволило сэкономить в среднем 10 минут на каждом полёте и почти 80 галлонов топлива. Теперь FAA рассчитывает получить сопоставимый эффект по всей стране. О расширении применения системы агентство объявило 10 ноября.
Для просмотра ссылки Войди или Зарегистрируйся
Источник изображения: сгенерировано Muse

SMART — система, которая объединяет сведения о погоде, траекториях полётов, интенсивности воздушного движения и загруженности диспетчерских смен. На основе этих данных она прогнозирует ситуацию в воздушном пространстве, предлагает расписание, более эффективные маршруты и порядок захода самолётов на посадку. При этом рекомендации сначала проверяет группа специалистов FAA в Вашингтоне, а затем передаёт их местным диспетчерским службам. Диспетчеры могут принять или отклонить предложенный вариант: система не управляет самолётами и не заменяет работу авиадиспетчеров.
После первоначального запуска в районе Вашингтона SMART также распространили на центры управления воздушными маршрутами в Атланте, Джексонвилле и Майами. В качестве примера FAA привело грузовой рейс, направлявшийся в международный аэропорт Даллас — Форт-Уэрт: система предложила более короткий и быстрый маршрут. Однако агентство не назвало конкретный рейс и не представило данных о том, как SMART повлияла на обслуживание пассажирских самолётов.
Расширение системы поддержали руководители Delta Air Lines и American Airlines. Однако Национальная ассоциация авиадиспетчеров США (NATCA), представляющая более 15 000 работников отрасли, заявила журналу Flying, что её не привлекали к разработке, испытаниям или внедрению SMART. Поэтому профсоюз не может оценить, как система повлияет на работу диспетчеров. FAA подчёркивает, что ИИ должен помогать специалистам справляться с нагрузкой, а не подменять их решения.

Источник Для просмотра ссылки Войди или Зарегистрируйся
 

Ни актеров, ни съёмок, ни кассовых сборов — созданный ИИ китайский блокбастер провалился в прокате​


Китайская киноиндустрия на личном опыте получила наглядный урок: искусственный интеллект в кино — ещё не гарантия зрительского успеха. Вышедшая на экраны кинотеатров полнометражная фантастическая картина «Саньсиндуй: Прошлое будущего» (Sanxingdui: Future Past), созданная преимущественно с использованием ИИ, провалилась в прокате, собрав в разы меньше денег, чем было затрачено на её производство.
 Источник изображений: Bona Film Group

Источник изображений: Bona Film Group​

За первые три недели проката картина собрала около 1,8 млн юаней (примерно $270 тыс.). Это значительно меньше заявленного бюджета, который, по сведениям издания Caijing со ссылкой на руководство компании-производителя Bona Film Group, составил около 10 млн юаней. Фильм вышел в китайский прокат 23 октября 2026 года и стал первой полнометражной картиной с применением ИИ на всех основных этапах производства, получившей официальное разрешение на кинотеатральный показ.
Искусственный интеллект работал над проектом не самостоятельно: в течение более двух лет вместе с ним над созданием картины трудились около 100 человек, включая сценаристов, режиссёров, художников и монтажёров. Искусственный интеллект использовался для создания изображений, видеоряда, персонажей, декораций и части звукового сопровождения.


Основной технологической платформой стала разработанная китайской компанией Bona система Boka Film Cloud Studio, интегрирующая сторонние генеративные модели, в том числе Vidu от компании ShengShu Technology. За время производства команда создала более 1,2 млн исходных изображений и свыше 100 раз перерабатывала фильм целиком. По словам руководства Bona, фактические затраты составили около 10 млн юаней, тогда как традиционное производство сопоставимого проекта могло бы обойтись минимум в 300 млн юаней.
​
Одной из главных технических проблем оказалось превращение отдельных сгенерированных видеороликов в связное произведение продолжительностью 100 минут. По данным Caijing, большинство генеративных видеомоделей того времени создавали исходные фрагменты продолжительностью от нескольких десятков секунд до нескольких минут. Поэтому фильм пришлось собирать из большого количества отдельных сцен, дополнительно обрабатывая их с помощью монтажа, цветокоррекции, согласования освещения и исправления визуальных дефектов.
В процессе такой работы неизбежно возникали проблемы с сохранением постоянства внешности персонажей, синхронизацией движений губ и переходами фона между сценами. Создатели признают, что в некоторых случаях использовали монтажные приёмы, позволяющие скрыть недостаточную согласованность изображений. Зрители также отмечали неестественную мимику, различия в визуальном стиле отдельных эпизодов и несвязность повествования, что могло стать одной из причин провала. Как отметили специалисты, весь фильм представляет собой набор видеоклипов, из-за чего его восприятие не складывается в целостную картину.
Отдельно негативная реакция зрителей на полнометражный ИИ-фильм могла возникнуть из-за завышенных ожиданий. Искусственный интеллект уже заполнил нишу короткометражек, зачастую низкопробных. Большинство «трюков» ИИ при генерации видеоряда зрители уже видели на экранах своих телефонов — в очередях, в транспорте и бог знает где ещё. Поэтому от полнометражной картины, возможно, ожидали чего-то большего. По факту же на большом экране был показан набор ИИ-роликов, связанных общим повествованием, что привело к закономерному результату.
Наконец, причиной провала фильма могло стать отсутствие «человечности» — ощущения, что фильм создан людьми. Например, вышедшая в прокат в Китае этим летом анимационная картина «Ню Лай», над которой в течение пяти лет работали любители — мать и сын, — принесла создателям сотни миллионов юаней, несмотря на простой сюжет, корявые диалоги и такой же видеоряд.
Партийная пресса в лице газеты КПК People's Daily опубликовала во вторник комментарий с критикой фильма «Саньсиндуй», заявив, что его приём «отражает не только качество отдельного фильма, но и более распространённые проблемы, присущие творческой работе, основанной на искусственном интеллекте», в частности фрагментарность повествования.

С другой стороны, проблема любой киноистории — это прежде всего проблема сценария. Если бы история захватила зрителей, они бы простили всё — и фрагментарность, и остальные огрехи видеоряда. Тем самым та же People's Daily призывает не останавливаться и не разочаровываться из-за неудач: работайте, люди, и успех обязательно придёт.

Источник Для просмотра ссылки Войди или Зарегистрируйся

ИИ OpenAI оптимизировал графический чип AMD на 14 % — годовую работу инженеров нейросеть выполнила за пять месяцев​


OpenAI рассказала о прогрессе в использовании своих моделей искусственного интеллекта при разработке процессоров. ИИ помогает создавать новые схемы и изыскивать новые способы повысить скорость работы и сократить площадь существующих микросхем. Способности моделей проверили на собственном ускорителе OpenAI Jalapeño и на чипах AMD.
 Источник изображения: Milad Fakurian / unsplash.com

Источник изображения: Milad Fakurian / unsplash.com​

OpenAI приступила к работе над Jalapeño в начале 2025 года — тогда для этого использовалась модель GPT-o3 mini. В векторном блоке, который отвечает за выполнение параллельных вычислений, ИИ помог оптимизировать сумматоры и умножители, блоки преобразования данных и узлы специальных операций. Модель повысила эффективность логических схем и перераспределила вычисления между этапами конвейера — в результате для разных операций стали использоваться одни и те же аппаратные компоненты, а объёмы данных, временно хранящихся в памяти, сократились.
Переработав умножитель, модель сократила занимаемую им площадь на 15 % и уменьшила время выполнения операции с двух тактов до одного; площадь сумматора также уменьшилась на 15 % при сохранении прежней задержки в два такта. Предложенные ИИ оптимизации помогли сократить площадь стандартных ячеек векторного блока, по оценке, примерно на 13 %, а матричного — на 10 %.


В рамках сотрудничества с AMD модели OpenAI помогли улучшить характеристики ключевых блоков флагманского графического процкессора компании по трём направлениям: энергопотреблению, производительности и площади (PPA — Power, Performance, Area). По данным OpenAI, модели удалось улучшить совокупные показатели PPA на величину до 14 % относительно уже тщательно оптимизированных исходных проектов. Модель предлагала изменения в RTL-коде SystemVerilog — языке описания цифровых схем на аппаратном уровне. При этом она анализировала не только вычислительные блоки, но и схемы управления и передачи данных. По оценке OpenAI, менее чем за пять месяцев удалось достичь прогресса, на который при традиционном подходе потребовался бы примерно год.
 Источник изображения: Thorium / unsplash.com

Источник изображения: Thorium / unsplash.com​
Часть предложенных изменений AMD уже включила в один из проектов, отправленных на производство, а другие добавила в проектную документацию для использования в будущих версиях чипов. Кроме того, компания подтвердила прирост показателей PPA на несколько процентов в ключевых блоках флагманских центральных процессоров следующего поколения, разработанных с помощью моделей OpenAI. Проверка схем проводилась с использованием инструментов Synopsys: они позволили убедиться, что после изменений блоки сохранили исходное поведение, а также оценить компромиссы между энергопотреблением, производительностью и площадью кристалла.
OpenAI сравнила возможности моделей двух поколений, проведя испытания на двух открытых процессорных ядрах с архитектурой RISC-V: PicoRV32, рассчитанном на программируемые микросхемы, и Ibex, которое используется в OpenTitan. Моделям поставили задачу повысить производительность готовых ядер, а затем спроектировать процессор заново по описанию требований. В испытаниях с сопоставимым объёмом вычислений — около 112 тыс. токенов на один запуск — лучший результат на обоих ядрах показала GPT-6.2 Astra, а GPT-6.1 Sol превзошла GPT-5.6 Sol.
При создании процессора с нуля все пять моделей показали более высокие оценки, чем при попытках улучшить уже существующую схему. Всего в рамках исследования было проведено 9881 испытание. Преимущество проектирования процессора с нуля состоит в том, что в новую схему можно не включать некоторые функции исходного процессора, которые почти не влияют на результаты заданных тестов. С другой стороны, это значит, что подобные испытания не вполне отражают реальные условия разработки: при строгой проверке следует учитывать обязательные функции, ставить более жёсткие ограничения на площадь чипа и проверять схему после физического проектирования.

Далее OpenAI намерена сотрудничать с Synopsys. Две компании разрабатывают ИИ-модель GPT-Synopsys, которая сможет использовать средства автоматизированного проектирования и проверки схем так, как это делают опытные разработчики чипов.

Источник Для просмотра ссылки Войди или Зарегистрируйся
 
Последнее редактирование:

ИИ создал совершенно новую процессорную архитектуру без «костылей» — она разгромила обычные CPU в виртуальных тестах​


Американский стартап Architect Labs представил Frostbite — экспериментальную архитектуру процессора общего назначения, с нуля разработанную с помощью искусственного интеллекта. В бенчмарках разработка в пух и прах разгромила лучший процессор современности, название которого осталось в тайне по юридическим причинам. Искусственный интеллект доказал готовность перевернуть представление о проектировании чипов.

 Процессор из четыр базовых блоков, каждый из которых состоит из четырёх плиток. Источник изображения: Architect Labs

Процессор Frostbite из четырёх базовых блоков, каждый из которых состоит из четырёх плиток. Источник изображения: Architect Labs​

Современные процессоры общего назначения — те, которые сейчас установлены в ваших настольных компьютерах и ноутбуках — немыслимы без множества архитектурных «костылей». Но это насущная необходимость продиктованная преемственностью и требованию поддерживать когда-то созданный список инструкций, а также необходимостью развивать архитектуру не ломая радикально наработки прошлых десятилетий. Сказать, что это съедает производительность и увеличивает энергопотребление — это сильно преуменьшить проблему. Это их пожирает. Созданная с нуля процессорная архитектура позволяет рассчитывать на ускорение вычислений только за счёт отсутствия подобных «пережитков прошлого».
Искусственный интеллект как раз вызрел настолько, что ему можно поручить работу по проектированию процессорной архитектуры. Для людского коллектива на это потребовались бы годы труда, с чем ИИ готов справляться гораздо быстрее. Та же компания Architect Labs в августе этого года сообщила о разработке искусственным интеллектом ускорителя Redwood для задач ИИ всего за две недели. Впрочем, компания умолчала о том, как долго в разработке был проект процессора Frostbite.


 Сравненние базового строения и иерархии кеша обычного многоядерного CPU и многоядерного Frostbite

Сравнение базового строения и иерархии кеша обычного многоядерного CPU и многоядерного Frostbite​
Главная особенность Frostbite — использование математической модели вычислений под названием interaction nets (интерактивные сети), предложенной ещё в 1990 году. В отличие от традиционных процессоров, которые должны определять зависимости между инструкциями и управлять их выполнением, Frostbite использует явное описание связей между операциями. Это позволяет одновременно выполнять независимые вычислительные задачи без традиционного механизма внеочередного исполнения (out-of-order execution). По заявлению разработчиков, на 25 тестовых задачах новая архитектура показала в среднем 4,59-кратное преимущество по производительности на ватт относительно «традиционного процессорного ядра» неназванной компании.
В Architect Labs подчёркивают, что ИИ позволяет проверять модели и архитектуры, которыми проектировщики не интересуются только потому, что их ещё никто не проверял. Проверка стоит огромных денежных и временных затрат, если речь идёт об инженерах, тогда как искусственный интеллект быстро и с гораздо меньшими затратами может проверить смелые идеи, что, собственно, компания продемонстрировала, сделав ставку на идею интерактивных сетей.
 Этапы ИИ-проектирования архитектуры и её реализации. а также работа множества ИИ-агентов на каждом этапе

Этапы ИИ-проектирования архитектуры и её реализации. а также работа множества ИИ-агентов на каждом этапе​
В основу архитектуры положена концепция, при которой программа представляется в виде графа взаимодействующих узлов. Каждый узел имеет определённые входы и выходы, а вычисления происходят посредством локального преобразования связанных пар узлов. Важное свойство такой модели — каждое значение имеет единственного владельца и используется ровно один раз. Это позволяет уменьшить потребность в общей изменяемой памяти, сложных механизмах согласования кешей и централизованном планировании потоков. К тому же, у такого подхода есть естественный параллелизм, что позволяет упростить масштабирование вычислительных ядер.
Программы для Frostbite пишутся на языке Vine, синтаксис которого напоминает Rust, после чего компилятор преобразует их в промежуточное представление Ivy. Сам процессор состоит из вычислительных плиток (tiles), обменивающихся задачами через встроенную сеть. Если блок (плитка) завершил собственную работу, он может забрать задачу у соседнего блока, а при отсутствии работы переходит в неактивное состояние, экономя на потреблении.
Разработка велась с использованием собственной формальной системы описания архитектуры ASL и программной модели Arcmodel. Система позволяла автоматически проверять соответствие архитектуры, аппаратных (RTL) реализаций и тестовых моделей математически заданным правилам. В итоге описание 31 аппаратного блока было преобразовано более чем в 800 тысяч строк формальных спецификаций.
Разработчики сообщают, что система Arcmodel моделировала энергопотребление и производительность примерно в 660 раз быстрее RTL-симуляции. В процессе оптимизации ИИ рассмотрел 58 архитектурных изменений, из которых 37 были приняты. В частности, были найдены способы более точного управления тактовой частотой отдельных блоков, позволившие совместно оптимизировать аппаратную часть и программную среду. ИИ проявил изобретательность и находчивость во многих вопросах, что удивило людей. Часть решений стали абсолютной находкой, ранее не применявшихся в архитектуре чипов.
 Сравненние произвоlительности обычного CPU и процессора Frostbite

Сравнение производительности одного ядра обычного CPU и одного четырёхплиточного ядра Frostbite на разных нагрузках​
Frostbite был программно синтезирован с использованием технологических норм 7 нм. На этапе синтеза расчётная частота достигла 800 МГц, а в итоговом проекте физической топологии (GDS) — 500 МГц. Один вычислительный кластер Frostbite Quad, включающий четыре блока и четыре узла L3, занимает 0,792 мм2. Для сравнения разработчики использовали процессорное ядро неизвестной модели с площадью 0,895 мм2, также рассчитанное для 7-нм техпроцесса.
По результатам 25 тестов среднее преимущество Frostbite по производительности на ватт составило 4,59 раза, а по производительности на единицу площади — 8,77 раза. На 15 тестах, не использовавшихся при первоначальной оптимизации (они были впервые запущены на процессоре), преимущество по энергоэффективности составило 3,83 раза. Позже разработчики обещают провести дополнительные испытания на более широком наборе стандартных бенчмарков SPEC и PARSEC.
 Сравнение энергопотребления на разных этапах работы с данными

Сравнение энергопотребления на разных этапах работы с данными​
Распределение энергопотребления на графике показывает, за счёт чего достигается экономия. Если не учитывать распределение тактов, то CPU общего назначения тратит 57 % энергии на работу с памятью и 27 % — на выборку, декодирование и выдачу инструкций. Frostbite сокращает потребление энергии на работу с памятью до 38 %, а на выборку, декодирование и выдачу инструкций — до 6 %. При этом 26 % энергии тратится на встроенную сеть и планировщик, то есть на распределение работы и передачу сообщений между блоками. Что особенно примечательно, у Frostbite энергопотребление растёт примерно линейно при масштабировании числа ядер, тогда как для CPU увеличение их количества требует такого нагромождения схем и механизмов согласования кешей, что о линейном увеличении энергопотребления не может быть и речи.

В перспективе разработчики собираются реализовать Frostbite на FPGA, подготовить для него операционную систему и работающие программы, а также опубликовать RTL и систему команд.

Источник Для просмотра ссылки Войди или Зарегистрируйся
 
Назад
Сверху