All Node List by Editor

作者：ADI仪器仪表射频系统应用Erkan Acar

误差矢量幅度(EVM)是广为使用的系统级性能指标，许多通信标准将其定义为用于无线局域网(WLAN 802.11)、移动通信(4G LTE、5G)等应用的合规性测试。除此之外，它还是一个极为有用的系统级指标，可通过简单易懂的值来量化系统中所有潜在损害的综合影响。

大多数射频工程师都会接受有关大量射频性能参数的培训，例如噪声系数、三阶截取点和信噪比。了解这些性能参数对整体系统级性能的综合影响可能极具挑战性。EVM不评估多个单独的性能指标，而是反映整个系统的概况。在本文中，ADI将分析较低水平的性能参数如何影响EVM，并研究一些将EVM用于器件系统级性能优化的实际示例。同时展示如何实现比大多数通信标准目标低15dB之多的EVM。

什么是误差矢量幅度？

EVM是量化系统中所有信号综合损害的简单指标。采用数字调制的器件经常定义这个指标，可通过同相(I)和正交(Q)矢量图（也称为星座图）来表示（如图1a所示）。一般来说，计算EVM的方式是针对每个接收信号找到理想星座位置（如图1b所示）。通过计算接收信号的位置与其最接近的理想星座位置之间的所有误差矢量幅度的均方根(rms)，可得出器件的EVM值。

符合IEEE 802.11标准的EVM公式示例见方程式1。

其中：L_p为帧数，N_c为载波数，R_i,j为接收信号，S_i,j为理想信号位置。

图1.(a)星座图和判定边界，以及(b)接收信号和理想信号位置之间的误差矢量。

EVM与给定系统的误码率(BER)密切相关。当接收信号远离目标星座点时，它们落入另一星座点判定边界内的概率会随之而增加。这会使BER变大。BER和EVM之间的一个重要区别是，发射信号的BER是根据发射的位模式计算的，而EVM则根据离信号最近的星座点和信号实际位置的距离计算的。在某些情况下，信号可能会跨越判定边界，并被赋予不正确的位模式。如果信号越靠近另一理想信号位置，则该信号的EVM可能会越好。因此，虽然EVM和BER密切相关，但这种关系可能不适用于信号失真水平极高的情况。

现代通信标准根据发射或接收信号的特征（如数据速率和带宽）规定了最低可接受的EVM水平。达到目标EVM水平的器件符合标准，而未达到目标EVM水平的器件则不符合标准。专门用于通信标准合规性验证的测试和测量设备通常会采用更严格的EVM指标，该指标可能会比标准制定的EVM指标低一个数量级。这使得测试和测量设备能在不使信号明显失真的情况下表征受测器件的EVM特性。

影响EVM的因素有哪些？

作为一种误差指标，EVM与系统内的所有误差源密切相关。为了量化所有损害对EVM的影响，可以计算它们使接收和发射信号失真的程度。下面ADI将分析几个关键损害（如热噪声、相位噪声和非线性）对EVM的影响。

白噪声

白噪声存在于所有射频系统中。当噪声是系统中唯一的损害时，可使用以下公式计算出相应的EVM：

其中SNR是系统的信噪比（单位：dB），PAPR是给定信号的峰均功率比（单位：dB）。请注意，SNR一般适用于单音信号。如果是调制信号，则需考虑信号的PAPR。由于单音信号的PAPR为3dB，如果波形具有任意PAPR值，则需从SNR值中减去3dB。

对于高速转换器（如模数转换器(ADC)和数模转换器(DAC)），方程式2可用噪声频谱密度(NSD)表示：

其中，NSD为噪声频谱密度（单位：dBFS/Hz），BW为信号带宽（单位：Hz），PAPR为峰均功率比，P_backoff为信号峰值功率与转换器满量程之间的差值。通过该公式，可非常方便地使用NSD规范直接计算器件的预期EVM，该规范通常用于最先进的高速转换器。请注意，高速转换器器件也需考虑量化噪声。大多数高速转换器的NSD规范也涵盖量化噪声。因此，方程式3不仅代表热噪声，还代表高速转换器的量化噪声。

正如这两个方程式所强调的，信号的EVM与其总信号带宽、峰均比和整个系统的热噪声直接相关。

相位噪声如何影响EVM

相位噪声是影响系统EVM的另一种形式的噪声，是波形相位和频率的随机波动。所有非线性电路元件均会引入相位噪声。给定系统的主要相位噪声来源可以追溯到振荡器，如参考时钟、本振(LO)和采样时钟。多个振荡器（如数据转换器的采样时钟、用于频率转换的本振以及基准频率）会对系统的总体相位噪声产生影响。

相位噪声导致的性能下降与频率有关。典型振荡器在其基本振荡频率（所谓的中心频率）下产生出大部分载波能量。一小部分的信号能量将在这个中心频率附近传播。特定频率偏移下1 Hz带宽内的信号幅度与其在中心频率下的幅度之比定义即为特定频率偏移下的相位噪声（如图2所示）。

图2.相位噪声

系统的相位噪声会直接影响系统的EVM。在整个带宽内对相位噪声求积分，可计算出系统相位噪声引起的EVM。对于大多数采用正交频域调制(OFDM)的现代通信标准，应从大约10%的副载波间隔开始对相位噪声求积分，直至达到总信号带宽时结束。

其中，L为单边带相位噪声密度，f_sc为副载波间隔，BW为信号带宽。

大多数频率发生器件在低于2GHz的频率下出现低相位噪声，典型的积分抖动水平比标准中定义的EVM限值低几个数量级。但在更高的频率和更宽的信号带宽下，积分相位噪声水平可能会非常大，这可能导致EVM值显著变高。工作频率大于20GHz的毫米波(mmWave)器件通常会发生这种情况。要获得最佳的整体EVM，应计算整个系统的相位噪声，这将在“设计示例”部分详细讨论。

计算非线性对EVM的影响

系统级非线性会导致可能处于信号带宽范围内的交调产物。这些交调产物可与副载波重叠，影响它们的幅度和相位。可计算出源自这些交调项的平均误差。让我们推导一个简单的公式来计算三阶交调产物引起的系统EVM。

图3.OFDM交调产物

如图3a所示，双音信号将产生两个交调产物。交调产物的功率可通过下式计算：

其中，P_tone为测试音的功率，OIP₃为输出三阶截取点，P_e为误差信号，表示基波和交调产物之间的功率差。

如果OFDM信号具有N个信号音（如图3b所示），则方程式6变为：

由于在每个副载波位置有N/2个交调产物重叠，因此可将方程式改写为：

包括所有副载波位置在内的总误差为：

将方程式6代入方程式8，EVM可表示如下：

其中，P_RMS为信号的均方根平均值，而C为一个常数（范围介于0dB至3dB之间，具体取决于调制方案）。如方程式11所示，EVM随着系统的OIP3的升高而降低。这与预期相符，因为OIP3越高，通常意味着系统更具线性。此外，随着信号均方根功率的降低，EVM随着非线性产物功率的降低而降低。

使用EVM优化系统级性能

典型系统级设计均始于级联分析，使用构建模块的低级别性能参数来确定使用这些模块构建而成的系统的整体性能。可用于计算这些参数的分析公式和工具均已非常完善。但许多工程师并未考虑如何正确使用级联分析工具来设计出经过充分优化的系统。

作为系统级性能指标，EVM为设计工程师优化系统设计提供了重要的参考。设计人员可以无需考虑多个参数，而只需轻松选择优化EVM均方根值，便能实现最佳系统设计。

EVM浴盆曲线

下面可以从每个损害产生的EVM影响和输出功率电平考虑，将这些因素合并成单张图。图4显示了基于工作功率水平的系统典型EVM浴盆曲线。在低工作功率水平下，EVM性能主要由系统的噪声性能决定。在高工作功率水平下，系统的非线性会影响EVM。系统的最低EVM水平通常根据所有误差源（包括相位噪声）的组合来定义。

图4.EVM浴盆曲线，显示EVM随工作功率的变化

可通过方程式12归纳总EVM：

其中EVM_WN为源自白噪声的EVM影响，EVM_PhN为相位噪声影响，EVM_linearity为源自非线性失真的EVM。对于给定的功率水平，所有这些误差项的功率和表示了系统中的总EVM水平。

除方程式12外，系统的浴盆曲线在系统级优化中也非常有用，能够以组合的形式直观呈现出给定系统的所有损害。

设计示例

用EVM作为指标来设计一个实用的信号链。在本例中，ADI将使用RF采样DAC、毫米波调制器、毫米波频率产生器件和其他信号调理器件来设计一个毫米波发射器（如图5所示）。

图5. 毫米波发射器信号链

该信号链使用AD9082器件，该器件配备了采样速率分别为12GSPS和6GSPS的四通道DAC和双通道ADC。使用这些具有直接RF功能的转换器可使毫米波信号链的设计更具灵活性，性能无与伦比。图6显示了使用12位10GSPS模数转换器AD9213完成的AD9082的EVM测量值。这两个器件采用环回配置，产生的EVM水平低至-62dB，比标准限值低27dB。

该信号链还使用完全集成的毫米波调制器(ADMV1013)，该调制器将传统信号链的多个子模块（如倍频器、正交混频器和放大器）集成到一个元件中。为了降低滤波复杂度，我们在该设计中使用了复数IF拓扑，从而向调制器的正交混频器馈入正交信号。这消除了上变频信号的一个边带，与双边带上变频操作相比，降低了滤波复杂度。

图6.使用AD9213的AD9082在400MHz中频下的典型EVM测量值（适用于80MHz带宽IEEE 802.11ax波形，采用1024 QAM调制）。

为了优化该信号链以获得最低EVM，可先分析系统级相位噪声，然后讨论噪声和线性度之间的权衡，最后整合所有构建模块。

通过最佳相位噪声预算改善EVM

如前所述，整个系统的相位噪声会限制毫米波频率下的整体EVM性能。为了确保将整体EVM降至最低，先分析每一级的相位噪声影响，以确保为该信号链挑选出最佳元件。

在该信号链中产生频率的元件是DAC（使用合成器提供时钟）和LO信号。总相位噪声可表示为：

其中，L_Tx为发射器的总相位噪声，ℓ_IF为DAC输出端的相位噪声，ℓ_LO为LO信号的相位噪声。

本例中使用的DAC (AD9082)具有极低的附加相位噪声。输出端的总相位噪声（即IF信号）可使用方程式14所示的简单公式计算：

其中，L_CLK为时钟信号的积分相位噪声，f_IF为DAC输出端的IF频率，f_CLK为DAC的采样时钟。下面分析采样时钟和LO源的两个候选项，以确保挑选出相位噪声和复杂度最低的元件。

图7显示了该信号链两个主要频率合成器候选项的单边带相位噪声。使用6kHz至100MHz积分带宽对信号源的相位噪声求积分，可计算出5G NR波形的积分相位噪声（如表1所示）。

图7.时钟和LO源选项的相位噪声

表1.合成器的典型积分相位噪声测量值

在该信号链的典型中频下，ADF4372和ADF4401A的积分噪声水平都极低。由于ADF4372所需的总印刷电路板(PCB)面积小很多，因此是为产生IF信号的RF转换器提供采样时钟的理想选择。但正如所料，ADF4401A器件固有的起始相位噪声较低，因此可选择作为信号发生器来产生LO信号。在30GHz时，其积分噪声比ADF4372器件低大约20dB。这种低积分相位噪声水平确保了LO信号的相位噪声不会限制整个系统的整体EVM性能。

利用方程式4，可按方程式15所示计算出由相位噪声引起的总EVM_PhN：

相位噪声引起的这一EVM水平完全足以测量5G NR标准定义的信号（EVM水平约为-30dB）。

噪声和线性度之间的权衡

RF设计中最基本的权衡之一就是在整个系统的噪声性能和线性性能之间作出选择。针对这两个性能参数的其中一个进行优化通常会折损另一个参数的性能。当需要优化整个系统的性能时，系统级EVM分析是非常有用的工具。

图8显示了针对之前构建的信号链在噪声和线性度之间作出的权衡。通过改变集成电压可变放大器(VVA)控制电压，得到了每条迹线。对于每条迹线，DAC的输出功率电平均已改变。请注意，EVM随着功率水平的升高而降低，原因是系统整体信噪比提高了。在某个功率电平之后，总信号路径的非线性开始导致EVM性能降低。针对给定VVA配置产生的EVM浴盆曲线非常窄。

图8.整个系统的噪声和线性度之间的权衡

幸运的是，通过调整VVA控制电压，可以过渡到另一条曲线，在这里整个系统的EVM较低。图8中的虚线表示使用ADMV1013的集成VVA可实现的系统级优化。优化后产生的浴盆曲线显著变宽，因此可在宽输出功率水平范围内实现超低EVM。

结论

在本文中，ADI讨论了作为系统级性能指标的EVM，以及如何通过EVM优化系统级性能。正如文中所述，EVM是许多系统级问题的良好指标，可测量的EVM是所有误差源的结果，可用于优化整体性能。同时已证明，使用最新的高速转换器和完全集成的毫米波调制器，可展示出仪器仪表级性能，还可以实现与目标通信标准相比低几个数量级的EVM。

关于ADI公司

Analog Devices, Inc. (NASDAQ: ADI)是全球领先的半导体公司，致力于在现实世界与数字世界之间架起桥梁，以实现智能边缘领域的突破性创新。ADI提供结合模拟、数字和软件技术的解决方案，推动数字化工厂、汽车和数字医疗等领域的持续发展，应对气候变化挑战，并建立人与世界万物的可靠互联。ADI公司2022财年收入超过120亿美元，全球员工2.4万余人。携手全球12.5万家客户，ADI助力创新者不断超越一切可能。更多信息，请访问www.analog.com/cn。

关于作者

Erkan Acar在北卡罗来纳州杜克大学达勒姆分校取得博士学位和硕士学位。Erkan领导了有关低成本RF测试、自动化测试设备、高速接口的信号和电源完整性的许多研发项目。他拥有多项专利并发表了许多文章。他目前对频率范围从基带到110GHz及以上的RF和毫米波信号链感兴趣。

稿源：美通社

新款全电动沃尔沃EX90将提供Bose高级音响系统

今天，Bose宣布首款沃尔沃汽车音响系统，为最近推出的新款全电动沃尔沃EX90带来Bose音响的大力支持。沃尔沃EX90于2024年初面市，这代表着Bose和沃尔沃汽车之间启动新的合作，此项合作将在未来几年扩展到更多车型。

通过提供Bose作为其先进音响的选项之一，沃尔沃汽车能够为客户提供40多年来作为Bose汽车系统标志的传奇音响性能。作为工厂安装的高级音响系统的行业先驱，Bose广泛的OEM合作伙伴之中现在又将新添一家全球最受尊敬的汽车品牌。

Bose高级副总裁兼汽车主管Peter Kosak表示："与沃尔沃汽车合作是我们的一个重要里程碑。从长期致力于提供非凡消费者体验，一直到孜孜不倦打造每一个细节，我们有着许多共同的特点。Bose非常高兴能将我们共同的热忱带给下一代沃尔沃客户。"

沃尔沃汽车首席运营官兼副首席执行官Javier Varela表示："新的沃尔沃EX90代表了沃尔沃汽车的新时代，在这个时代，我们设定了面向全电动和高端未来的决定性道路。Bose是这一发展的关键组成部分，我们很高兴能与他们的音响专家合作，为我们的客户提供更加愉悦的体验。"

沃尔沃EX90采用的Bose音响系统
新推出的沃尔沃EX90是一款多功能时尚全电动系列汽车，采用多项突破性技术与连接性，兼顾无与伦比的安全性、舒适性以及现代美学外观。配备的14位扬声器Bose音响系统设计旨在增强沃尔沃EX90驾车人和乘客的高端车内体验。

来自Bose和沃尔沃汽车的工程师密切合作，定制适合沃尔沃EX90独特内部构造的音箱系统。此外，该系统是通过Bose被称为感知声音渲染（PSR）的支持软件的专有调优方法开发，该方法为系统工程师提供了更大的自由度和灵活性，可以精确地调整轿厢内每个座位位置的音频性能。

PSR不要求按扬声器进行调谐，而是让工程师能够全面协调整个系统，以实现所期望的性能目标。通过PSR，音乐播放更准确、更有活力、更真实、更符合艺术家的意图。

Bose系统还采用最新一代先进的数字信号处理技术——Centerpoint 360，创造了比以往更具吸引力的环绕声音体验。

沃尔沃EX90采用的Bose音响系统的其他功能包括：

• SurroundStage技术，可以平衡音频性能，让每个听众都处于音乐的中心，无论他们坐在车内的哪个位置。

• Bassync技术，可确保更准确的低频率性能，让声音如同原始录制中的一样。

• AudioPilot 3噪声补偿技术可监控持续背景噪声的所有来源，并自动调整音乐信号，以获得更一致、更愉悦的聆听体验。

Bose音响系统专为热爱音乐、欣赏精湛工艺和精心设计的消费者而设计。这是沃尔沃汽车客户的理想组合，适合品牌的长期拥护者以及新客户。

有关沃尔沃EX90和所提供的Bose音响系统的更多信息将在未来几个月这款汽车即将开始生产时分享。

关于Bose Automotive Systems
在1980年代初，Bose工程师创造了全球首个工厂安装的高端汽车音响系统。与传统或售后汽车系统不同，Bose系统针对特定车辆设计和调整，这彻底改变了行业。从那时起，Bose陆续开发了专有扬声器设计、先进的放大和信号处理技术、独家分析和设计工具，以及控制车内声音环境的技术，所有这些都基于研究和工程设计传统。如今，Bose汽车系统已被全球公认为性能和客户满意度的行业基准，并由独立研究评级验证为全球多个地区汽车消费者的首选。

关于Bose Corporation
Bose以其面向家庭、移动和汽车的高端音频解决方案而享誉世界。公司于1964年 由Amar Bose博士成立，一直致力于通过创新提供非凡声音体验。公司满怀热忱的员工（工程师、研究人员、音乐爱好者和梦想家）始终致力于声音是地球上最强大的力量的信念；声音能够改变、传达和让我们感受到活力。近60年来，这一信念促使我们创造了具有标志性的产品，改变了人们对音乐的聆听方式。

关于沃尔沃汽车集团
沃尔沃汽车成立于1927年。如今，它是全球最知名和最受尊敬的汽车品牌之一，面向100多个国家/地区的客户销售。沃尔沃汽车在纳斯达克斯德哥尔摩交易所上市，股票代码为"VOLCAR B"。

沃尔沃汽车旨在为客户提供个人、可持续和安全出行的自由。这反映在其到2030年成为全电动汽车制造商的雄心和对持续减少碳足迹的承诺以及到2040年成为一家气候中立公司的雄心中。

截至2021年12月，沃尔沃汽车雇用了约41000名全职员工。沃尔沃汽车总部、产品开发、营销和管理职能主要位于瑞典哥德堡。沃尔沃汽车的生产厂位于哥德堡、比利时根特、美国南卡罗来纳、中国成都、大庆和台州。公司还在哥德堡、美国卡马里奥和中国上海设有研发和设计中心。

稿源：美通社

浪潮信息副总裁、浪潮AI&HPC产品线总经理刘军在近日举行的量子位“MEET2023智能未来大会”上发表了主题演讲《AI新时代，智算力就是创新力》。

在该大会公布的“2022人工智能年度评选”榜单上，浪潮信息获评为“2022年度人工智能领航企业”，刘军获评为“2022年度人工智能领军人物”。

以下为刘军在MEET2023智能未来大会的演讲实录：

为什么说智算力就是创新力？

当今在人工智能前沿领域的大模型，就是在智算算力驱动下重大创新的典型，比如GPT-3，浪潮“源1.0”等等，这些大模型发展的背后是算力的极大支撑。 

我们提出用“算力当量”来对AI任务所需算力总量进行度量，单位是PetaFlops/s-day也就是PD，即用每秒千万亿次的计算机完整运行一天消耗的算力总量（PD）作为度量单位。一个任务需要多少PD的计算量，就把它视为这个任务的“算力当量”。GPT-3的算力当量是3640个PD，源1.0是2457亿的参数的大模型，它的算力当量是4095个PD。

当前元宇宙非常关注的数字人的建模和渲染方面，如果要做一个栩栩如生的人物形象的创建和渲染，以《阿丽塔：战斗天使》来举例，它平均每一帧需要花100个小时来渲染，总共这部影片的渲染计算使用了4.32亿小时的算力。

在自动驾驶领域，特斯拉创建了DOJO的智算系统，用于感知模型的训练和仿真。它的FSD全自动驾驶系统的融合感知模型，训练消耗的算力当量是500个PD。

在备受关注的AI+Science领域、蛋白质的结构预测、分子动力学的模拟、流体力学的仿真，它不仅融合了传统的HPC计算也融合了当今的AI计算。比如说，经常被提及的AlphaFold2，它的训练消耗的算力当量是300个PD。与此同时，为AlphaFold2训练所做的数据准备，需要花费200M CPU-hours HPC算力。

我们可以确切地认识到，今天在AI领域的众多创新背后离不开智算力的支撑，可以说智算力就是创新力。

接下来和大家来分享当前智算发展的三个重要的趋势：算力多元化、模型巨量化以及元宇宙。

算力多元化需要软硬一体的支撑平台

第一，算力多元化。Henessy和Patterson在几年前的《计算机架构的新黄金时代》中提出了特定领域的体系架构Domain Specific Architectures(DSAs)的概念，这也可以用来解释为什么今天我们会看到这么多的多元算力芯片。

在中国，市场上有十几种的CPU芯片，有将近一百种AI算力的芯片。为什么会有这样的需求？今天算力的应用场景是多元化的，不同的场景需要不同的计算精度类型和计算特征。比如说，高性能计算里面可能会需要FP64双精度计算，AI训练需要使用数字范围更大、精度低的16位浮点计算，AI推理可以使用INT8或者INT4格式。而为适应这些计算的特点，需要我们引入多元的芯片来进行支撑。如何从软件和硬件上来应对这样的挑战？浪潮信息认为，重点是从系统的硬件平台和软件角度来进行相应的创新支撑。

首先是在硬件方面的系统支持，当今AI计算用的非常多的还是采用英伟达GPU的AI服务器。但是对于其他品牌的AIPU来说，要用什么样的一个AI服务器系统来支撑呢？浪潮信息打造了全球首款开放加速的AI服务器，在一个系统里能够支持8颗国内最高性能的AI芯片进行高速互联，从而能够完成大规模的模型训练所需要的算力。芯片之间使用了开放加速的接口标准，芯片间可以进行高速通信。今天，这个系统已经可以支持多个品牌的国内最高端的GPU和AIPU，并且已经在众多的客户场景里面实现了落地。同时，它还支持先进的液冷技术，使得我们构建的AI算力集群的PUE会低于1.1。

作为智算中心的核心，如何来调度多元的算力？这是一个平台软件方面的挑战，浪潮为此推出了业界首款智算中心算力调度软件AIStation，实现了对异构AI芯片进行标准化与流程化管理，不仅能够充分发挥多元异构芯片的性能潜力，并且能够提升智算中心的整体效能。从基本的接入适配到业务应用在异构算力的使用优化，AIStation提供了完备的工具与解决方案，与传统开源方案相比，芯片接入稳定性方面提升30%，减少接入工作量90%以上。标准化、流程化也使得AIStation在芯片管理种类上达到了业界前列，已经支持了30多款国内外最顶尖的AI芯片，包括X86和ARM等CPU芯片、FPGA芯片，也包括今天应用非常广泛的GPU和AIPU，例如像英伟达的GPU系列，以及各类国产AIPU等等。

我们做了众多的实践落地，位于宿州的淮海智算中心采用全球领先的“E级AI元脑”智算架构，通过开放多元的系统架构，在底层基础设施层支持通用处理器、通用加速处理器、专用芯片、可编程芯片等，通过AIStation实现了异构算力的调度，提供FP64、FP32、FP16、INT8等多种精度的计算类型支持，并支持国内外主流的深度学习的框架、数据库、数据集以降低用户的学习成本。

大模型成为AIGC算法引擎

第二，大模型。大模型正在成为AIGC的算法引擎，今天大家看到的DALL・E或者Stable Diffusion的背后都是大模型在驱动。大模型使得AI从五年前的”能听会看”，走到今天“能思考、会创作”，下一步甚至于到“会推理、能决策”的进步。但是我们知道大模型带给我们的是在算力方面巨大的挑战。如何能够把大模型的能力交付到众多的中小企业中，帮助他们实现智能化的转型，是我们今天要去解决的重要课题，所以在这方面我们认为Model as a Service（MaaS）是比较好的一种方式。

今天，在大模型的能力加持下，AIGC，包括文本生成、文生图以及虚拟数字人等应用都会快速的进入到商业化阶段。

“源1.0”是浪潮去年推出的中文语言巨量模型，拥有2457亿参数，在众多的评测里面表现出了非常优异的成绩。团队围绕深度学习框架、训练集群IO、通信开展了深入优化，构建了面向大模型的软硬件协同体系结构，训练平台的算力效率达到45%，这遥遥领先于GPT-3、MT-NLG这样的大模型。同时，通过在AI编译器与深度学习推理框架上的优化，“源”已经实现了对多元AI芯片的支持。

下面分享几个基于“源1.0”构建的实际应用案例：

第一个案例是AI剧本杀。剧本杀是大家比较熟悉的游戏，一位开发者基于“源1.0”构建了一个AI角色来和人类玩剧本杀，玩到最后其他人类玩家都很难察觉到自己是在和AI一起玩剧本杀，因为AI在这里面所表现出来的场景理解能力、目的性对话能力是我们在传统的AI算法上面很难见到的。目前项目已经在GitHub上开源，大家感兴趣可以尝试。

第二个案例，上海一个开发者群体基于“源1.0”构建了数字社区助理，类似于给我们的居委会打造了一个教练员，通过让AI模拟来居委会咨询的居民，提升社区工作者应对居民突发状况服务的能力，这种将大模型反向应用于教培领域的案例给AI发展带来了更多想象空间。

最近，大家都在讨论ChatGPT，简单来说它就是基于大模型的面向长文本、多轮对话的AIGC应用。其实我们基于“源1.0”也开发了公文写作助手。现在大家希望有个助手来协助写总结报告、学习体会，所以我们希望打造一个写作助手来帮助大家进行长本文创作。其中，我们突破了可控文本内容生成技术，解决了长文本内容偏移问题，生成文本的语义一致性高达96%。这样的优化使得我们的中文写作助手能够带来非常惊艳的效果，目前我们的产品处于内测阶段，欢迎大家来申请使用。

我们把“源”大模型应用在浪潮自己的业务上，赋能自身业务智能化转型。浪潮信息是中国最大、全球第二的服务器厂商。我们拥有一个覆盖非常广泛的客户服务系统，传统的智能客服更多是基于规则和提炼的知识来构建的问答系统，这样的问答系统大部分情况下是不能帮客户满意地解决问题的。今天基于“源1.0”构建的浪潮信息智能客服可以进行长文本的内容生成，能够持续地多轮对话，同时非常重要的是它不仅仅是基于知识规则而构建的问答系统，它可以自己去阅读和服务器相关的产品技术文档，我们说它可谓是服务器的“服务大脑”，在它的支撑下，浪潮信息的客户服务效率得到了大幅的提升，这个项目荣获了《哈佛商业评论》鼎革奖，即年度新技术突破奖。

元宇宙需要强大的算力基础设施

第三，元宇宙。大家可能会惊奇元宇宙需要算力吗？我们告诉大家，元宇宙非常需要算力。元宇宙的构建有四个大的作业环节，协同创建、高精仿真、实时渲染、智能交互，每一个环节上面都需要大量算力做支撑。比如说，在高精仿真的阶段，要实现元宇宙场景中逼真的、符合物理定律的仿真，不仅需要AI计算，同时还需要HPC算力。在图形渲染环节，不仅传统的光线追踪、路径追踪等图像渲染算法需要大量算力，当今基于AI的DLSS等算法也需算力支撑。到了最后的智能交互环节，今天所看到的数字人、多轮的语言交互等等，它背后都是基于算力才得以实现，这就是为什么说元宇宙需要强大的算力支持。

今年浪潮信息推出的MetaEngine元宇宙服务器就是为了应对这样的算力挑战，有兴趣的可以看下我们如何基于MetaEngine来创建虚拟数字人和数字孪生的全过程。

为了推动了元宇宙的快速落地，上个月青田人民政府和浪潮信息和我们合作伙伴谷梵科技一起，签约建设国内首个元宇宙算力中心，用于支撑在青田、浙江乃至于长三角在元宇宙的数字空间创建、数字产业发展，支撑数字经济、数实融合的发展。

我的演讲到此结束。谢谢大家！

稿源：美通社