Industria, universidad, investigación y aplicación

Laboratorio Xiangjiang · Instituto de Investigación e Innovación en Computación Heterogénea de Alta Eficiencia Energética

Computación heterogénea de alta eficiencia + Hardware chino de IA local + Tarjetas aceleradoras de modelos especializados

Placa del Instituto de Investigación e Innovación en Computación Heterogénea de Alta Eficiencia Energética

Instituto de Investigación e Innovación en Computación Heterogénea de Alta Eficiencia Energética del Laboratorio Xiangjiang

El Instituto de Investigación e Innovación en Computación Heterogénea de Alta Eficiencia Energética del Laboratorio Xiangjiang es un centro de investigación de tecnologías de vanguardia centrado en el sistema de computación de tecnología china (Xinchuang) y la arquitectura de hardware de IA local. Atiende las necesidades estratégicas nacionales de la industria de la computación y busca resolver los retos de eficiencia energética y de fabricación nacional al llevar la IA al borde, aportando una base de computación sólida a la iniciativa IA+.

Con una filosofía de diseño conjunto de hardware y software, integración entre dispositivo y nube y máxima eficiencia energética, el instituto colabora con fabricantes de chips y equipos. Investiga hardware específico para IA local y adaptación a tecnologías chinas para trasladar computación de IA desde la nube al borde y ejecutar grandes modelos de forma segura y fluida en dispositivos locales.

El Laboratorio Xiangjiang es el primer laboratorio provincial impulsado por el Gobierno de Hunan. Fundado en julio de 2022, tiene sede en el Parque Industrial Beidou de la Zona de Alta Tecnología de Changsha, en la Nueva Área de Xiangjiang. Es una plataforma de innovación en computación avanzada e IA, promovida por el Departamento de Ciencia y Tecnología de Hunan y organizada por Hunan University of Technology and Business. Su esquema 1346 de sede, sucursales y centros de innovación se centra en cuatro áreas, como inteligencia de datos y computación de alto rendimiento, y seis campos de aplicación, como fabricación y salud inteligentes.

Enfoque de investigación

Computación local heterogénea basada en chips chinos

Ecosistema tecnológico integral de diseño conjunto de hardware y software

De la validación tecnológica a productos y estándares

Mecanismo de I+D conjunta entre múltiples participantes

Líneas de investigación

Computación local china y prototipos de equipos

Pruebas de rendimiento y energía: evaluar capacidad, velocidad de inferencia, consumo y latencia de distintos chips chinos y elaborar informes que fundamenten su selección y combinación.

Diseño e integración de prototipos locales: crear equipos heterogéneos con chips chinos, integrar hardware y software, validar la planificación y comprobar estabilidad y rendimiento bajo cargas reales.

Estándares para dispositivos locales: desarrollar borradores de normas de IA local china sobre rendimiento, protocolos y seguridad, incluidos métodos de prueba de energía y control térmico.

Gestión de recursos de inferencia de bajo consumo: investigar estrategias de recursos y planificación que equilibren mejor consumo y rendimiento en hardware de baja potencia.

Marcos chinos de IA y motores de inferencia

Investigación y evaluación de marcos: comparar funciones, rendimiento y coste de adaptación de CANN, MUSA y otros marcos en chips chinos y publicar informes comparativos.

Planificación de inferencia y optimización de operadores: diseñar sistemas de planificación y optimizar operadores sobre marcos existentes para mejorar la inferencia local y de borde.

Publicación de SDK y herramientas: proporcionar SDK, ejemplos y documentación de API sobre los marcos optimizados, con entornos y herramientas utilizables por terceros.

Normas de adaptación y migración: definir interfaces de operadores, planificación y procesos de adaptación de compiladores para facilitar la migración entre plataformas chinas.

Arquitecturas de modelos pequeños locales e inferencia eficiente

Estudio de arquitecturas: seguir Mamba, redes neuronales de grafos (GNN) y Transformers heterogéneos para analizar su adecuación y rendimiento en dispositivos locales.

Diseño de marcos de inferencia local: adaptar los marcos a estas arquitecturas y optimizar operadores y planificación para plataformas de chips chinos.

Modelos eficientes con pocos parámetros: reducir memoria y coste computacional mediante el diseño de arquitecturas, conservando la precisión.

Cuantización, destilación y compresión: crear modelos ligeros para uso local y establecer sus métodos de evaluación y estándares.

Ajuste de modelos locales pequeños por sector y ámbito

Ajuste sectorial: diseñar y validar modelos pequeños adaptados a tareas específicas, mejorando precisión y rapidez.

Conjuntos de datos sectoriales: construir datos de calidad para entrenar y ajustar modelos pequeños en distintos sectores.

Normas de evaluación e interfaces: establecer criterios comunes para modelos pequeños de fiscalidad, contabilidad, medicina y derecho.

Planificación adaptativa: distribuir tareas dinámicamente según la cadena de inferencia y el estado del equipo para mantener estabilidad con distintas cargas y hardware.