邊緣

AI

驅動，助力新質生產力英特爾?

工業人工智能白皮書

2025

年版Intel?

Industrial

AI

Playbook

2025

Edition編委會：主編：劉

俊、馬小龍、朱永佳編委：方辛月、高

暢、高楊帆、胡

楊、劉

波、呂曉峰、邱麗穎、單

娜、張

恒、張心宇*

編輯按姓名首字母排序人工智能

(AI)

技術的快速發展掀起了新一輪工業革命浪潮，通用大模型的出現讓

AI

技術從專用化邁向了通用化。AI

技術正在步入工業領域的千行百業，幫助企業實現從傳統的勞動密集型、資源密集型企業，向技術密集型、知識密集型的高端化、智能化、綠色化方向轉型升級，打造依托于人工智能、大數據、云計算等現代信息技術的新質生產力。工業

AI

和大模型的應用，已經滲透到工業生產的產品設計、企業流程管理規劃、智能化生產、設備預測性維護、供應鏈優化、創新服務、綠色制造、智能客服等眾多環節，它通過處理和分析海量工業數據，幫助企業在上述各個環節中做出最優的智能化決策，從而在多個環節全方位實現提質、增效、降本，增強競爭力。在日趨激烈的工業市場競爭中，尋求部署新技術來提升綜合競爭力，是企業的生存之道。而引領工業革命浪潮的

AI

技術和大模型，是企業從多維度重塑自身生產方式、實現新質生產力的關鍵。通過這本白皮書，工業領域的企業和合作伙伴可以更系統、更全面地了解

AI

技術如何為工業制造的各個環節賦予怎樣的智能化能力，以及英特爾在幫助企業落地部署

AI

技術方面所能提供的產品、平臺和系統性支持與服務以及成功案例。本白皮書中包括了工業

AI

和工業大模型的概念介紹、當前的市場規模與市場增長潛力、工業

AI

和工業大模型能為汽車、消費電子、新能源鋰電、半導體制造等重點行業所帶來的賦能創新機會，以及當前大模型在工業領域落地應用所面臨的挑戰和英特爾針對工業

AI和大模型落地部署從硬件，到軟件，到整體方案的技術賦能。英特爾希望通過本白皮書，促進工業

AI

技術的廣泛應用，并與行業伙伴共同探討和制定工業

AI

的標準化流程和最佳實踐，共同構建開放、協同的工業

AI

生態系統，推動制造業向智能制造轉型升級，賦能新質生產力?！?/p>

張宇博士英特爾中國區網絡與邊緣事業部首席技術官前言目錄01工業人工智能

(AI)

行業觀察

0102英特爾?

技術方案

121.1

工業

AI

—

市場規模與增長潛力

021.2

工業

AI

的應用范疇

031.3

工業大模型

1.3.1

大模型

1.3.2

工業大模型

061.3.3

工業大模型的應用范疇

061.4

行業應用

071.4.1

汽車行業

071.4.2

消費電子行業

081.4.3

新能源鋰電行業

081.4.4

半導體行業

091.5

工業

AI

與工業大模型落地應用面臨的挑戰

102.1

硬件

132.1.1

第

12

代英特爾?

酷睿?

移動處理器

132.1.2

英特爾?

酷睿?

Ultra處理器

162.1.3

英特爾?

至強?

Max

系列

&

英特爾?

至強?

6

處理器

202.1.4

英特爾銳炫?

顯卡

262.2

軟件

292.2.1

英特爾?

oneAPI

工具包

—

跨架構性能加速

292.2.2

OpenVINO?

工具套件

322.2.3

英特爾?

Geti?

平臺

352.2.4

英特爾?

CVOI（工業機器視覺優化參考實現）36目錄04合作伙伴加速項目和產品推薦

6003成功案例

462.3

創新技術方案

382.3.1

大語言模型賦能工業機械手臂

382.3.2

基于視覺大模型的零樣本或少樣本異常檢測

402.3.3

RAG

檢索增強生成模型實現

422.3.4

人形機器人

443.1

英特爾：智能晶圓視覺檢測

473.2

美的樓宇科技美控：樓宇

AI

節能解決方案

493.3

利珀：晶硅電池隱裂檢測產品

513.4

諾達佳：基于

AI

的在線式視覺隨動同步點膠機應用

533.5

新松：智能巡檢機器人

553.6

華泰軟件：智能化圖紙生成管家

573.7

聯想：基于

AI

的設備維護解決方案

584.1

AI

硬件產品推薦

614.2

PIPC

工業電腦優選項目介紹

644.3

PIPC

機器視覺產品推薦

69工業人工智能(AI)

行業觀察010201工業人工智能

(AI)行業觀察工業

AI，是

AI

技術在工業領域的應用，它通過機器學習、深度學習、計算機視覺等先進的計算智能方法，實現對工業生產過程的優化和智能化，最終幫助企業提高生產效率、降低成本、提升產品質量，實現數字化轉型。2023

年

12

月，由信通院牽頭、多家單位聯合編制的《工業大模型技術應用與發展報告》指出，AI

與大模型將加速賦能新型工業化，預計從

2022

年至

2032

年，工業

AI

市場規模將以

46%

的年均復合增長率高速成長。相較于發達國家，中國制造企業的

AI

應用率相對較低，大約在

11%左右。Gartner

預測，到

2027

年，中國制造業的

AI

使用滲透率將以

10%

的年復合增長率上升。隨著技術的不斷進步和應用場景的拓展，我們認為工業

AI

有望成為推動工業

4.0

和智能制造發展的關鍵力量。1.1

工業

AI

—

市場規模與增長潛力0301工業人工智能

(AI)行業觀察AI

技術在工業領域的應用，已經貫穿于產品設計、生產、管理、服務等眾多環節，它主要通過各種方式收集海量數據，然后利用機器學習和統計模型對數據進行分析，并依據數據分析結果輔助決策，幫助企業優化資源配置，提質增效，節省成本。具體來看，AI

技術在工業領域的應用主要在以下幾大方面：研發與規劃需求分析與預測：基于歷史數據和機器學習算法，構

?

自動化代碼編寫與優化：AI編程助手利用深度學習建預測模型，通過分析大量用戶數據和市場趨勢，洞

算法和大量代碼數據訓練模型，通過分析代碼的結構察市場需求，預測未來趨勢，精準定位產品的設計與

和模式，并根據開發者的需求，自動生成函數、類、迭代方向。 模塊等代碼，甚至優化現有代碼，從而幫助開發者加速代碼生成，減少錯誤。優化研發流程管理：基于當前項目狀態和歷史數據建立預測模型，預測每項任務的完成時間，并評估整個 ?

優化產品結構與應用模擬：通過形態識別技術，將項目的完成時間，有助于提前發現潛在延遲風險，讓 產品外形及特征轉化為數據，輔助設計師不斷優化團隊合理分配時間和其他資源，保證項目按時或提前 迭代。利用收集到數據構建數字孿生產品模型，模完成。 擬產品的各種實際應用場景，如正常操作、極限性能、潛在故障等，預測產品性能表現，進一步指導設計改進。1.2

工業

AI

的應用范疇0401工業人工智能

(AI)行業觀察生產過程管控在生產過程管控方面，AI

技術的應用主要集中在提高生 ?

智能生產管理：產效率、優化資源配置、增強質量控制和實現生產過程 在生產計劃和排程方面，AI

算法可以優化生產計劃的自動化與智能化。具體包括： 和排程，最大程度地減少產線空閑時間，提高產品交設備管理： 付準時率。在設備入庫管理方面，AI通過深度學習識別設備上的

在生產資源分配方面，通過深度學習和大數據分析，條形碼、二維碼或設備特征，自動讀取設備信息如型

AI

系統能夠根據實時數據預測生產任務，自動調整號、序列號等；AI的自然語言處理功能，可以自動

生產參數，并合理地分配人力、設備、物料等生產資提取設備手冊或標簽上的文字信息，獲取設備規格、

源，提高資源利用率，確保生產線始終保持在最佳工性能指標等關鍵參數。這些都能顯著提升設備入庫管

作狀態，提高生產效率。理的效率和準確性。在生產過程監控和優化方面，AI

算法通過分析生產在設備運維管理方面，利用機器學習算法，對部署在

線上的各種運行狀態反饋數據和工藝參數，能夠預設備上的溫度、壓力、振動等各種傳感器給出的監測

測及發現潛在問題，并自動調整參數，優化產線運數據進行處理分析，實時監控設備運行狀態，并可通

行狀態。過模式識別算法檢測數據中的異常，預測可能出現的生產安全管理：通過智能視頻分析技術分析從生產現故障或發現故障甚至給出修復建議，便于運維人員及場采集的視頻，進行行為識別與違規監測，如自動識時實施預測性維護或故障修復，減少停機時間，提高別生產線上的工人是否穿了防護服、佩戴安全帽，是設備的可靠性和生產效率。否進入違禁區等，并立即給出違規報警。還可以在倉質量管理：產品缺陷檢測是質量管理的重要一環，尤 庫等重點防火區域部署智能視頻分析系統，實時檢測其是對于金屬等高反光產品、薄膜產品的劃痕、裂 煙霧、火焰等火災跡象，并快速觸發報警。紋、凹坑、氣孔、污染等非常難檢出的外觀缺陷，利此外，AI

技術在生產過程管控方面還可用于排產與調度用傳統視覺算法，對工業相機采集到的圖像經過預處優化、資源與物料管理、能耗與排放管理等環節，推動理，基于圖像分割等深度學習模型，高效且較為準確制造業向更高效、智能的方向發展。地檢出缺陷，為傳統的視覺檢測技術賦予高度智能化。質量檢測也是目前

AI

技術在工業領域落地應用較多、較為成功的一個方向。經營管理優化庫存管理：利用深度學習和大數據分析，分析歷史銷 性。利用大數據分析和機器學習優化配送路線，實時售數據、季節性變化、市場趨勢等因素，預測庫存 監控物流配送過程，提高配送效率、降低成本。需求、實時監控庫存水平、自動調整補貨策略、精準財務與人力管理：通過訓練模型，可以自動讀取發管理庫存品類、優化庫存地域布局等，提高庫存周票和收據，將其轉換為數字格式，直接導入會計系轉率，降低庫存成本。AI

聊天機器人可以隨時了解

統，減少了數據錄入和處理的時間和錯誤。

使用自ERP庫存系統、跟蹤訂單和其他更新。然語言處理

(NLP)

和機器學習算法，能快速分析候物流配送與運輸管理：機器人在深度學習算法和

3D

選人簡歷，識別出與職位相關的教育背景、工作經歷相機的加持下，可以識別被配送貨物的形狀、尺寸和

等關鍵信息，快速篩選出符合條件的候選人，提高招條形碼，自動分揀和歸類，提高倉庫分揀效率和準確

聘效率。01工業人工智能

(AI)行業觀察大模型（Large

Model，也稱基座模型，即

Foundation

Model），是指具有大量參數和復雜結構的機器學習模型，能夠處理海量數據、完成各種復雜的任務，如自然語言處理、計算機視覺、語音識別等。大模型通常包括大語言模型

(LLM)、視覺大模型

(CV)、多模態大模型等各種類型。大模型通過訓練海量數據來學習復雜的模式和特征，具有更強大的泛化能力，可以對未見過的數據做出準確的預測，能夠處理更加復雜的任務和數據。展開來講，大模型技術有以下幾項基本特征：普遍基于

Transformer

架構。Transformer

架構通過引入自注意力

(Self-Attention)

機制，在處理序列數據時，能同時關注輸入序列的所有元素，并直接建立任意兩個元素之間的聯系，從而捕捉序列中的長距離依賴關系，實現對輸入序列的高效處理和理解。由于不依賴序列順序，Transformer

架構在模型訓練和推理時的并行處理能力更強，效率更高。參數規模大。大模型通常包含數千萬、數億甚至更多參數；巨大的參數規模使大模型能夠處理更加復雜和多樣的任務。強大的泛化能力。大模型通過在大規模數據集上進行訓練，學習到了豐富的知識和特征表示，從而具有強大的泛化能力，能夠有效處理多種從未見過的數據或新任務，甚至能處理一些與訓練數據截然不同的任務。這使得大模型能應用于多種任務和場景，具有廣泛的適用性。靈活性和可定制性。大模型通常具有靈活的架構和可定制的參數，可以根據特定需求對通用大模型進行定制和優化。通過微調

(Fine-tuning)

技術，預訓練的大模型可以快速適應新的任務和數據集，而無需從頭開始訓練。此外，還可以通過添加新的層或修改現有層的結構，來擴展大模型的功能和性能。1.3

工業大模型1.3.1

大模型本報告來源于三個皮匠報告站（）,由用戶Id:549683下載,文檔Id:402337,下載日期:2025-01-140601工業人工智能

(AI)行業觀察具體來看，工業大模型主要通過以下四種核心能力，為工業應用賦能：1.3.3

工業大模型的應用范疇第一，語言理解與知識問答能力。利用大模型對于自然語言的理解能力，能理解和識別用戶意圖，使員工能通過自然語言就能與機器進行交互；另外通過為大模型外掛知識庫，增強知識檢索能力，可以提升知識獲取和共享效率。這些能力在工業領域可普遍應用于智能客服、知識管理、教學與培訓、工業文檔檢索與統計等場景中，大幅提升工作效率，減少人力勞動和成本。還可以基于行業大模型提供知識問答/異常診斷/產線維護/排產建議，大幅提升制造效率，降低運維成本。第三，識別/模擬/預測能力。在工業質檢環節，用大量數據訓練視覺大模型

(CV)，使模型具備更強的場景泛化識別能力，可用于產品質檢，安全監測復判等流程，助力實現零樣本或少樣本缺陷檢測。在生產制造環節之外，工業大模型的仿真與模擬能力，亦可助力工業產品研發與設計環節。例如實時仿真模型的建立與仿真環境的創建。在預測方面，工業大模型助力由原先局部建模預測至基于全局信息、更高效、高精度預測的轉換與優化。第二，創作與內容生成能力，如工業運控軟件代碼、設計模型、應用文檔的生成。在模型具備語言理解的基礎之上，工業大模型具備了內容創作與生成的能力，這種內容生成的能力可大幅提高內容生成效率，提升員工工作效率。其與工業設備及系統的自然交互及推理的能力，可助力基于

LLM

工業代碼的快速生成、優化與調試，大大促進工業應用的生成與落地。盡管目前工業大模型的應用已經滲透到工業的多個環節，應用場景較多，但碎片化明顯。其中，知識管理/知識問答、數據助手/數據問答、專業內容生產以及視覺檢測四個方向，是目前應用探索最多的領域。工業大模型經過一年多的發展，目前總體處于小規模商業應用落地階段。工業大模型憑借其卓越的理解、生成和泛化能力，通過與工業領域的深度融合，有望為工業領域帶來

“基礎模型+

各類應用”

的新范式。因此，工業大模型的成功落地，離不開針對特定行業的豐富現場經驗和深厚的行業

know-how

能力。第四，多模態分析能力，由傳統單一格式的工業數據處理，轉化為多格式數據綜合轉換分析。大模型不僅能夠處理單一類型的工業數據，還能夠綜合分析多種格式的數據，實現跨格式的信息轉換與分析。在工業應用中，大模型能同時處理包括設備運行數據、業務數據和管理決策數據在內的多種數據類型，為企業的運營和決策提供更為全面和精確的數據支持。工業大模型，是指在工業生產中使用的大型模型。工業大模型在滿足大模型技術基本特征的同時，具備在各個工業領域及工業各環節進行應用的能力，或在工業裝備、軟件等融合中賦能的模型。相較于工業專用小模型而言，工業大模型泛化性強，可以單模型應對多任務，更適合長尾落地。另外，從工程層面來講，工業大模型的開發成本及維護成本，低于工業專用小模型。1.3.2

工業大模型0701工業人工智能

(AI)行業觀察汽車制造作為制造業皇冠上的明珠，也是

AI

技術落地應用的重要領域。目前，AI

技術已經滲透到汽車制造中繁多復雜的生產流程中，從汽車零部件的質量檢測、到生產物流運輸、裝配生產線的自動化、再到整車質量檢測等眾多環節，AI

技術的使用都顯著提高了生產效率和產品質量。1.4

行業應用1.4.1

汽車行業汽車造型輔助設計車身漆面質量檢測零部件及整車智能制造工業大模型可廣泛應用于汽車造型設計等領域。例如，在汽車造型設計中，設計師可通過對話、畫圖等方式與大模型交互，完善創意靈感，生成

3D

汽車數字模型，并能對模型進行風格調整、零部件編輯及顏色更換等操作。這能使原本需要

1-2

年的設計周期大幅縮短。車身表面的涂漆質量是衡量整車品質的重要指標之一，它不僅關系到車輛的美觀性，更事關車輛的防腐性、耐久性等問題。漆面噴涂環節工藝繁多復雜，易出現顆粒、縮孔、焊渣、臟污等各類缺陷，進而影響整車外觀甚至漆面的耐久性。傳統的人工漆面缺陷檢測方法，受檢測人員自身狀態及長時間工作易疲勞等因素的影響，無法精確檢出各類缺陷，很難滿足現代汽車生產需求。在

AI

算法賦能下的

3D

成像技術，與機器人手臂協同作業，能夠在線采集整車漆面數據進行并行計算，實現車身漆面缺陷的精準檢測與定位，缺陷測量精度需達

0.15mm，檢出率高達

99%，缺陷分類準確率＞85%，需能夠實現每車

60s

的檢測節拍。還能支持多顏色、多車型在線混檢，支持超過

20

余種漆面缺陷，實現多角度在線檢測。AI

賦能的方案，大幅提升了車身漆面缺陷的檢出率和檢測效率，滿足生產線的快速節拍需求。汽車零部件和整車的性能，不僅關乎駕駛性能和體驗，更關乎生命安全。因此，必須保證汽車零部件完好無缺陷，整車裝配高度精準可靠，確保每一個部件都符合嚴格的安全標準。例如，輪轂是汽車的重要組成部分，其質量直接關系到汽車的安全性和使用壽命。在輪轂的生產制造中，容易產生劃痕、擦傷、氣孔、毛刺、噴涂不到位、黑點等外觀缺陷。缺陷的多樣性、表面反光的干擾以及生產線上的實時檢測要求，使得效率和準確率低下且容易漏檢的人工質檢和容易受復雜環境光干擾的傳統機器視覺檢測方法無法勝任。將

AI視覺算法技術與機器視覺成像技術相結合，利用經過缺陷圖像訓練的深度學習模型識別工業相機捕獲的缺陷圖像，滿足終端檢測節拍要求

24

秒/輪轂，提高檢測精度和生產線效率。0801工業人工智能

(AI)行業觀察以智能手機、平板電腦、筆記本電腦等為主導的消費電子產品以及生產制造，也是

AI

技術和工業大模型落地應用的一個重點行業。AI

技術強大的計算和分析能力，已經為鋰電制造行業帶來巨大變革，從材料選型、器件設計和優化生產保障質量方面，幫助鋰電制造企業縮短開發周期，提升檢測效率，控制成本投入。1.4.2

消費電子行業1.4.3

新能源鋰電行業精準高效的缺陷檢測鋰電池質量檢測加速產品的更新換代智能化功能增強消費電子產品對品質要求極高，過檢指標和漏檢指標嚴格，且產線速度快。很多產品缺陷種類復雜、缺陷細小、區分度低，傳統的人工檢測和機器視覺方案，檢出率低，速度慢，無法滿足生產質量和高速產線的節拍要求。AI

技術與機器視覺檢測方案相結合，為這類難檢缺陷提供有效解決方案。以手機玻璃蓋板為例，手機玻璃蓋板在生產過程中可能會出現劃痕、蹭傷、崩邊、氣泡、手指紋、水跡、水印等多種微小且不易察覺的缺陷，缺陷種類最多可達

30

多種。必須精準、高效地檢出這些缺陷以保證產品質量，檢測精度一般要求達到

10μm，檢測節拍根據蓋板尺寸大小通常在

6

秒到

1

秒/件之間，甚至更快。傳統的人眼檢測，不但無法達到微小缺陷的檢測精度要求，而且人眼容易疲勞，存在效率低、誤檢漏檢偏高等問題，無法滿足生產的精度和節拍要求。將深度學習算法與高精度成像系統相結合，更快速地識別出產品圖像中的缺陷及種類，滿足生產線對檢測精度和速度的要求。鋰電池的質量直接關乎電動車的安全性，因此鋰電對質檢要求嚴苛。鋰電生產過程中的檢測工序繁多，包括原料生產中的隔膜缺陷檢測，前段工序中的極片表面缺陷檢測、涂布外觀缺陷檢測，中段工序中的密封釘焊道缺陷檢測、電池包藍膜后缺陷檢測，后段工序中的

Busbar

焊后檢測等。目前鋰電檢測的主要痛點在于：如何以接近

100%

的檢測良率精準地檢測出多種復雜難檢的缺陷；同時質檢速度還要跟上生產節拍，以保證甚至提升產能。以電芯頂蓋板焊接質量檢測為例，在將電芯頂蓋焊接到電池殼體的過程中，很容易出現爆點、焊坑、孔洞、斷焊、漏焊、翻邊等缺陷，導致漏液、短路等安全風險。將

AI

技術與

3D

成像技術相結合，利用數據樣本自適應擴充訓練技術，縮短模型訓練時間，通過針對性的缺陷檢測算法，提高了缺陷檢測效率和準確率，降低了工人檢測的過殺、漏殺情況，實現缺陷檢測無人化，降低人力成本。消費電子產品的特征之一是快速更新迭代，快速上市新產品意味著搶占市場先機。在新產品的設計生產方面，基于

AI

的市場需求預測模型能快速分析消費者需求趨勢，輔助設計/生產軟件能基于歷史數據和現有數據加速新產品設計，優化生產管理流程，快速上市新產品。更加個性化、智能化、功能強大的手機、PC

等消費電子產品，是驅動消費電子產品更新換代和市場復蘇的關鍵因素。消費電子產品將是大模型部署的新陣地。圍繞用戶的個性化需求，包括不同的使用場景和使用習慣等，大模型的部署需要根據用戶特征對模型進行差異化增強。為了保護數據隱私，與用戶隱私相關的應用模型的訓練，將在端側而非云上進行，這也對邊緣端的算力提出了更高要求。0901工業人工智能

(AI)行業觀察新材料的快速篩選加速設計鋰電池未來的技術核心競爭點在于材料。快速篩選出高能效的材料，是掌握競爭優勢的關鍵。大模型通過高通量計算與數據庫構建、分子生成模型和高通量篩選策略等步驟，能從數百萬種材料中，快速篩選出具有高能效潛力的材料，縮短新材料的發現周期。高效能材料的發現，直接關系著電池的能量密度、性能表現、使用壽命、安全性和成本等關鍵指標。電池企業正在材料篩選及研發上積極探索

AI

技術的深入應用。在鋰電池設計方面，利用

AI高效仿真模型，可以在原子、分子、顆粒、電極和電芯等多個尺度上進行仿真模擬，讓研發人員更深入地理解電池內部的作用機理，并在此基礎上快速優化材料和結構設計，縮短設計時長。半導體制造作為一個高度復雜、技術密集、資本密集的行業，如何實現產品的快速設計、確保生產過程的精度和良率，以保障研發和生產成本的良性投入，最終滿足市場對芯片產品的快速更新迭代需求，是半導體行業面臨的痛點問題。1.4.4

半導體行業加速集成電路芯片設計流程晶圓缺陷檢測隨著制造工藝提升，集成電路芯片制造的工藝線寬不斷縮小，這將帶來更復雜和更大規模的電路設計，傳統

EDA設計流程在應對設計規則復雜度、功耗及熱管理、信號完整性等方面面臨一系列挑戰。將

AI

技術與

EDA

工具相結合，在電路設計階段，AI

可以自動識別和優化電路拓撲結構，通過深度學習模型預測不同電路設計的性能指標（如功耗、速度、面積等），從而快速篩選出最優設計方案。這種方法大大減少了人工試錯的時間，加速了設計迭代過程。在布局布線階段，優化布局布線是集成電路設計中最為耗時的步驟之一，涉及到芯片上數百萬甚至數十億個元器件的物理位置和連接。AI

技術可以在此階段通過強化學習等方法，自動學習最優的布局策略，實現快速而高效的布局布線，同時優化信號完整性、功耗和熱管理等關鍵指標。半導體晶圓制造過程極為復雜、精密，任何微小缺陷都可能影響芯片性能。晶圓中常見的缺陷包括表面的劃痕、裂紋、污染物、凸起，表面翹曲，切割瑕疵、晶體缺陷等。這些缺陷大多細微不易察覺，通常需要微米級甚至更小的檢測精度。人工檢測效率低下，易出錯，無法滿足大規模生產的效率需求；傳統的機器視覺檢測算法，無法滿足對多種缺陷的檢測需求。采用大模型結合機器視覺成像技術，首先使用大規模無標注圖像對大模型預訓練，然后再針對晶圓缺陷檢測任務，在標注的晶圓缺陷圖像數據集上進行微調，優化模型對微小缺陷的識別能力。最終經過優化的大模型，在晶圓缺陷檢測任務上，最小能檢出

0.1

微米級別的缺陷尺寸，檢測精準度需高于

99.5%，檢測節拍大多需達

300

片/分鐘以上，檢測精度、檢出率和檢測效率都比傳統方法有大幅提升，滿足大規范生產需求。1001工業人工智能

(AI)行業觀察毋庸置疑，AI

技術的應用正為工業領域帶來前所未有的創新性變革。而且，工業領域對

AI

技術的部署，正在隨著

AI

技術本身的發展和工業應用復雜性的增加，日漸從傳統的

AI

技術向更加復雜的工業大模型過渡。傳統

AI技術則主要基于規則和知識庫實現智能工作，它通常使用神經網絡結構，通過大量數據進行訓練，來獲得較好的性能。傳統

AI具有較強的實時性，能在特定場景下快速解決問題。但是，對于更加復雜的多樣化應用場景，比如需要處理文本、圖像、音頻等多模態數據時，傳統

AI的落地還是有差距；而大模型憑借強大的自學習能力和泛化能力，以及與具體行業數據的結合調優，優勢明顯。大模型的出現，將

AI技術在工業領域的應用推向了新的發展階段。其具體落地將會以基礎大模型為技術底座，融合工業細分行業的數據和專家經驗，形成垂直化、場景化、專業化的工業大模型。工業大模型相對基礎大模型具有參數量少、專業度高、落地性強等優勢，可以為工業垂直領域的技術突破、產品創新、生產變革等提供低成本解決方案。盡管傳統

AI

技術和大模型在解決各種工業問題方面，從理論上講存在諸多明顯優勢，但是要將

AI

技術和大模型真正成功落地應用，依然有很多具有挑戰性的問題亟待解決。1.5

工業

AI

與工業大模型落地應用面臨的挑戰第一，數據問題。無論是傳統工業

AI

技術，還是工業大模型的落地應用，數據都是首要問題。首先是數據的數量問題，如何從應用場景中收集到大量的數據作為訓練算法或模型，是算法或大模型具備更智能化分析和決策能力的基礎。而往往很多時候來自工業現場的數據量非常有限甚至極少。其次是數據質量問題，即數據的清潔性，并非所有來自工業現場的數據都是有用的，需要對數據進行清潔。如何從實際應用場景中采集或生成豐富且有價值的可用數據，是

AI

及工業大模型成功落地應用的挑戰之一。再次是數據的標注和處理，即便有了足夠的數據，對這些數據進行標注和處理也在難度和工作量方面面臨極大挑戰。最后是數據安全和隱私問題，數據是

AI

技術及工業大模型應用的基礎，這些來自應用端的數據，其中包含著技術、工藝機密信息或個人隱私信息。如何在數據傳輸、訓練、處理過程中保用戶數據的安全性和防止數據濫用，也是工業

AI

乃至工業大模型成功落地應用的挑戰之一。1101工業人工智能

(AI)行業觀察第三，實時響應問題。工廠在線檢測、智能駕駛等應用，需要系統實時做出響應的情況下，需要模型能夠實時處理輸入數據并快速做出響應。將場景應用端的數據再傳輸到云端處理，龐大的數據量會造成帶寬擁擠，影響處理的時效性。采用邊緣計算方案來緩解時效性問題，但是這對邊緣端計算硬件的實時處理能力提出了挑戰。第二，算力問題。無論是訓練

AI

算法還是各種工業大模型，都需要強大的算力支撐。工業大模型動輒參數規模都在十億、百億甚至千億級別，需要龐大的計算資源進行訓練。這種訓練過程涉及海量的數據運算，對

CPU、GPU或

NPU

等加速計算硬件提出了極高的要求。第四，模型應用準確性問題。工業大模型在實際應用中的準確度尚不盡人意。目前大模型比較擅長知識問答、文檔生成、數據分析等場景應用，但在面向實際工程的代碼生成能力仍有很大提升空間，尤其在實用算法、科學計算和數據結構等領域能力偏弱。另外，針對缺陷樣本極少的工業質檢應用場景，工業大模型基于真實缺陷圖生成仿真缺陷圖的能力，目前在準確性方面依然有待提升。第五，成本和技術問題。工業

AI

技術尤其是工業大模型的部署，要面對高昂的訓練成本和技術壁壘，這往往令中小企業望而卻步。工業大模型的應用不僅需要大量的資金投入，還需要專業的人才支持。包括技術研發、算力資源投入、數據采集與標注，以及市場推廣與商業化擴展等方面都需要專業的人才進行操作和管理。在技術壁壘方面，數據處理難題、算力基礎設施部署、商業落地的可靠性等方面，都面臨挑戰。前期需求高昂的投入成本，而項目的投入產出卻難以清晰測量，也在阻礙了落地應用的實施。英特爾?

技術方案021302?英特爾

技術方案2.1

硬件第

12

代英特爾?

酷睿?

移動處理器為物聯網部署創造更多價值，采用全新高性能混合架構，大幅提升單線程和多線程性能，其高性能小尺寸的設計兼顧了圖形密度和

AI

加速功能。首款采用高性能混合架構的英特爾?

酷睿?

處理器創新的芯片設計將專注于主要工作負載的

P-core（性能核）與專為多任務處理而建構的

E-core（能效核）相結合。英特爾?

硬件線程調度器可智能指示操作系統將適當的工作負載與合適的內核相匹配。硬件加速核英特爾?

銳炬?

X

顯卡成就出色的

AI

功能大量的圖形

EU

同樣便于

AI

推理，可提高

AI

工作負載常用數學運算的并行程度。該平臺還通過英特爾?

深度學習加速技術（英特爾?

DL

Boost）和

VNNI

指令支持基于硬件的

AI

加速，通過

Int8

量化實現強大的

AI

性能。平臺支持英特爾?

發行版OpenVINO?

工具套件，可提供優化的性能，同時幫助開發人員對常見用例進行

AI

模型預訓練，從而加快上市時間。2.1.1

第

12

代英特爾?

酷睿?移動處理器性能測量結果基于同第

11

代英特爾?

酷睿?處理器的比較1單線程 多線程性能提升1 性能提升1高達 高達1.07倍

1.29

倍高達 高達2.47倍2.77

倍顯卡 GPU

圖像分類推理性能提升1 性能提升1第

12代英特爾?

酷睿?移動處理器1402?英特爾

技術方案主要特性性能和效率英特爾?

7

制程工藝多達

14

個核心和

20

個線程，具有高性能混合架構Intel?

Thread

Director6

使您的核心與工作負載相匹配高達

24

MB

Intel?

智能緩存確定性實時性利用英特爾?

TCC

進行實時計算支持時間敏感型網絡

(TSN)通過英特爾?

PLL

鎖相環技術，可鎖單

P

核或者

4

個一組

E

核作為實時任務，而其他核按需動態調整頻率工業特性IBECC

內存處理器基本功率范圍為

15W

至

45W，低功耗

SKU

支持無風扇設計工業級

SKU

支持寬溫運行AI

加速英特爾?

銳炬

X

顯卡擁有多達

96

個執行單元

(EU)，便于視覺識別、測量以及視覺引導等應用中高度并行的

AI工作負載處理通過在

CPU上運行包含

VNNI

指令的英特爾?

DLBoost在

GPU

上運行

DP4a(int8)

指令，以及采用英特爾?

發行版

OpenVINO?

工具套件，加速

AI

推理工作負載管理與安全英特爾?

vPro

平臺適用于特定

SKU英特爾?

融合安全管理引擎

(Intel?

CSME)

版本

16操作系統支持?Windows

10

IoT

企業版

2021

長期服務頻道

(LTSC)?支持

EFLOW?Linux

內核覆蓋，可輕松采用物聯網功能?Celadon

(Android)（社區支持）?支持

Ubuntu、RedHat

Enterprise、Wind

River

Linux和

WindRiverVxWorks

71502?英特爾

技術方案第

12

代英特爾?

酷睿?

移動處理器示意圖第

12

代英特爾?

酷睿?

移動處理器產品線第

12

代英特爾?

酷睿?

處理器（高性能移動版

45W）處理器編號處理器內核數P-core數E-core數線程數英特爾?智能最大睿頻頻率(GHz)A處理器基礎頻率(GHz)最大顯卡頻率(GHz)英特爾?平臺固件支持的版本和類型處理器顯卡執行視頻解碼器PCIe最大內存速度最大處理器基礎功率(W)高速緩存(L3)P-coreE-coreP-coreE-core英特爾?

vPro?EnterpriseBME16ME16單元(EU)

數通道總數內存容量英特爾?酷睿?i7-12800HE處理器14682024

MB高達4.6高達3.52.4(@45W)1.6(@35W)1.81.35是企業消費者英特爾銳炬?

Xe顯卡D96216(CPU)12(PCH)DDR5-4800LPDDR5-5200DDR4-3200LPDDR4x-426764

GB45W（基礎功率）35W（最小保證功率）英特爾?酷睿?i5-12600HE處理器12481618

MB高達4.5高達3.32.5(@45W)1.7(@35W)1.81.3是企業消費者802英特爾?酷睿?i3-12300HE處理器8441212

MB高達4.3高達3.31.9(@45W)1.1(@35W)1.51.15否企業C消費者英特爾?超核芯顯卡481OPIO x8

Gen2x8

PCIe

4.0x2

SATA

3.0eSPISPI嵌入式

DisplayPort

1.4bHBR3LP4x/5DDR4/5x10

USB

2x4

USB

3x4

Thunderbolt?

4x4

DisplayPortx12PCIe

3.0并非所有操作系統均支持所有功能。并非所有型號產品均具有所有功能。MIPI

攝像頭/IPU

支持需要

IOTG

批準。Thunderbolt?

4

支持需要

IOTG

批準。請聯系您的英特爾代表。MIPI

DSI

2.0HDMI

2.0bWi-Fi

6E(Gig+)

x8

PCIe

4.0

(僅針對高性能移動版)GbE

LAN集成傳感器中樞

(ISH)第12

代英特爾?

酷睿?移動處理器英特爾?

600

系列移動芯片組了解有關第

12

代英特爾?

酷睿?

移動處理器的更多信息，請訪問：

https://www.intel.cn/content/www/cn/zh/products/platforms/details/alder-

lake-p.html1.性能測試結果基于配置信息中顯示的日期進行的測試，且可能并未反映所有公開可用的安全更新。預測或模擬結果使用英特爾內部分析或架構模擬或建模，該等結果僅供您參考。系統硬件、軟件或配置中的任何差異將可能影響您的實際性能。關于性能和基準測試程序結果的更多信息，請訪問：/PerformanceIndex1602?英特爾

技術方案新特性?基于極紫外

(EUV)

光刻技術的英特爾

4

制程工藝單個

SoC

內配備眾多計算引擎：P-core（性能核）、E-core（能效核）、英特爾銳炫?GPU2

以及

AI

專用的內置神經處理單元

(NPU)

英特爾?

AIBoost3

單個

SoC內配備眾多計算引擎：P-core（性能核）、E-core（能效核）、英特爾銳炫?

GPU2

以及

AI

專用的內置神經處理單元

(NPU)

英特爾?

AI

Boost3內置英特爾銳炫?GPU2，提供多達

8

個

Xe

內核（多達128

個圖形執行單元）?硬件加速

AV1

編碼、內置

DisplayPort2.1

(USB-C)

和HDMI

2.1，以及全新圖形系統控制器2.1.2

英特爾?

酷睿?Ultra

處理器英特爾?

酷睿?

Ultra

處理器人工智能高達1.5

倍AI

性能提升與上一代產品比較1能效高達2.56

倍

每瓦

AI

性能提升與上一代產品比較1圖形處理高達1.81

倍

圖形處理性能提升與上一代產品比較1實際性能受使用情況、配置和其他因素的差異影響。更多信息請見

/processorclaims（英特爾?

酷睿?

Ultra

處理器

—

邊緣）。結果可能不同。采用高能效

BGA

封裝，以先進的

AI

和圖形處理性能，助力部署邊緣解決方案即使在空間和功耗受限的環境中，也能快速輕松地在邊緣部署

AI

和圖形處理功能，以滿足視覺和自動化等用例的需求。英特爾?

酷睿?

Ultra

處理器配備眾多計算引擎，采用高能效BGA

封裝，能夠為創新設計提供更大的靈活性，是應對邊緣嚴苛工作負載的理想選擇。這些功能強大的邊緣處理器可以加速從

AI

獲取結果，為每臺設備提供更多媒體流，并提供長期供貨保證2，以提升長期價值。單個封裝內部署更多

AI

引擎利用英特爾?

酷睿?

Ultra

處理器提升競爭優勢，部署客戶迫切需要的先進

AI

工作負載。P-core（性能核）、E-core（能效核）、英特爾銳炫?

GPU3

以及英特爾?

AI

Boost4

等眾多計算引擎協同加速邊緣

AI

推理，同時減少對獨立加速器的需求，幫助降低系統復雜性和成本。此外，該款處理器支持英特爾?

發行版

OpenVINO?

工具套件，可為工作負載匹配合適的計算引擎，從而提高

AI

性能，并能夠通過跨架構編程功能和自動計算引擎檢測，幫助簡化

AI

工作流程。OpenVINO?

還為

TensorFlow*、PyTorch*

和

ONNX等主流

AI

框架提供支持和優化，以幫助提高性能并簡化開發工作。另外，英特爾?Gaussian

&Neural

Accelerator（英特爾?GNA）3.5可用于改善音頻降噪和語音識別。提升圖形密集型應用性能，無需入門級獨立

GPU為自助服務終端、終端以及細節豐富的界面整合系統并降低硬件成本。英特爾?

酷睿?

Ultra

處理器配備內置英特爾銳炫?

GPU3，提供多達

8

個

Xe

內核（多達

128

個圖形執行單元），有助于減少對入門級獨立

GPU

的需求。這一代處理器支持多達

50

個

HDR

視頻流，可提供細節更加豐富的視效，支持在硬件加速主流

AV1

編解碼器，可實現比

H.265更高效的壓縮。對于高級視頻墻應用，英特爾?

酷睿?

Ultra處理器支持多達

4x

4K

顯示器或

2x

8K

顯示器、通道鎖定同步和邊框校正功能。降低要求嚴苛的

AI

和視頻工作負載的能耗借助能效優于上一代產品的平臺簡化邊緣

AI

部署5。英特爾?

酷睿?

Ultra

處理器采用

BGA

封裝，在相同功耗水平下，可提供比上一代產品更高的

AI

性能，讓終端客戶能夠在空間有限的環境中靈活運行更多的工作負載。這一平臺非常適合需要無風扇或較少散熱的邊緣設計，同時還優化了電源設計，可通過控制活動較少時段的能耗，幫助降低能耗成本。英特爾?

酷睿?

Ultra

處理器還配備英特爾?

硬件線程調度器5，可以對

CPU

內核間的并行工作負載進行智能優化。它通過識別每個工作負載的類別并使用能效核和性能核評分機制，幫助操作系統合理調度內核線程，以提高性能或能效。1702?英特爾

技術方案主要特性性能基于

EUV

光刻技術的英特爾

4

制程工藝采用英特爾?

酷睿?

處理器的高性能混合架構，配備英特爾?

硬件線程調度器5多達

16

個內核和

22

條線程多達

24

MB

的英特爾?

智能高速緩存15

W

至

45

W

的處理器基礎功耗范圍加速

AI單個

SoC

內配備眾多計算引擎：P-core（性能核）、E-core（能效核）、英特爾銳炫?GPU2

以及英特爾?

AIBoost4經優化的英特爾?

Gaussian

&

Neural

Accelerator

（英特爾?

GNA）3.5英特爾?

深度學習加速技術（Intel?Deep

LearningBoost，英特爾?

DLBoost）與

DP4a

指令受

OpenVINO?

工具套件全面支持能效2

個低功耗嵌入式

DisplayPort

接口圖形處理?內置英特爾銳炫?

GPU3，提供多達

8

個

Xe

內核（多達128

個圖形執行單元）硬件加速

AV1

編碼集成的

DisplayPort

2.1

(USB-C)

和

HDMI

2.1圖形系統控制器

(GSC)集成的英特爾?

圖像處理單元Windows

通道鎖定視頻同步，帶邊框校正功能和

EDID管理/顯示鎖定?多達

50

個同步

HEVC

HDR

10b

1080p30

視頻流?多達

4

個并發

4K60

HDR

顯示器或

2

個

8K

顯示器?基于

SR-IOV

的

GPU虛擬化內存和

I/O高達

LPDDR5-6400、LPDDR5x-7467（Type

4

載板）、DDR5-56008

條

PCIe

5.0

通道7多達

20

條

PCIe

4.0

通道高能效部署與長期支持焊入式

(soldered-down)BGA

封裝長達

10

年的長期供貨保證2安全性與可管理性Elementalsecurityengine

(ESE)NIST

800-88r1（存儲介質清理）連接?USB4/英特爾?

雷電技術

46?經過英特爾?

獨立

Wi-Fi

7（英特爾?

Wi-Fi

7BE200、英特爾?Wi-Fi6E

AX210）驗證藍牙

5.4/5.3軟件和操作系統支持OpenVINO?

工具套件、英特爾?

oneAPI

工具套件、英特爾?

oneAPI

VideoProcessing

Library（英特爾?

oneVPL）Windows10IoTEnterprise2021LTSC和

Windows11IoTEnterprise2024LTSC

(2H’24)?Ubuntu、Red

Hat

Enterprise

Linux、Wind

River

Linux?AzureIoT

EFLOW、Yocto

Project

和基于

Linux

內核的虛擬機

(KVM)UEFI/BIOS

和英特爾?

固件支持軟件包（Intel?

FirmwareSupportPackage，英特爾?

FSP）以及

Slim

Bootloader和英特爾?

FSP1802?英特爾

技術方案英特爾?

酷睿?

Ultra

處理器示意圖英特爾?

酷睿?

Ultra

處理器產品線英特爾?

酷睿?

Ultra

處理器（H

系列，28

W）英特爾?最大睿頻頻率處理器基礎頻率處理器名稱處理器內核數P-core數E-core數LPE內核數線程數智能高速緩存(L3)(GHz)A(GHz)最大顯卡頻率(GHz)處理器顯卡執行單元(EU)

數視頻解碼器PCIe通道總數最大內存速度最大內存容量TCC/TSN寬溫支持處理器基礎功耗(W)P-coreE-coreP-coreE-core英特爾?酷睿?Ultra

7處理器166822224

MB5.03.8

1.4(@28W)0.92.31282否否165H英特爾?酷睿?Ultra7處理器155H166822224

MB4.83.81.4(@28W)0.92.25英特爾銳炫?顯卡B12828(CPU:1x8

PCIe5.0)20(PCIe4.0)DDR5-5600LPDDR5-6400LPDDR5x-6400LPDDR5x-746764

GB否否65W（最大保證功耗）28

W（基礎功耗）20W（最小保證功耗）英特爾?酷睿?Ultra5處理器135H144821818

MB4.63.61.7(@28W)1.22.21282否否英特爾?酷睿?Ultra

5處理器144821818

MB4.53.61.2(@28W)0.72.21122否否125H1.

12Gbps2.1x8PCIeGen

53.

(FRL)

Meteor

Lake-H

4MIPI

CSI

(IPU)eSPI SPI50

mm

x

25

mm

x

1.35

mmBGA

Type

3英特爾?

酷睿?Ultra

處理器多達

12

個內核（U多達

16

個內核（H

8

個

Xe

內核4x

雷電技術

4

(USB-C)3帶

THC

的

SPILPDDR5x-7467DDR5-56001x8

PCIe

5.02x8

通道（僅針對

H

系列）3x4

PCIe

4.0x12

通道

x10

USB2x2

USB32x4

PCIe

4.0x8

通道SATA

3.0x2嵌入式

DisplayPort

1.4bHBR3DisplayPort

2.1(USB-C)HDMI

2.11Wi-Fi

7/6E藍牙

6.0/5.2英特爾?

以太網連接

I219集成傳感器中樞

(ISH)1902?英特爾

技術方案英特爾?

酷睿?

Ultra

處理器（U

系列，15

W）英特爾?最大睿頻頻率處理器基礎頻率處理器名稱處理器內核數P-core數E-core數LPE內核數線程數智能高速緩存(L3)(GHz)A(GHz)最大顯卡頻率(GHz)處理器顯卡執行單元(EU)

數視頻解碼器PCIe通道總數最大內存速度最大內存容量TCC/TSN寬溫支持處理器基礎功耗(W)P-coreE-coreP-coreE-core英特爾?DDR5-5600LPDDR5-6400LPDDR5x-6400LPDDR5x-7467酷睿?Ultra

7處理器1228214

12

MB4.93.81.7(@15W)1.22642否否165U英特爾?酷睿?Ultra

7處理器155U1228214

12

MB4.93.81.7(@15W)1.22英特爾?顯卡64220PCIe4.064

GB否否28W（最大保證功耗）15

W（基礎功耗）12

W（最小保證功耗）英特爾?酷睿?Ultra5處理器122821412

MB4.43.61.6(@15W)1.11.9642否否135U英特爾?酷睿?Ultra

5處理器1228214

12

MB4.33.61.3(@15W)0.81.85642否否125U內核頻率和內核類型因工作負載、功耗和其他因素而異。更多信息請見

https:///content/www/cn/zh/architecture-and-technology/turbo-boost/intel-turbo-boost-technology.html英特爾銳炫?

GPU

僅適用于部分搭載

H

系列英特爾?

酷睿?

Ultra

處理器的系統，且系統內存為至少

16

GB

的雙通道配置。需要

OEM

支持；請咨詢

OEM

以了解系統配置詳細信息。產品規格請參閱

/content/www/cn/zh/ark.html實際性能受使用情況、配置和其他因素的差異影響。更多信息請見

/processorclaims（英特爾?

酷睿?

Ultra處理器

—

邊緣）。結果可能不同。英特爾?

不以路線圖指導的方式承諾或保證產品可用性或軟件支持。英特爾?

保留通過標準

EOL/PDN

流程更改路線圖，或是中止產品、軟件和軟件支持服務的權利。有關更多信息，請聯系您的英特爾?

客戶代表。英特爾銳炫?

GPU

僅適用于部分搭載

H

系列英特爾?

酷睿?

Ultra

處理器的系統，且系統內存為至少

16

GB

的雙通道配置。需要

OEM

支持；請咨詢

OEM

以了解系統配置詳細信息。發布時提供的英特爾?

AI

Boost

支持有限。Windows

11IoT

Enterprise

LTSC

和

Linux

6.x

將支持英特爾?

硬件線程調度器。6.

請聯系您的英特爾?

代表獲取雷電技術

4

支持許可。7.

1x8

PCIe

Gen

5

僅適用于

Meteor

Lake-H

平臺。*

文中涉及的其他名稱及商標屬于各自所有者的資產。了解更多有關英特爾?

酷睿?

Ultra

處理器的信息，請訪問：

https:///content/www/cn/zh/products/details/embedded-processors/core-ultra.html2002?英特爾

技術方案2.1.3

英特爾?

至強?

Max

系列

&

英特爾?

至強?

6

處理器英特爾?

至強?

Max

系列處理器作為唯一一款基于

x86

的高帶寬內存

(HBM)

處理器，英特爾?

至強?

Max

系列處理器可最大程度提高帶寬。英特爾?

Max

系列

CPU在架構設計上大幅增強采用

HBM

的英特爾?

至強?

平臺的性能，相較于競品，其針對實際工作負載的性能提升了

4.8

倍1，比如建模、人工智能、深度學習、高性能計算

(HPC)

和數據分析。最大限度提高帶寬英特爾?

至強?

Max

系列處理器旨在加速需求最嚴苛的工作負載，實現了：提升高達5

倍與競品和前幾代產品相比，內存帶寬性能顯著提升。1,2提升高達20

倍

采用

HBM

時，用于

NLP

的

Numenta

Al技術與其他

CPU

相比實現的速度提升。3提升高達8.6

倍

洛斯阿拉莫斯國家實驗室在不更改當前

HPC系統代碼的情況下獲得的性能增益。4英特爾?

至強?

Max

系列處理器利用由四個小芯片構成的多達

56

個性能核的強大功能，通過英特爾?

的嵌入式多芯片互聯橋接

(EMIB)

技術在

350

瓦封裝中互相連接。英特爾?

至強?

Max

系列處理器通過

4

個

HBM2e

堆棧、64

GB

超高帶寬封裝內存和每核超過

1

GB

的

HBM

容量，最大限度提升性能。多達

56

個性能核64GB

高帶寬內存節省成本和時間對于適合

64

GB

容量且每核心需要

1-2

GB

內存的工作負載的應用，使用英特爾?

至強?

Max系列處理器無需

DDR

和耗時的代碼更改，實現了成本節省。通過提高帶寬來最大化性能英特爾?

至強?

Max

系列處理器采用了新的微架構，并支持豐富的平臺增強功能，包括更多的核心數量、先進的

I/O

和內存子系統，以及內置加速器。英特爾?

至強?Max

系列處理器特點包括：2102?英特爾

技術方案支持在

64

GB

容量內的工作負載，并且能夠按每核心

1-2

GB

的內存進行擴展，在系統啟動時，僅

HBM

模式不需要任何代碼更改且不需要

DDR。為需要大內存容量的應用程序提供靈活性，HBM

平坦模式提供了一個包含

HBM

和

DRAM

的平坦內存區域，可用于每核心需要

>

2

GB

內存的工作負載。該模式可能需要進行代碼更改。僅

HBM模式HBM

平坦模式HBM

緩存模式旨在提高

>

64

GB

容量或每核心需要

>

2

GB

內存的工作負載的性能。該模式無需代碼更改，HBM會緩存

DDR?？绮煌軜嫾铀?/p>

AI

應用程序整個英特爾?

至強?

Max

系列產品通過英特爾?

oneAPI

統一，為一個共通的、開放的、基于標準的編程模型，釋放生產力和性能。開發者可以使用英特爾?

oneAPI

基礎工具包和英特爾?

oneAPI

高性能計算工具包，更容易地構建、分析、優化和擴展通用計算、高性能計算和

AI應用程序，跨越多種類型的架構，并使用包括在向量化、多線程、多節點并行化和內存優化方面的最先進技術。使用英特爾?

至強?

Max

系列處理器和英特爾?

oneAPI，開發者可以輕松構建高性能、多架構軟件，為高性能計算做好準備。適用于不同

AI

工作負載的靈活性英特爾?

至強?

Max

系列處理器提供了不同的內存模式，可根據工作負載的需求靈活配置：英特爾?

至強?

Max

系列處理器產品處理器名稱處理器內核數基頻頻率(GHz)全部核心睿頻頻率(GHz)最高睿頻頻率(GHz)高速緩存(MB)TDP

(W)可擴展性DDR5內存速度英特爾?

SGX

的最大EnclavePage

Cache（每個核心）英特爾?

至強?

CPUMax

9480

處理器561.92.63.5112.53502S4800512

GB英特爾?

至強?

CPUMax

9470

處理器5222.73.513502S4800512

GB英特爾?

至強?

CPUMax

9468

處理器482.12.63.513502S4800512

GB英特爾?

至強?

CPUMax

9460

處理器402.22.73.597.53502S4800128

GB英特爾?

至強?

CPUMax

9462

處理器322.73.13.5753502S4800128

GB2202?英特爾

技術方案有關工作負載和配置的信息，請訪問：/performanceindex（活動：Supercomputing22）。結果可能有所差異。2S

英特爾?

至強

Max

CPU

對比

2S

AMD

EPYC

7773X

和

2S

第三代英特爾?

至強?

8380。Numenta

BERT-Large

AMD

Milan：由

Numenta

測試，截至

2022

年

11

月

28

日。1

個節點，AWS

m6a.48xlarge

上的

2

個

AMD

EPYC7R13，768

GB

DDR4-3200，Ubuntu

20.04

內核

5.15，OpenVINO?

2022.3，BERT-Large，序列長度

512，批大小為

1。英特爾?

至強?8480+：由

Numenta

測試，截至

2022

年

11

月

28

日。1

個節點，2個英特爾?

至強?8480+，512

GB

DDR5-4800，Ubuntu

22.04

內核

5.17，OpenVINO?

2022.3，Numenta

優化的

BERT-Large，序列長度

512，批大小為

1。英特爾?

至強?

Max

9468：由

Numenta

測試，截至

2022

年

11

月

30

日。1

個節點，2個英特爾?

至強?

Max

9468，128

GB

HBM2e

3200

MT/s，Ubuntu

22.04

內核5.15，OpenVINO?

2022.3，Numenta

優化的

BERT-Large，序列長度

512，批大小為

1。Crossroads上的預生產芯片。有關工作負載和配置的信息，請查看

/abs/2211.

712

。結果可能有所差異。性能因用途、配置和其他因素而異。性能結果基于截至配置中所示日期的測試，可能無法反映所有公開發布的更新。沒有任何產品或組件能夠做到絕對安全。請訪問：www.I/PerformanceIndex

了解