system on a chip
PulseAugur coverage of system on a chip — every cluster mentioning system on a chip across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
高通将 AI 计算集成到加速器中，研究人员减轻 AI 数学负担
高通公司正通过将计算能力直接集成到其 AI 加速器中，提出一种新的 AI 基础设施方法。该设计旨在通过将计算置于更靠近数据的位置来克服内存墙。研究人员还在开发新的 AI 数学方法，以减少 AI 任务的硬件需求，可能通过将语义含义与嵌入分离来实现。
-
Apple 计划 2028 年前采用 1.4nm 芯片；AI 公司智辨良人估值超 27 亿美元
据报道，Apple 正在探索最早于 2028 年在其旗舰智能手机片上系统 (SoC) 中使用 1.4nm 工艺技术。这一潜在的转变可能意味着使用 2nm 工艺制造的芯片寿命可能只有大约两年。与此同时，AI 公司智辨良人（Zibianliangren）在两个月内成功完成了多轮融资，投后估值超过 200 亿人民币，主要投资者包括中国移动和国家人工智能产业投资基金。
-
SPARX框架加速边缘RISC-V芯片上的CNN
研究人员开发了SPARX，一个用于在边缘设备上加速卷积神经网络（CNN）的框架。该系统将近似计算与安全和隐私功能集成到RISC-V片上系统中。SPARX利用自定义RISC-V指令扩展和近似对数CNN加速器，并通过差分噪声隐私引擎和认证机制进行增强。评估显示，在特定CNN模型的精度影响极小的情况下，面积和功耗显著降低，吞吐量也有所提高。
-
AI 将重塑安全运营中心，强调人才战略
人工智能将显著改变安全运营中心（SOC），将其结构从金字塔形转变为菱形，初级职位减少，中层力量增强。这种演变需要一种战略性的人才培养方法，侧重于技能、指导以及将 AI 融入日常运营，而不仅仅是采用新技术。公司现在必须试验 AI 工具，以领先于对手，并为人类专业知识与 AI 协作的未来做好团队准备。
-
多模态人工智能通过整合多样化数据输入增强网络安全运营
多模态人工智能正成为网络安全运营的宝贵工具，能够处理文本、屏幕截图和日志等多样化数据类型，以连接零散的证据。该技术旨在通过减少低价值的解释任务来增强而非取代人类分析师，使他们能够专注于关键决策。安全领域部署多模态人工智能的实用架构涉及分层方法，具有强大的护栏、人工监督和对工具的受控访问，以减轻过度依赖带来的风险。
-
尽管警报减少，人工智能仍难以提高SOC性能
尽管人工智能在安全运营中心（SOC）取得了进展，但许多中心在解决平均时间（MTTR）、分析师倦怠和漏报攻击方面仍然面临挑战。目前的人工智能部署在关联警报和提供调查起点方面表现出色，显著减少了原始警报量和误报。然而，人工智能的有效性受到系统碎片化、数据质量和工作流程集成等因素的限制，特别是在检测后阶段，协调和审批会导致显著延迟。
-
关键基础设施防御需要AI SecOps
关键基础设施日益整合人工智能，将其攻击面扩展到模型、数据和机器学习管道。传统安全措施和仅由人类操作的安全运营中心（SOC）因数据量和AI原生攻击的速度而不堪重负。为应对此挑战，组织必须采用AI SecOps，将持续安全检查嵌入运营管道，并使用AI驱动的工具来匹配对抗性AI的速度和推理能力。
-
开源脉冲神经网络加速器集成到基于FPGA的神经形态片上系统中
研究人员开发了一个异构片上系统（SoC），集成了名为ReckOn的开源循环脉冲神经网络（SNN）加速器。该设计旨在通过在现场可编程门阵列（FPGA）上实现SNN，将高效、低功耗的神经形态计算引入边缘设备，为硅芯片流片提供了一种经济高效的替代方案。该SoC与基于RISC-V的X-HEEP微控制器和ARM处理器等传统处理器一起管理ReckOn的运行，验证其准确性并评估在线学习能力。
-
新加坡研究人员使用AI跨SIEM平台翻译安全规则
新加坡国立大学和复旦大学的研究人员开发了一种名为ARuleCon的新技术，用于在不同的安全信息和事件管理（SIEM）系统之间翻译安全规则。SIEM系统被安全运营中心（SOC）用于监控日志文件并触发潜在安全事件的警报。由于SIEM供应商使用专有格式来编写规则，因此在一个系统上创建的规则通常无法在另一个系统上运行，这给使用多个SIEM的组织带来了复杂性。ARuleCon利用代理式检索增强生成（RAG）管道和特定供应商的文档，实现了比通用L…
-
研究人员探索LLM安全工作流以用于SOC中的事件分类
研究人员探索了将大型语言模型（LLM）集成到安全运营中心（SOC）工作流中以协助事件分类。研究发现，实施约束和流程引导显著提高了这些AI工具的有效性。文章还提到了Suricata，一个网络入侵检测系统，与这些由LLM驱动的安全流程结合使用。
-
Tempus框架为边缘AI提供可扩展、资源高效的GEMM
研究人员开发了Tempus，一个旨在优化AMD Versal SoC上边缘AI部署的通用矩阵乘法（GEMM）的新框架。与在资源受限设备上失败的现有空间扩展方法不同，Tempus使用固定的计算块和通过迭代执行及数据分块实现的时间扩展。这种方法取得了显著的性能提升，在10.677W功耗下实现了607 GOPS，同时与先前最先进的方法相比，在资源和功耗节约方面表现更优。
-
Databricks推出AI驱动的SIEM以应对安全警报疲劳
Databricks 推出了 Lakewatch 和 Genie，这是一款旨在应对安全运营中心警报疲劳的“开放式代理SIEM”。这些工具旨在将分散的安全、IT和业务遥测数据统一到湖仓一体架构上，从而实现机器速度的威胁检测和响应。通过自动化数据整理和警报分类，该系统使人类分析师能够从手动任务转向战略监督，协调AI代理进行自主威胁中和。
-
Tessera为边缘AI加速器提供安全、近线速权重流
研究人员开发了Tessera，一种旨在安全地将模型权重流式传输到统一内存架构（UMA）系统中的边缘加速器的新架构。该方法通过实现权重的内联、缓存行粒度解密，解决了在商品设备上保护专有深度神经网络的挑战。Tessera拦截内存突发，并与DRAM获取并行解密，以最小的带宽开销将明文直接流式传输到隔离的NPU SRAM中。
-
Espresso Labs的AI Barista自动化中小企业网络安全执行和修复
Espresso Labs正在开发一个名为“AI Barista”的AI驱动系统，以解决中小企业（SMB）面临的网络安全挑战。该系统旨在超越单纯的威胁检测，实现自动化执行和修复，应对当前安全工具的复杂性和碎片化。通过充当自主操作员，AI Barista将处理隔离威胁和验证安全控制等任务，从而减轻不堪重负的IT人员的负担，并改善中小企业的整体安全状况。