Indústria, academia, pesquisa e aplicação

Laboratório Xiangjiang · Instituto de Pesquisa e Inovação em Computação Heterogênea de Alta Eficiência Energética

Computação heterogênea de alta eficiência energética + Hardware chinês de IA local + Placas aceleradoras de modelos especializados

Placa do Instituto de Pesquisa e Inovação em Computação Heterogênea de Alta Eficiência Energética

Instituto de Pesquisa e Inovação em Computação Heterogênea de Alta Eficiência Energética do Laboratório Xiangjiang

O Instituto de Pesquisa e Inovação em Computação Heterogênea de Alta Eficiência Energética do Laboratório Xiangjiang é uma instituição de pesquisa de tecnologias de ponta focada no sistema de computação de tecnologia nacional chinesa (Xinchuang) e em arquiteturas de hardware de IA local. Alinhado às necessidades estratégicas nacionais do setor de computação, busca resolver os desafios de eficiência energética e nacionalização da IA na borda, oferecendo uma base computacional sólida para a iniciativa “IA+”.

Com foco em codesign de hardware e software, integração entre dispositivos e nuvem e eficiência energética, o instituto reúne fabricantes de chips e equipamentos para desenvolver tecnologias críticas. Pesquisa hardware dedicado de IA local e adaptação à tecnologia nacional chinesa, levando computação de IA da nuvem à borda para executar grandes modelos localmente com segurança e fluidez.

O Laboratório Xiangjiang é o primeiro laboratório provincial criado sob liderança do Governo de Hunan. Fundado em julho de 2022, tem sede no Parque Industrial Beidou, Zona de Alta Tecnologia de Changsha, Nova Área de Hunan Xiangjiang. É uma plataforma de inovação em computação avançada e IA, mantida pelo Departamento de Ciência e Tecnologia de Hunan e organizada pela Universidade de Tecnologia e Negócios de Hunan. Sua estrutura “1346”, com sede, filiais e centros de inovação, contempla quatro eixos, como inteligência de dados e computação de alto desempenho, e seis aplicações, como manufatura e saúde inteligentes.

Foco de pesquisa

Arquitetura de computação heterogênea local para chips chineses

Ecossistema tecnológico completo de codesign de hardware e software

Da validação tecnológica a produtos e padrões

Mecanismo de P&D conjunto entre múltiplas partes

Linhas de pesquisa

Computação local nacional e protótipos de dispositivos

Benchmarks de desempenho e consumo: testar capacidade, velocidade de inferência, potência e latência de chips chineses, gerando avaliações para orientar seleção e combinação.

Projeto e integração de protótipos locais: desenvolver equipamentos heterogêneos com chips chineses, integrar hardware e software e validar orquestração, estabilidade e desempenho sob cargas reais.

Padrões para dispositivos locais: elaborar propostas de padrões chineses para IA local, abrangendo desempenho, interfaces, segurança e testes de consumo e controle térmico.

Gestão de recursos para inferência de baixo consumo: pesquisar alocação e orquestração em hardware econômico, equilibrando energia e desempenho.

Estruturas chinesas de IA e motores de inferência

Pesquisa e avaliação de estruturas: avaliar sistematicamente funções, desempenho e custo de adaptação de CANN, MUSA e outras estruturas em chips chineses, produzindo comparativos.

Orquestração e otimização de operadores: projetar sistemas de orquestração e otimizar operadores sobre estruturas existentes para melhorar a inferência local e na borda.

SDK e ferramentas de desenvolvimento: disponibilizar SDK, exemplos e documentação de APIs para oferecer a terceiros ambientes e ferramentas prontos para uso.

Normas de adaptação e migração: padronizar interfaces de operadores, orquestração e adaptação de compiladores para reduzir barreiras à migração entre plataformas chinesas.

Arquiteturas de pequenos modelos locais e inferência eficiente

Pesquisa de arquiteturas: acompanhar Mamba, redes neurais de grafos (GNN) e Transformers heterogêneos, analisando adequação e desempenho em dispositivos locais.

Estruturas de inferência para dispositivos: projetar estruturas adequadas às arquiteturas estudadas, otimizando operadores e orquestração para chips chineses.

Modelos eficientes com poucos parâmetros: pesquisar arquiteturas que preservem a precisão e reduzam memória e custo computacional.

Quantização, destilação e compressão: criar modelos leves para dispositivos e respectivos sistemas de avaliação e padronização.

Ajuste de pequenos modelos locais por setor e domínio

Ajuste de modelos setoriais: projetar e validar ajustes de pequenos modelos para tarefas específicas, melhorando precisão e rapidez em aplicações verticais.

Conjuntos de dados setoriais: construir dados de alta qualidade para treinamento e ajuste de pequenos modelos.

Critérios de avaliação e interfaces: definir padrões para modelos tributários, contábeis, médicos e jurídicos, garantindo avaliações consistentes entre aplicações.

Orquestração adaptativa: pesquisar alocação dinâmica conforme a cadeia de inferência e o estado do dispositivo, mantendo estabilidade sob diferentes cargas e hardwares.