编者按：CES 2021于2021年1月11日至13日在线上举办。我们的英文编辑撰写了该展会的一系列报道，我们会陆续选登。
本篇报道的主题是电脑和游戏，以及有关AMD、Intel和IBM公司的报道。
AMD总裁兼首席执行官Su Lisa博士为CES展会做了演讲。75%的演讲时间介绍了过去一年的挑战，包括AMD抗击疫情而得到的收获/资金，以及AMD的产品合作伙伴，如惠普、联想、微软、Industrial Light and Magic (IL&M)公司等（见图2和图3）。
图2：AMD与惠普是计算领域的合作伙伴
图3：采用AMD产品的合作伙伴Industrial Light和Magic
Su博士用剩余时间介绍了AMD的新处理器——Ryzen5000系列（图4）。该系列计算机处理器有8核、16核和32核，时钟频率高达5.0 GHz。这“应该”是消费品市场采用的最快处理器，比其更强大的唯一处理器是用于大型计算机中心的AMD Epyc处理器系列，它包含32核和64核。微软和IL&M已经将其用于新的云计算中心。IL&M需要这样强大的功能来为电影渲染图形。一个典型的云计算中心将拥有50万台服务器，需要实用面积超过200万平方英尺的20栋建筑，占地30英亩，配有19000个备用电池，以及柴油发电机。
图4：Ryzen5900可用于高性能数据中心、游戏和计算的新型处理器
Su博士花了很多时间讨论游戏的重要性。她说，2019年游戏业的收入超过了电影和音乐行业收入的总和。AMD一直在使用Ryzen5000HX系列、RadianRX6000系列图形卡，与微软合作开发新的Xbox，与索尼合作开发PlayStation5，以及开发游戏笔记本和工作站。这些新的图形驱动程序可与1440像素的新型LG QLED曲面屏幕配合使用，并以每秒60和100帧的速度刷新4K和8K分辨率。特殊设计甚至可支持大屏幕16K影院。这些增强游戏机（图5）有2个新一代扁平静音冷却风扇。
图5：新一代高性能游戏笔记本电脑采用小型风扇解决散热问题
英特尔公司
Client Computing Group集团执行副总裁兼总经理Gregory Bryant和高级技术营销工程师Craig Raymond的演讲风格与AMD不同。他们代表英特尔介绍了新的安全芯片硬件/软件解决方案VPro；演示了当AMD芯片受攻击时，VPro如何防止无声和不可见的攻击。
他们还重点介绍了面向学生和通用计算的新一代处理器（Pentium/Celeron），如EVO系列i3、i5、i7和i9处理器。其中许多处理器重点用于采用NVIDIA图形芯片和卡的游戏（图8）。
图8：英特尔的下一代处理器AlterLake可支持4K视频、5G通信，与X86兼容
Bryant和Raymond重点介绍了新的AI处理器和用于自动驾驶的MobileEye产品。他们说，现在有6000万辆行驶在路上的汽车使用MobileEye，他们正在为1级到5级的自动驾驶等级规划产品。这些智能驾驶产品采用了相机、雷达和激光雷达传感器以及新的人工智能软件和硬件。他们正在利用硅光子学和芯片上的激光器生产传感器系统，2025年所有人都可以使用自动驾驶车辆。与此同时，他们正在收集近100万辆行驶的汽车数据，其中包括6家汽车供应商，他们的汽车装置可向MobileEye连续提供大数据，以训练AI系统“小心”驾驶。
IBM
最后一个演讲由IBM Research高级副总裁兼总监Dario Gil带来，题目为《加速发现以解决大挑战》。Gil博士介绍了采用IBM的大型云计算中心（图10），可借助经典计算机、人工智能和量子计算机，革新科学方法以解决人类的最大问题。
图10：目前资源：a）SUMMIT等超级计算机；b）基于人工智能的软件和硬件；c）量子计算的使用；以及d）云计算混合
自16世纪以来科学方法一直是人类最佳的发现模式。它被视为：
- 问题
- 研究
- 假设
- 实验
- 观察
- 结果/结论
- 复制
反复试验这个线性过程，直到找到合适的解决方案。但是，是否可以使用大数据和AI，通过一个简单的“研究—假设—测试—迭代”的循环过程来加速发现？这可为发现驱动型企业提供基础（图11）。
图11：加速发现将为发现驱动型企业提供基础
举个例子，如果这个循环被应用到新材料上，比如说一种新的光致聚合物抗蚀剂，这种抗蚀剂能够在未来的集成电路生产中采用亚纳米级的几何结构，采用科学的方法，它可以是这样的：
- 研究：利用超级计算机深入搜索世界上所有可用的“光酸发生器”（光致抗蚀剂的关键成分PAG）研究文献，领悟和获得的信息是人类的1万倍。所有关于PAG的信息可以被组织为分子的类别和系列，并显示为PAG的“圆形树状图”（图12）。
- 假设：使用基于AI的仿真来检查每个PAG分子，以了解树状图间隙中可能存在的一切（图13），然后创建新分子的AI生成模型，并预测其适合最佳PAG的特性（图14）。
- 测试：一旦找到合适的候选分子，就可以在类似IBM的RoboRXN Autonomous Lab机器人实验室中合成这些新分子（图15）。可以测试这些全新的材料，将测试结果添加到当前的知识体系中。
- 迭代：如果新材料不合适，可以再次进入循环过程，直到找到适当的材料。
图12：使用大数据对某主题的所有已知信息进行深度搜索
图13：使用AI仿真评估与通过深度搜索发现材料相关的特性
图14：使用生成模型扩展加速对潜在材料的了解
图15: IBM机器人改善了自主化学合成实验室
这是真实的故事，自2020年10月1日以来，已有21189名科学家使用了IBM的RoboRXN Autonomous Lab实验室，他们通过假设250多万个化学反应，合成了458种新材料。加速发现正在实现。
