高效燃脂排行榜：第一名堪称“代谢加速器

在追求高效健身减脂的 经过中，选择适合自身且热量消耗突出的运动至关重要。 下面内容结合多平台数据，综合分析常见运动的燃脂效率，并给出科学排行。

一、高效燃脂运动的数据对比

1. 跳绳：高强度间歇的燃脂王者

– 热量消耗：以每分钟130次的速度跳绳，每小时可消耗600-800千卡热量，且运动后仍因“后燃效应”持续消耗脂肪。

– 优势：无需器械，场地灵活，同时锻炼下肢爆发力和核心稳定性。但超重者需谨慎，避免关节损伤。

2. 游泳：全身低冲击的高效运动

– 热量消耗： 自在泳每小时消耗500-700千卡，蛙泳约400-600千卡。水的阻力使游泳兼具燃脂与塑形效果，尤其适合关节敏感人群。

– 优势：低冲击力，可长 时刻持续，且对心肺功能提升显著。

3. 跑步：传统有氧的燃脂主力

– 热量消耗：以8-10公里/小时的速度跑步，每小时消耗600-800千卡。快跑或间歇跑（如冲刺30秒+慢跑60秒）可进一步提升效率。

– 劣势：对膝盖压力较大，需注意跑姿和场地选择。

4. 高强度间歇训练（HIIT/Tabata）：短时高效的代谢引擎。

– 热量消耗：Tabata训练（如20秒全力运动+10秒休息，重复8组）半小时消耗495千卡，后燃效应可持续38小时，总消耗远超普通有氧。

– 适用人群：体能基础较好者，需严格把控强度以防过度疲劳。

5. 划船机与爬楼梯：复合动作的燃脂利器

– 划船机：每小时消耗480-700千卡，调动全身85%的肌肉群，尤其强化背部和腿部。

– 爬楼梯：每小时消耗400-600千卡，对臀腿塑形效果显著，但需注意膝盖保护。

6. 力量训练：长期减脂的 助力

– 热量消耗：重训每小时约300-500千卡，但通过增加肌肉量可提升基础代谢率，长期效果显著。

二、综合排行：燃脂效率前三名

第1名，高强度间歇训练（HIIT/Tabata）

– 推荐理由：单位 时刻消耗最高，后燃效应显著，适合 时刻紧迫者。

第2名，跳绳

– 推荐理由：综合消耗与便捷性最佳，兼顾心肺与协调性训练。

第3名，游泳

– 推荐理由：低损伤风险下实现高效燃脂，适合大体重及关节敏感人群。

三、运动选择的科学建议

– 新手入门：从快走、慢跑或游泳开始，逐步提升强度。

– 关节保护：优先选择游泳、椭圆机或骑行，减少冲击力。

– 长期规划：结合有氧与力量训练，提升肌肉量以增强代谢。

通过科学选择运动方式，并坚持规律训练，减脂塑形将事半功倍。

Meta宣布全新训推一体加速器：完全集成PyTorch 2，性能3倍提升

机器之心报道

Meta 疯狂砸入数十亿美元，一部分招揽人才，一部分造芯片。

Meta 正在不遗余力地想要在生成式 AI 领域赶上竞争对手，目标是投入数十亿美元用于 AI 研究。这些巨资一部分用于招募 AI 研究员。但更大的一部分用于开发硬件，特别是用于运行和训练 Meta AI 模型的芯片。

在英特尔宣布其最新人工智能加速器硬件的第二天，Meta 便迅速公布了关于芯片研发的最新成果：下一代 MTIA（Meta Training and Inference Accelerator），其中 MTIA 是专为 Meta AI 职业负载而设计的定制芯片系列。分析认为，Meta 此举意在减少对英伟达及其他外部公司芯片的依赖。

其实，Meta 在去年就推出了第一代 MTIA，与前代相比，最新版本显著改进了性能，并有助于强化内容排名和推荐广告模型。从 Meta 官方介绍中我们可以看出，MTIA v2 目前已在其 16 个数据中心投入使用，与 MTIA v1 相比，整体性能 进步了 3 倍。不过最早的 MTIA v1 预计要到 2025 年才会发布，MTIA v2 只能再等等了，但 Meta 表示这两款 MTIA 芯片现已投入生产。

从下图可以看到，下一代 MTIA 采用了台积电 5nm 制程工艺。

虽然 MTIA 主要用于训练排名和推荐算法，但 Meta 表示，他们的最终目标是扩展芯片的功能，用来训练如 Lla 等语言模型的生成式 AI 。

新的 MTIA 芯片从根本上专注于提供计算、内存带宽和内存容量的适当平衡。该芯片将拥有 256MB 片上内存，频率为 1.3GHz，而 v1 的片上内存为 128MB 和 800GHz。有消息称，Meta 致力于 MTIA v2 研究已有一段 时刻了，该项目内部代号为 Artemis。

新一代芯片的最新加速器由 8×8 个处理元件 (PE) 组成。这些 PE 显着 进步了密集计算性能（比 MTIA v1 进步了 3.5 倍）和稀疏计算性能（ 进步了 7 倍）。这些 进步一部分归功于架构的改进，另一部分归功于 PE 网格供电方式：Meta 将本地 PE 存储的 大致增加了两倍，将片上 SRAM 增加了一倍，将其带宽增加了 3.5 倍，并将 LPDDR5 的容量增加了一倍。

最新版本的 MTIA 设计方式还采用改进的片上网络 (NoC) 架构，使带宽加倍，并允许以低延迟的方式在不同 PE 之间进行协调。

硬件 体系

高效地为 职业负载提供服务不单单是芯片的挑战，共同设计硬件 体系和软件堆栈对于整体推 领会决方案的成功同样至关重要。

为了支持下一代 MTIA 芯片，Meta 开发了一个大型机架式 体系，最多可容纳 72 个加速器。该 体系由三个机箱组成，每个机箱包含 12 个板，每个板上有两个加速器。

为此，Meta 专门设计了该 体系，以便将芯片的时钟频率设置为 1.35GHz（从 800MHz 开始 进步），并以 90 瓦的功率运行，而第一代的设计功耗为 25 瓦。Meta 的设计确保提供更密集的功能以及更高的计算、内存带宽和内存容量。这种密集性使得可以更轻松地适应各种复杂性和尺寸的模型。

除了这些之后，Meta 还将加速器之间、主机与加速器之间的结构升级到 PCIe Gen5，以 进步 体系的带宽和可扩展性。如果选择横向扩展至机架之外，还能添加一个 RDMA NIC。

软件堆栈

从投资 MTIA 之初起，软件就一直是 Meta 重点关注的领域 其中一个。作为 PyTorch 的最初开发者，Meta 非常重视可编程性和开发效率。

在设计时，MTIA 堆栈旨在与 PyTorch 2.0 以及 TorchDynamo 、TorchInductor 等功能完全集成。同时，前端图形级捕获、分析、转换和提取机制（比如 TorchDynamo、torch.export 等）与 MTIA 无关，并正在被重新使用。

除了这些之后， MTIA 的较低级别编译器从前端获取输出并生成高效且设备特定的代码。该编译器本身由 几许组件组成，分别负责为模型和内核生成可执行代码。

下图为负责与驱动程序 / 固件连接的运行时堆栈。MTIA Streaming 接口抽象提供了推理和（未来）训练软件管理设备内存以及在设备上运行算子、执行编译图所需要的基本和必要操作。

最后，运行时与用户空间中的驱动程序进行交互，Meta 做出这一决定是为了能够在生产堆栈中更快地迭代驱动程序和固件。

在许多方面，这一全新芯片 体系运行软件堆栈的方式与 MTIA v1 类似，使得团队的部署速度更快，其中 Meta 已经完成了在该架构上运行应用程序所需的大部分必要的集成和开发 职业 。

下一代 MTIA 旨在兼容为 MTIA v1 开发的代码。 由于 Meta 已经将完整的软件堆栈集成到芯片中，因此在几天内就可以使用这款新芯片启动并运行流量。这使得 Meta 能够快速落地下一代 MTIA 芯片，在不到 9 个月的 时刻内从推出首个芯片到在 16 个数据中心运行生产模型。

Triton-MTIA 编译器后端

Meta 通过创建 Triton-MTIA 编译器后端来为 MTIA 硬件生成高性能代码，从而进一步优化了软件堆栈。作为一种开源语言和编译器，Triton 用于编写高效的机器 进修计算内核，可以 进步开发人员编写 GPU 代码的效率。Meta 发现 Triton 语言与硬件无关，足以适用于 MTIA 等非 GPU 硬件架构。

除了这些之后，Triton-MTIA 后端执行优化后，可以最大限度地 进步硬件利用率并支持高性能内核。

Meta 实现了对 Triton 语言功能的支持并集成到 PyTorch 2 中，为 PyTorch 算子提供了广泛的覆盖。例如，借助 TorchInductor，开发人员可以在提前 (AOT) 和即时 (JIT) 职业流程中利用 Triton-MTIA。

Meta 还观察到，Triton-MTIA 显著 进步了开发人员的效率，能够扩展计算内核的编写范围，并大大扩展对 PyTorch 算子的支持。

性能 结局

目前的 结局表明，下一代 MTIA 芯片可以处理 Meta 产品组件中的低复杂性 (LC) 和高复杂性 (HC) 排序和推荐模型。在这些模型中，模型 大致和每个输入样本的计算量可能存在 10 倍到 100 倍的差异。

由于 Meta 控制整个堆栈，因此相较于商用 GPU 可以实现更高的效率。实现这些收益需要持续的努力，随着在 体系中构建和部署 MTIA 芯片，Meta 将继续 进步每瓦性能。

早期 结局表明，在 Meta 评估的四个关键模型中，下一代 MTIA 的性能比第一代芯片 进步了 3 倍。在平台层面，与第一代 MTIA 体系相比，凭借 2 倍的设备数量和强大的 2-socket CPU，Meta 能够实现 6 倍的模型服务吞吐量和 1.5 倍的每瓦性能提升。

为了实现这些目标，Meta 在优化内核、编译器、运行时和主机服务堆栈方面取得了重大进展。随着开发者生态 体系的成熟，优化模型的 时刻正在缩短，但未来 进步效率的空间更大。

博客链接：

https://ai.meta.com/blog/next-generation-meta-training-inference-accelerator-AI-MTIA/