ZDNet至顶网服务器频道 12月25日 新闻消息:在服务器行业,U2L是一种现象或者说行为的简称,意指企业将关键业务从Unix服务器向x86服务器迁移。
我们知道,U2L现象产生的最初驱动力是因为x86服务器日益强大可靠,企业出于性价比的缘故开始渐渐转向x86服务器。然而,在近日举办的2014英特尔企业核心应用论坛上,一些信息显示,有新的驱动力将可能加速U2L在全球的蔓延。
英特尔认为,这个新的驱动力来自于企业核心应用的改变。
“目前中国企业正处于从传统信息经济时代向新兴数字服务经济时代转型的关键时期,在此期间,企业用户面临的IT,或者是业务挑战主要来自传统关键业务和新兴核心应用。”英特尔(中国)有限公司数据中心及云计算业务产品市场总监贺晓东说。
首先解释一下,“数字服务经济”(Digital Service Economy)是英特尔创造的一个新名词。英特尔认为云计算、大数据、物联网、移动互联等新兴技术正为我们开启一个全新时代,即数字服务经济时代。而该时代对企业IT的要求是,企业研发、生产、运营和服务模式要能够与数字化服务深度绑定,甚至是融合。
不过,贺晓东这段话中更重要的两个词是“传统关键业务”和“新兴核心应用”。贺晓东随后解释说,传统关键业务是指CRM、ERP等大家熟悉的关键业务,新兴核心应用是一些与云计算、大数据相关的应用,如基于OpenStack的云平台、Hadoop应用,等等。
“传统关键业务在数字服务经济时代需要对更多外围应用提供支持和响应,处理增量更大且更快的数据和交易,因此必须在保持性能和RAS优势的同时,走向更高的灵活性和可扩展性;新兴核心应用虽不属于传统企业关键业务范畴,但由于其运转情况关系到很多企业的业务命脉所在,因此也需要在保持灵活可扩展的同时,越来越多地兼顾稳定性和可持续运转能力。”贺晓东说。
特别值得注意的一个现象是,大部分与云计算、大数据相关的新兴核心应用一开始就生于、长于x86环境。因此,尽管今天的Unix服务器也支持此类应用,但软件生态环境还是偏向x86服务器,最明显的证据就是目前用Unix服务器去搭建云平台的并不多,去承载hadoop应用的更加少之又少,这也正是以IBM为代表的Unix服务器阵营近年来所极力想扭转的事,IBM主要解决方案之一是推PowerLinux服务器(搭建Linux操作系统的Power服务器)来向整个开源开放的云计算、大数据生态圈靠拢。业界由此亦出现了一个颇有意思的现象,即英特尔在传统关键应用上力推U2L,而IBM却要去新兴关键应用上努力培养生态环境。
回到企业用户的角度上来看,新兴关键应用的兴起,意味着企业关键业务计算平台要能够同时承载这新旧两大类核心应用。
“考虑到用户和应用开发商对承载这些核心应用的硬件和软件的选购、开发、部署和优化方面的自由度和可控需求,融入软件定义基础设施基因的开放架构平台,将是其理想的选择。”英特尔(中国)有限公司数据中心市场经理赵萌说。
英特尔视角中这种理想的企业核心业务承载平台,开放是其最重要的基因,它是复杂的企业业务应用和数据间达成出色兼容性、可扩展性和可互操作性的关键。而软件定义基础设施基因的融入,则能使核心业务平台的硬件实现更高的透明度,使软件可通过更深层次的优化,以更高的自动化程度和更细的粒度,灵活、高效地管理和调用硬件资源,释放每分计算力的价值,来驱动业务和IT的融合。
我们可以换个视角解读英特尔上述观点,即传统关键业务对计算平台的要求是高性能和高RAS特性,但是,随着新型关键业务的出现,企业对关键业务平台的考量还多了开放性。
当然,提到平台的开放性,一个令英特尔尴尬的重大变化是IBM已经开源POWER处理器,也就是说,就处理器本身而言,IBM Power处理器开放性还要高过英特尔至强处理器。但正如赵萌所说,提供开放的产品和技术只是开放性的一个层次,另一个层次是开放生态系统的构建。在IBM开源POWER之前,x86服务器一直是开放的代表,在此基础上建立了丰富的生态系统,一些关键软件厂商如VMware等都是该阵营的死忠力量。因此,就目前来看,英特尔还是占据了先机,同时,我们也看到IBM通过力推OpenPower[注]联盟也在努力建设开放的生态圈,但一切刚起步,未来发展状况暂时难以预测。
最后,记者的判断是,新兴关键业务的出现,在未来一定时间内还是很有可能会进一步加速U2L迁移。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。