ZD至顶网服务器频道 08月11日 新闻消息(文/张锐): OpenPOWER基金会如今已成立近两年,在最近推出了硬件加速ISV(独立软件开发商)支持计划,可为本地ISV免费提供RedPOWER服务器以及赛灵思FPGA的云端开发以及测试环境,这将助力ISV提升大数据、云计算等新兴技术的研发能力,从而加速第二代分布式计算的发展。
目前无锡中太、美国赛灵思(简称赛灵思)、星环科技、恒扬科技等企业携手IBM就此合作,共同推动软硬件创新的融合,实现对大数据系统软件性能的提升。OpenPOWER基金会及其成员持续以开放的精神以及合作的模式,推动云计算、大数据等新兴技术的发展,同时也预示着随着更多本地ISV的加入,OpenPOWER开放的生态系统将进一步扩大。
众人拾柴火焰高
OpenPOWER基金会此次推出的全新硬件加速支持ISV支持计划,主要是基于无锡中太所自主研发的首款国产Power服务器RedPOWER以及赛灵思的FPGA技术,无锡中太数据通信股份有限公司董事长王雪松表示,RedPOWER是一款双路服务器,基于苏州中晟宏芯研发的国产CP1处理器,拥有192线程。由于配置了CAPI接口(一致性加速器处理器接口),使得计算性能突破了现如今CPU的上限。
赛灵思作为全球范围内提供可编程逻辑完整解决方案的供应商,主要研发、制造并销售范围广泛的高级集成电路、软件设计工具以及作为预定义系统级功能的IP(Intellectual Property)核。在此次合作中赛灵思提供了FPGA技术,为硬件提供了加速能力。同时FPGA与POWER8之间能够实现高效率连接,通过FPGA可编程硬件,能够打破软硬件技术之间的界限,实现软硬结合的异构计算。赛灵思有线系统架构师王立峰表示,“此次合作有两点好处,其一是Hadoop放在Power机器比放在x86的机器上快2.02倍。并且OpenPOWER服务器的CAPI提供的另外一个好处是,把EC编码部分卸载在FPGA卡上,大大节省用户对于硬盘的需求。”
在此次合作的成员中恒扬科技作为国内的FPGA硬件加速卡和应用开发商,其PCI-E规格的系列硬件FPGA加速卡可以在不改变POWER服务器硬件配置的基础上,无需额外机架空间即可简单安装。深圳恒扬科技创始人兼总经理李浩表示,“为什么需要FPGA的加速卡?加速卡做erasure code(擦除码)加速应用,可以达到20几个硬盘接口的操作速率,换算成CPU核的处理性能,可以达到二十几个核的CPU的处理性能。”
并且早在2015年6月,星环科技就已经完成了Hadoop向Power平台的迁移,同时在RedPOWER 服务器上也进行了调优,推出Hadoop基于RedPOWER平台的正式版本。
同时搭建在基于IBM中国研究院为OpenPOWER生态系统打造的SuperVessel云平台,可为ISV提供大量的开发资源。这将帮助ISV利用更为先进的硬件架构,更方便快捷地进行FPGA设计、编程和构建。
写在最后
从OpenPOWER基金会近日的这一举动可以明显得看出,OpenPOWER生态系统正在逐步得完善着,并已在创新方面拥有一定的实力,同时注重与本地合作伙伴展开合作,将为本地用户交付更多的技术以及符合本地发展的解决方案。
好文章,需要你的鼓励
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
谷歌DeepMind开发的多智能体AI系统通过让多个AI代理相互协作、讨论和辩论来解决复杂问题。该系统在医疗领域表现出色,能够在两天内完成人类十年的研究成果,包括发现新的药物重新定位候选物和治疗方案。AI临床医生"Amy"不仅能生成更好的诊断方案,还表现出比人类医生更强的同理心。这项技术有望在十年内实现零边际成本的全球医疗服务普及。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。