NVIDIA发布了一款端到端超大规模数据中心平台,该平台让Web服务公司能够为其浩繁的机器学习工作量加速。
NVIDIA超大规模加速器系列产品包含两款加速器。研究人员想要利用人工智能(AI)来为越来越多的应用提供处理动力,其中一款加速器让研究人员能够为这些应用中的每一个应用更快地开发和设计新的深度神经网络。另一款加速器是一款低功耗加速器,旨在将这些网络部署于整个数据中心。该系列加速器还包含一套GPU加速的库。
所有这些加在一起,让开发者能够在超大规模数据中心内利用强大的Tesla加速计算平台来驱动机器学习,打造史无前例且基于人工智能的应用。
这些全新的硬件与软件产品经过专门设计,可为竞相融入人工智能功能的海量Web应用加速。机器学习领域中的开创性进步让人们能够利用人工智能技术来打造更智能的应用与服务。
NVIDIA联合创始人兼首席执行官黄仁勋表示,人工智能竞赛正在进行。无论是从 PC、互联网还是从云计算的角度而言,机器学习都无疑是当今计算行业最重要的进展之一。它正在消费者云服务、汽车以及医疗等行业中掀起革命。机器学习对我们这代人来说是一大计算挑战。我们创造了Tesla超大规模加速器系列产品来使机器学习的速度提升10倍。这为数据中心节省了大量时间和成本。
点评:凭借NVIDIA在GPU加速计算方面的雄厚实力,其在人工智能和数据中心市场的表现非常值得期待。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。