ZD至顶网服务器频道 04月27日 新闻消息(文/邹大斌): 随着IBM CEO罗睿兰对外宣布转型为认知商业和云计算公司,认知商业开始成为业界关注的一个重点。对于很多对认知商业感兴趣并有志于尝试认知商业的企业而言,随着而来的就是问题就是如何创造一个认知商业需要的IT环境,让认知商业在自己所在的企业顺利落地,早日迈上认知商业之旅。
要为认知商业搭建IT环境,首先需要明白认知商业的特点是什么,或者更直接些,知道Watson的特点。作为IBM在认知计算领域的代表,Watson是一个具有强大认知功能、基于云和开放标准的平台。凭借人类自然语言技术和机器学习等诸多技术,IBM Watson能帮助企业将大数据分析、人工智能、认知体验等种类日益繁多的认知技术融入到业务当中,帮助企业从大量非结构化数据中挖掘非凡洞察力,彻底改变商业问题解决的方式和效率。
“应该说,由IBM Watson产生的认知工作负载对企业传统的IT架构提出了严苛的要求。面对这些全新的工作负载,企业需要构建新型的IT基础架构,使其具备更强的计算能力、灵活性以及安全性,从而更好地获取基于云环境交付的IBM Watson能力。”IBM大中华区硬件系统部服务器解决方案副总裁施东峰告诉记者。
IBM大中华区硬件系统部Power Systems产品总监李红进一步解释说,认知商业的核心是认知计算,它有两个重点,一是数据,二是对数据的处理和学习的过程,这两个都涉及到IT能力问题,就是你怎么样处理数据、学习数据。而IBM Power System是完全可以为这样一个应用提供强大的支撑。
据悉,IBM Power System能从多方面来为认知商业的IT环境提供强大的支撑。首先是Power服务器本身的能力,它是一个非常”Power”的计算引擎。比如,Power CPU每核是8线程,而x86是2线程的;Power 的内存带宽是x86 CPU的4倍;Power CPU内部缓存也是x86的4倍。与x86平台相比,其性价比更高,更节约空间。
这是硬件的方面,而在软的方面,Power同样拥有非常强的竞争力。特别是它与OpenStack的紧密配合,能为用户提供一个更为灵活同时也是更为开放的云平台。比如,过去,在Openstack框架内要同时管理Power和x86平台就面临很大挑战,如今随着Openstack本身的技术进步,还有IBM在相关技术上持续投入。这些都已经不是问题。
“在未来的认知计算里,Power提供了强劲的计算能力,无论是在Hadoop Spark的大数据还是NoSQL、内存计算等新型应用当中都显示出独有的技术优势。”施东峰说。
实际上,究竟该选择一个什么样的云平台来为认知商业提供支撑,还可以从Watson的后台得到一些启示。李红介绍说,Watson是部署在IBM的BlueMix平台之上,BlueMix是一个搭建在Linux之上的PaaS平台,其底层选用的就是Power平台。其实Watson开发的时候是做过一个x86的版本。后来之所以决定跑在Power上,是由于Power的技术特点所决定。
“既然是跑在Linux之上,为什么不是x86硬件平台,而是Power硬件平台?”李红解释说,因为在认知计算,尤其大数据的计算方面,高的带宽、缓存以及更多线程的处理能力,是面向大数据的计算普遍急需的。以集群式的方式来完成这样庞大的任务、减少计算节点的数量,以及在有限的空间以及电力下提供更强劲的计算能力都成为了重要的衡量标准,而这些都是Power的优势领域,所以最终Watson转移到Power平台。
她还透露,Watson刚刚出来的时候实际上是在Power 7运行的,后来升级到Power 8以后,相比于Power 7同样的计算能力在Watson应用上提高了4-5倍性能,这也证明了Power尤其是Power8确实非常适合这样的应用的。
好文章,需要你的鼓励
科罗拉多大学研究人员发现,大型语言模型在解决数独谜题时表现不佳,即使是简化的6x6数独也常常超出其能力范围。更重要的是,当要求AI展示解题过程时,它们往往无法准确解释,有时会撒谎、胡言乱语,甚至开始谈论天气。研究表明,AI虽然擅长写邮件或生成图像,但在需要逻辑推理的任务上存在明显缺陷,且无法透明地解释其决策过程,这对AI在日常生活中的应用提出了谨慎考量的要求。
人民大学团队开发了Search-o1框架,让AI在推理时能像侦探一样边查资料边思考。系统通过检测不确定性词汇自动触发搜索,并用知识精炼模块从海量资料中提取关键信息无缝融入推理过程。在博士级科学问题测试中,该系统整体准确率达63.6%,在物理和生物领域甚至超越人类专家水平,为AI推理能力带来突破性提升。
员工广泛使用AI但仅限基础任务,因为CIO等管理者未提供必要培训和高级工具。调查显示所有美国员工都在工作中使用AI,近半数每天多次使用,但多数仍将AI当作"初级助理"而非真正合作伙伴。专家指出问题在于缺乏培训、工具功能有限以及AI未深度集成到业务流程中。CIO需要主导提供更多培训并推广AI在关键业务工作流中的应用。
Anthropic研究团队开发的REINFORCE++算法通过采用全局优势标准化解决了AI训练中的"过度拟合"问题。该算法摒弃了传统PPO方法中昂贵的价值网络组件,用统一评价标准替代针对单个问题的局部基准,有效避免了"奖励破解"现象。实验显示,REINFORCE++在处理新问题时表现更稳定,特别是在长文本推理和工具集成场景中展现出优异的泛化能力,为开发更实用可靠的AI系统提供了新思路。