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
清华大学团队突破性开发"零样本量化"技术,让AI模型在不接触真实数据的情况下完成高效压缩,性能反超传统方法1.7%,为隐私保护时代的AI部署开辟新路径。
普林斯顿大学研究团队开发出"LLM经济学家"框架,首次让AI学会为虚拟社会制定税收政策。系统包含基于真实人口数据的工人AI和规划者AI两层,通过自然语言交互找到最优经济政策,甚至能模拟民主投票。实验显示AI制定的税收方案接近理论最优解,为AI参与社会治理提供了新路径。
K Prize是由Databricks和Perplexity联合创始人推出的AI编程挑战赛,首轮比赛结果显示,获胜者巴西工程师Eduardo Rocha de Andrade仅答对7.5%的题目就获得5万美元奖金。该测试基于GitHub真实问题,采用定时提交系统防止针对性训练,与SWE-Bench 75%的最高得分形成鲜明对比。创始人承诺向首个在该测试中得分超过90%的开源模型提供100万美元奖励。
南开大学研究团队提出了一种新的3D高斯泼溅重光照方法,通过在高斯原语上直接编码离散化SDF值,避免了传统方法需要额外SDF网络的问题。该方法设计了投影一致性损失来约束离散SDF样本,并采用球形初始化避免局部最优。实验表明,新方法在保持高质量重光照效果的同时,仅需现有方法20%的显存,显著提升了训练和渲染效率。