至顶网服务器频道 08月25日 新闻消息(文/邹大斌):近年来,在云计算、大数据、物联网等技术的推动下,我国数据中心产业迎来高速增长时期,市场规模平均每两年翻一番,而近期人工智能、虚拟现实等新技术的兴起,更是加速数据中心的建设高潮。而另一方面,以SSD、超融合、硅光技术等为代表的数据中心新技术先后出现,这些都共同推动了数据中心产业的不断进步和技术革新。
在数据中心变革的诸多推动力中数据量的爆炸性增长是一个不可忽视的因素,特别是物联网的普及实现了万物互联,设备产生的数据更是成为数据洪流中的主要力量。相关数据显示,一辆自动驾驶汽车每天会生成超过 4000 GB 的数据,也就是每辆车 4TB。而与之相比,一个用户每天只生成大约 1.5GB 的数据流量。
“互联网用户、互联设备以及家用、汽车和消费电子设备的传感器正在催生数据爆炸。英特尔预计数据中心流量每18个月翻一番——甚至超过了摩尔定律。”英特尔数据中心事业群互联网业务拓展总监Jeff Wittich在日前举行的2017开放数据中心峰会上表示。
2017开放数据中心峰会由开放数据中心委员会(ODCC)主办,百度、腾讯、阿里巴巴、中国电信、中国移动、中国信息通信研究院和英特尔共同承办。作为ODCC技术顾问英特尔出席了这场重要的会议。
数据量的增长为人工智能行业的崛起奠定了基础;同时,5G 连接和物联网等新兴技术正以无法想像的方式改变我们的生活,如增强现实以及各种设备中的智能传感器;医学科学也在飞速进步,能够治疗疾病、实现个性化治疗,以及更好地了解医疗基因组。这些应用都直接或者间接地挑战现有数据中心的架构,推动数据中心技术的进步。
Jeff Wittich说,这些工作负载不同于过去十年来自社交媒体、电子商务和媒体消费的传统网络流量。它们需要不同的计算、更快速的存储以及网络,从而直接推动了数据中心相关技术的升级。
在数据中心的最新一轮技术变革中,英特尔再次扮演主要的领导者角色。不管是CPU、还是网络或者存储乃至整机柜级别,英特尔都推出了创新型的产品和解决方案。
在CPU层面,英特尔7月份刚发布的至强处理器可扩展系列是安全、敏捷、多云数据中心的基石,被英特尔称为十年内最大的平台进步,专为可信的数据服务交付而设计,该处理器系列受益于 I/O、内存、存储和网络技术性能大幅提升。
在存储领域,英特尔傲腾存储是一种真正的颠覆性技术。英特尔傲腾固态盘(SSD)有助于消除数据中心的存储瓶颈,支持更大、更经济的数据集。它还可以加速应用、为延迟敏感型负载降低交易成本,以及降低数据中心的整体拥有成本。
在网络方面则有英特尔的硅光技术。与传统电子相比,它实现了更高速的长距离数据传输,同时利用英特尔批量硅制造的效率。通过消除滞留计算能力的网络瓶颈,这项新技术降低了总体拥有成本,并提高了数据中心架构的性能。
提到数据中心的技术创新,还不得不提及英特尔的RSD(Rack Scale Design)。英特尔RSD是一个对计算、存储、网络资源解耦、资源池化及重构的逻辑架构,通过基于行业标准、针对动态池化资源分配及释放管理而扩展的API管理接口,来有效提高资源池利用效率的能力。
“英特尔通过英特尔整机柜设计(Intel RSD)这一基于标准、行业协同的解聚架构,以最高效、最经济的方式整合了数据中心最新技术,从根本上改变了建设、管理和扩展数据中心的方式。”Jeff Wittich表示。
据悉,RSD已经得到了业界的广泛认可,包括华为、浪潮、HPE以及中国电信等都有基于RSD的产品推出。实际上,围绕RSD,英特尔一直都OEM、ODM厂商紧密的合作。与此同时,英特尔也与像中国电信那样的大型云计算服务提供商和电信服务提供商进行合作。在紧密合作中满足他们的需求,同时来推动技术的不断进步。
正如英特尔Jeff Wittich所言,英特尔致力于以突破性的技术和创新重塑数据中心,为未来的数据中心平台注入全新动力。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。