企业级云服务商青云QingCloud日前正式发布Deep Learning on QingCloud深度学习平台,覆盖主流的深度学习框架,集成丰富的数据科学工具包,通过QingCloud AppCenter实现一键部署交付,帮助算法工程师和数据科学家快速搭建深度学习开发环境,使他们更加专注于模型及算法调优等业务领域。在深度学习平台上,用户可以使用GPU或CPU进行单机或分布式的深度学习模型训练与推断,同时享受云计算的灵活与弹性,实现按需横向、纵向扩展。
目前,大部分的人工智能应用都基于监督学习的范式开发,即将模型在线下进行训练,然后部署到服务器上进行线上测试与应用。整个过程中算法工程师和数据科学家需要花费大量时间在环境配置、深度学习底层工程繁琐的细节管理以及深度学习框架的部署上。
随着该领域的不断成熟,人工智能应用需要更多地在动态环境下运行,快速响应环境中的变化,满足业务需求。此时,传统的应用开发模式已然不再适用,企业、开发者对整个系统环境提出了灵活性、高性能以及易用性等需求。
青云QingCloud深度学习平台通过QingCloud AppCenter交付,可一键完成云端部署,并提供应用全生命周期管理能力(创建、扩容、监控、健康监测等),助力企业及开发者极速搭建深度学习开发环境。除集成Caffe、TensorFlow、PyTorch和Keras等主流深度学习开发框架及数据科学工具包之外,QingCloud还通过AppCenter联合多家人工智能领域合作伙伴,提供图像识别、人脸识别、文本分析、人机对话等丰富AI服务及AI应用。
针对模型训练对计算性能的要求,青云QingCloud深度学习平台采用专为人工智能计算设计的NVIDIA Tesla P100 GPU,并以直通的方式与平台内的节点对接,使得节点可以独占整个GPU,避免了虚拟化带来的损耗,全面释放GPU的计算能力,为用户提供极致计算性能,全力加速深度学习领域人工智能产品的开发。
目前,青云QingCloud GPU主机已结束内测,正式提供商用服务。同时,GPU主机在按需付费的基础上推出包月、包年计费模式,价格更优惠。
青云QingCloud运营副总裁林源表示,Deep Learning on QingCloud深度学习平台的推出进一步完善了青云QingCloud人工智能平台。结合QingStor对象存储,以及Kafka、Storm、Spark等QingCloud大数据平台组件,用户能够更便捷地进行模型训练与验证。未来,QingCloud还将提供更多的开发框架与工具包,帮助企业及开发者在下一波技术浪潮中占领先机。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。