3月26日-29日,全球瞩目的人工智能(AI)领域盛会——第九届年度GPU技术大会(GTC2018)在美国硅谷召开。中科曙光作为GTC重要赞助商之一应邀亮相本次大会,除了展示最先进的技术发展动向和软硬件一体化平台,中科曙光还将与数千名与会嘉宾寻求以计算为核心的人工智能生态交流和合作。
在人工智能发展浪潮中,中科曙光依托先进计算的技术和服务扮演着AI赋能者的角色。中科曙光创立伊始,凭借国家政策支持及强大的研发能力,不断积累技术创新实力和增强产品研发能力。在牵头承担和参与多项国家重大研发和产业化项目的过程中,逐步建立起赋能AI计算的能力基础。在国家发改委发布的《2018年“互联网+”、人工智能创新发展、数字经济试点重大工程拟支持项目名单》中,中科曙光“面向深度学习应用的开源平台建设及应用项目”成功入围,是仅有的两个人工智能开源平台项目之一。
源于深厚的积累,当人工智能应用需求呈现出越来越多元化的特点时,中科曙光成功推出一体化软硬件解决方案,推动AI功能在各应用领域的实现,进一步服务全球行业客户。
在降低用户切入深度学习领域的经济和技术成本方面,曙光推出的容器化的集群调度及深度学习云服务方案——“SothisAI”具有简单易用、弹性灵活、可快速部署等特点,可协助用户快速获得AI所需的计算力,目前SothisAI平台已在多所高校、研究中心及超算中心部署使用;在应用场景覆盖方面,中科曙光推出了一套完备的深度学习服务器XMachine,支持包括GPU、 FPGA在内的多种主流深度学习加速器件,并兼容SXM2和PCI-E两种不同的接口模式。
XMachine系列服务器现已被广泛应用于智能医疗、智慧城市、语音识别、图像识别、自然语言处理等领域。对于NVIDIA在此次大会最新发布的V100 32G版本,XMachine系列深度学习服务器业已完美兼容。
作为支撑人工智能技术的幕后中坚,中科曙光率先以全局眼光谋求AI生态整合。早在2015年,中科曙光就联合中科院计算技术研究所、NVIDIA三方成立了联合实验室,这也为之后三者在人工智能领域的深入合作奠定了基础。正是基于联合实验室相关工作的逐步深入,曙光在构建人工智能产业生态方面不遗余力。
在推出SothisAI平台的基础上,中科曙光发布“SothisAI开放实验室计划”,面向全球募集AI算法、应用和服务开发者,开放中科曙光分布在全国的40多个城市云平台,以及包括地球数值模拟装置在内的若干大科学装置和先进计算中心,联合产业链上下游企业进行协同研发和服务部署,进而促进AI在智慧城市、智能制造和数据密集型科学研究领域的深入应用。
为进一步构建完善的智能计算的生态环境,中科曙光还在2017年智能峰会上发起成立了“数据中国‘智’囊团”,首批成员单位包括寒武纪、商汤科技、南瑞集团、中科三清、UCloud、徐州市公安局等在内的共计15家单位。李斌博士介绍“数据中国‘智’囊团”时表示,该团体希望联合芯片、算法、数据、应用等AI相关领域的机构,进行关键共性技术和关键行业应用的协同研发,共同推动中国人工智能生态环境的快速健康发展。
李斌博士进一步透露,基于中科曙光-ICT-NVIDIA联合实验室平台和相关博士后流动站支持的深度学习研发团队,中科曙光将在深度学习未来的发展过程中融合高性能计算和云平台等多方面技术优势,打造面向更广泛用户群体的产品应用体系,开拓人工智能的应用领域,构建良好的人工智能生态环境,助力人工智能技术在各行各业开花结果、落地成实。
大会介绍:GTC2018 大会由NVIDIA举办。本次大会的主题是“人工智能与深度学习”,8000余名全球顶尖研究人员、商业领袖、技术开发者等齐聚硅谷,共同探讨自动驾驶汽车、高性能计算、机器人、医疗保健、智慧城市、数据中心和云计算、安防、生命科学、计算机和机器视觉、虚拟现实等领域的未来技术发展。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。