近日,企业级云服务商青云QingCloud与广东省公路局达成合作,采用青立方超融合系统为广东省公路局路桥监测提供稳定、安全、高效的云计算平台。凭借具有前瞻性且能无限扩展的云计算平台,广东省公路局能够轻松应对路桥监控中不断严苛的IT需求,游刃有余地面对未来可能产生的数据增长,并且不断优化自身的服务能力。
汽车作为现代家庭的必备品之一,已经成为了一个城市活力的度量值。广东省作为GDP大省和汽车制造大省,汽车保有量在全国一直名列前茅。有统计显示,截止2017年底,广东省汽车保有量为1894万辆,同比增长13.10%,增幅高于全国同期增长率。面对如此大幅且持续的增长,作为全省路网监控的主管单位——广东省公路局路桥中心却应对自如。这一切的自信来源便是其背后的云计算服务商——青云QingCloud。
众所周知,现代交通出行与创新科技密切相关。无论是遍布在各条公路上监控摄像头,还是每一个收费站的计算识别系统,他们背后都是一整套数据中心和无法度量价值的计算。任何一个微小的设备故障或者计算失误,带来的不仅仅是经济损失,更严重的是数据的缺失。数据缺失短期看来影响并不大,但对于未来的决策和战略调整都将会产生极大的影响。这就要求公路局的数据中心必须具备IT资源虚拟化、易运维、易扩展、高效可靠等特征。
事实上,广东省公路局路的数据中心也不是一蹴而就的。同大多数省份的公路局一样,广东省公路局最初的IT系统均采用物理机部署,随着监控要求和监控数据的不断增长,物理机的管理成本直线上升,而传统设备的能源消耗也是重要的成本支出,交通行业的信息化管理在需求不断变化时,显得力不从心。最初选型时,广东省公路局也曾经考虑过虚拟化数据中心的部署方式,但原有架构的虚拟化只能在专用硬件设备上实现,并没有彻底解耦硬件资源与虚拟化管理软件,若想将原有基础架构改造为云计算数据中心,在技术上和经济性上都行不通。
要实现云计算数据中心,进行异构硬件系统的融合是必须解决的问题。这就要求用分布式架构替代集中式架构,以通用设备替代专用型设备,青立方超融合系统正是顺应了这种趋势。同时,为了进一步与交通行业应用进行深度整合,青云QingCloud与利通科技智能交通研究院组建联合实验室,投入大量时间进行联调优化,确保交通应用在云平台的高效运行。本项目为广东省公路局提供的超融合云平台整体采用分布式全虚拟化,具备集中式统一云管平台,通过软件将服务器、网络、虚拟化等整合为一个易于管理的集成系统,并通过自动化运维减少手动操作,提高安全性,并降低人为错误,从而降低实施和运维风险,并降低运营成本。
广东省公路局信息化负责人表示:“自从开始使用青云QingCloud超融合云平台,我们部署新应用的时间从以往的2周降低到了3小时,系统本身具备高可用能力,应用故障发生不会影响服务,这对于全省路桥的监控和数据收集具有十分重要的意义。此外,对于快速发展的交通行业,应用本身也会发生各种变化,QingCloud为我们提供的云平台服务,能在不停止应用服务的前提下,实现在线迁移,更新和维护服务器。最为重要的是,该平台已经成为省、市级交通云平台的示范项目。”
除了广东省公路局,青云QingCloud在交通行业还有江苏交通、首发集团、齐鲁交通、国航、川航等用户,QingCloud的云平台、对象存储、AppCenter、大数据分析平台正在不断为各省市的交通出行提供技术支持和系统保障。未来,QingCloud将继续深耕全国交通行业,助力交通行业智能化转型。
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。