Nvidia今天早些时候推出了一款新的GPU加速平台,该平台能够处理更大量的数据以应对深度学习和机器学习。Nvidia希望借此巩固自己在人工智能方面的领先地位。
RAPIDS背后的理念是为企业带来性能提升,从而帮助他们客服依赖于处理大量数据的“高度复杂的业务挑战”,例如预测信用卡欺诈、预测零售库存以及了解消费者购买行为等,Nvidia这样表示。
GPU已经成为AI工作负载(如深度学习和机器学习)的必要工具,因为GPU能够提供比常规CPU更强大的处理能力。但Nvidia人工智能基础设施产品负责人Jeffrey Tseng在慕尼黑举行的Nvidia GPU技术大会之前表示,企业仍需要更多处理能力来应对要求最苛刻的工作负载。
Tseng表示:“如今的企业正在变得越来越多地以数据为驱动。数据分析和机器学习现在是领先的高性能计算领域,但是我们在使用数据方面遇到了障碍。”
开源RAPIDS平台的主要组件是一套CUDA加速库,用于基于GPU的分析、机器学习和数据可视化。 Tseng表示,Nvidia将启用5个最受欢迎的机器学习库并加速自己的GPU。Nvidia称,这样做可以通过更多迭代来优化AI训练,从而提高模型的准确性。
Nvidia表示,这些库为数据科学家提供了在GPU上运行整个数据管道所需的工具。RAPIDS平台采用XGBoost机器学习算法,该算法用于在Nvidia DGX-2系统上训练数据模型,结合了16个完全互连GPU硬件的DGX-2,可提供高达2 petaflops的处理能力。结果是,与在CPU系统上进行训练相比,数据科学家可以将深度学习和机器学习算法训练减少50倍。
“我们看到,这个新软件平台和我们发布的硬件让训练时间大幅缩减,基础设施成本降低,”Tseng说。
Nvidia得到了众多大型科技企业的信任,这些企业都已经开始采用RAPIDS平台,其中就包括数据库巨头Oracle,Oracle通过Nvidia云在其Oracle Cloud Infrastructure上支持RAPIDS。Nvidia表示,Oracle还致力于在Oracle Data Science Cloud上支持RAPIDS平台。
另外还有IBM公司,IBM宣布通过IBM Cloud、PowerAI on IBM POWER9、IBM Watson Studio以及Watson Machine Learning服务在私有云、公有云、混合云和多云环境中支持RAPIDS。与此同时,大数据公司Databricks也表示将使用RAPIDS加速Apache Spark工作负载。
Databricks联合创始人兼首席技术专家Matei Zaharia表示:“我们有多个正在进行的项目可以更好地将Spark与原生加速器集成,包括Apache Arrow支持和使用Project Hydrogen进行GPU调度。我们相信RAPIDS是一个令人兴奋的新机会,可以扩展客户的数据科学和人工智能工作负载。”
Nvidia表示,HPE、思科、戴尔和联想等厂商也将在自己的系统上支持RAPIDS。
Moor Insights&Strategy分析师Patrick Moorhead表示,Nvidia通过RAPIDS试图让那些对运行AI工作负载感兴趣的企业更容易访问GPU。
Moorhead表示:“Nvidia在获得AWS和Azure这样的超大规模数据中心厂商新任将深度学习和机器学习整合到他们的工作流方面取得了很大的成功。RAPIDS让企业更好地使用那些和IBM、HPE等厂商更容易实现Nvidia加速所使用的相同的功能。”
Constellation Research首席分析师兼副总裁Holger Mueller表示,如果能够做到这一点,Nvidia未来几年将会很好地主导市场上的人工智能工作负载。他说这一切都是为了创造出色的硬件和软件组合以优化加速这些工作负载, Nvidia RAPIDS平台是做到这一点的最好成果之一。
Mueller说:“从硬件方面看,对于Nvidia来说很明显它必须赢得开发人员和数据科学家的心,打造一个广泛采用的软件平台。RAPIDS是这一策略的一次重大尝试,但我们必须等待,看看开发人员、数据科学家以及最重要的CxO,他们是否能够对下一代应用平台做出决策。”
好文章,需要你的鼓励
CIO们正面临众多复杂挑战,其多样性值得关注。除了企业安全和成本控制等传统问题,人工智能快速发展和地缘政治环境正在颠覆常规业务模式。主要挑战包括:AI技术快速演进、IT部门AI应用、AI网络攻击威胁、AIOps智能运维、快速实现价值、地缘政治影响、成本控制、人才短缺、安全风险管理以及未来准备等十个方面。
北航团队发布AnimaX技术,能够根据文字描述让静态3D模型自动生成动画。该系统支持人形角色、动物、家具等各类模型,仅需6分钟即可完成高质量动画生成,效率远超传统方法。通过多视角视频-姿态联合扩散模型,AnimaX有效结合了视频AI的运动理解能力与骨骼动画的精确控制,在16万动画序列数据集上训练后展现出卓越性能。
过去两年间,许多组织启动了大量AI概念验证项目,但失败率高且投资回报率令人失望。如今出现新趋势,组织开始重新评估AI实验的撒网策略。IT观察者发现,许多组织正在减少AI概念验证项目数量,IT领导转向商业AI工具,专注于有限的战略性目标用例。专家表示,组织正从大规模实验转向更专注、结果导向的AI部署,优先考虑能深度融入运营工作流程并产生可衡量结果的少数用例。
这项研究解决了AI图片描述中的两大难题:描述不平衡和内容虚构。通过创新的"侦探式追问"方法,让AI能生成更详细准确的图片描述,显著提升了多个AI系统的性能表现,为无障碍技术、教育、电商等领域带来实用价值。