基于IBM POWER9的PowerAI、IBM Cloud和IBM Watson Studio将支持全新GPU加速软件库RAPIDS
2018年10月,IBM宣布计划将全新RAPIDS开源软件纳入到其企业级数据科学平台中,涵盖本地预置、混合云和多云环境。凭借其庞大的深度学习与机器学习解决方案组合,IBM能为偏好不同部署模型的数据科学家提供这一开源技术。
IBM认知系统方案高级副总裁Bob Picciano表示:“IBM长期与NVIDIA合作,利用IBM POWER9处理器,结合NVIDIA GPU等技术,实现显著的性能提升。我们将RAPIDS纳入IBM产品组合的同时,也期待能够继续积极地帮助客户突破人工智能的性能界限。”
借助Apache Arrow、Pandas和Scikit-Learn等开源机器学习软件的优势,RAPIDS将GPU的加速能力融入IBM产品中。包括Anaconda、BlazingDB、Graphistry、NERSC、PyData、INRIA和Ursa Labs在内的主要开源贡献者,都在RAPIDS推出后立即给予了其广泛的生态系统支持。
IBM计划将RAPIDS引入本地预置、公有云、混合云与多云环境等主要领域,同时基于IBM POWER9的PowerAI将借助RAPIDS为数据科学家扩展更多开源机器学习与分析库的可用选项。事实证明,NVIDIA与IBM围绕POWER9处理器所做的专项工程,包括将NVIDIA NVLink® 和NVIDIA Tesla® TensorCore GPU进行集成所做的努力,直接有利于加速工作负载。作为IBM的软件层,如今PowerAI可以优化运行在异构计算系统上的数据科学与AI工作负载,同时借助RAPIDS持续提升POWER9上经GPU加速后的工作负载的性能。
IBM Watson Studio与Watson机器学习(Watson Machine Learning)利用NVIDIA GPU的强大功能,使数据科学家和AI开发人员能够透过IBM Cloud Private for Data 和IBM Cloud,在多云环境中构建、部署和运行速度更快的模型,远超仅采用CPU的部署方式。
IBM Cloud能够帮助采用GPU设备的用户,将RAPIDS中的加速机器学习与分析库应用于其云端应用,从而受益于机器学习。
NVIDIA副总裁、加速计算部总经理Ian Buck表示:“IBM与NVIDIA多年来密切合作,已经帮助全球领先的企业和机构解决了诸多如今世界上最大的难题。随着IBM对NVIDIA RAPIDS开源库的使用,数据科学家将借助GPU加速机器学习能力,以前所未有的速度更快地分析大数据。”
机器学习是AI的一种形式,可以让系统透过数据而非专用程序进行学习。零售、金融和电信等领域的众多企业要么正在主动使用机器学习,要么正在探索机器学习,都试图利用大数据更好地了解消费者的行为、偏好或客户满意度中微妙的变化,从而为企业带来潜在的价值。
今年早些时候,IBM以超出之前纪录保持者46倍的速度,在兆级机器学习基准上缔造了新的纪录。IBM研究人员利用IBM Research开发的IBM Snap Machine Learning(Snap ML)机器学习算法,在搭载NVIDIA Tesla V100 Tensor Core GPU的IBM Power Systems AC922服务器上运行,仅花费91.5秒就基于由Criteo Labs发布的超40亿个在线广告数据案例,完成了对逻辑回归分类器的训练。
好文章,需要你的鼓励
IBM Spyre加速器将于本月晚些时候正式推出,为z17大型机、LinuxONE 5和Power11系统等企业级硬件的AI能力提供显著提升。该加速器基于定制芯片的PCIe卡,配备32个独立加速器核心,专为处理AI工作负载需求而设计。系统最多可配置48张Spyre卡,支持多模型AI处理,包括生成式AI和大语言模型,主要应用于金融交易欺诈检测等关键业务场景。
微软研究院提出潜在分区网络(LZN),首次实现生成建模、表示学习和分类任务的真正统一。该框架通过共享高斯潜在空间和创新的潜在对齐机制,让原本独立的AI任务协同工作。实验显示LZN不仅能增强现有模型性能,还能独立完成各类任务,多任务联合训练效果更是超越单独训练。这项研究为构建下一代通用AI系统提供了新的架构思路。
意大利初创公司Ganiga开发了AI驱动的智能垃圾分拣机器人Hoooly,能自动识别并分类垃圾和可回收物。该公司产品包括机器人垃圾桶、智能盖子和废物追踪软件,旨在解决全球塑料回收率不足10%的问题。2024年公司收入50万美元,已向谷歌和多个机场销售超120台设备,计划融资300万美元并拓展美国市场。
上海AI实验室开发的VLAC模型让机器人首次具备真实世界自主学习能力。该系统如同给机器人配备智能导师,能实时评估动作效果并从中学习。在四个操作任务测试中,机器人成功率从30%提升至90%,仅需200次练习。技术结合视觉、语言理解和动作生成,支持跨场景适应和人机协作,为家庭服务、医疗护理等领域应用奠定基础。