近年来,由物联网设备、联网汽车和其他数字平台生成或即将生成的数据日益庞大,只靠云计算已经无法做到对这些数据进行即时处理和分析。并且就数据处理安全性而言,本月初发生的阿里云宕机事故再次给企业客户敲响了警钟。计算工作负载从云数据中心迁移到更靠近所处理的数据源的“边缘”位置已成为一种趋势。边缘计算不仅可大幅缩短数据的传输距离,消除网络带宽和延迟问题,最终提升应用和服务的效率和可靠性,降低运行成本。而且边缘化数据处理意味着大范围的云端或网络故障不会影响业务运转,即使云端操作中断,位于边缘侧的应用也能独立正常地运行。所以说边缘计算技术可以应用于诸多行业领域,潜力巨大。
边缘计算已经在很多领域得到了应用,其中包括无人零售、自动驾驶、安防前端智能化、工业级低时延应用、VR/AR即时对战类游戏、远程医疗等,而且5G时代的数据爆炸及多元化应用也催生了边缘计算的快速发展。边缘计算市场规模万亿可期,或许会成为与云计算平分秋色的新兴市场。杰和科技适时推出了新一代边缘计算服务器EN4B。
杰和EN4B是一款1U可上架的轻量计算型边缘服务器,采用英特尔C612服务器专用芯片组,支持英特尔® Broadwell-DE架构 Xeon-D系列高性能处理器(可配最大16核CPU),整机具有很强的数据处理和运算能力。标配有2个SFP+万兆光口,2个千兆以太网口,1个独立千兆IPMI 2.0网络管理口,网络性能强劲,专为多网应用方案而设计。该机器可搭载用于人工智能的计算卡NVIDIA Tesla P4,可对35路高清视频流进行实时转码和推理,胜任轻量计算的业务应用。EN4B采用工控机的高可靠性设计理念,抗震性强,轻小便携,适应苛刻的工作环境,可广泛应用在无人零售、智能工业、智能农业、智能物流、智慧交通、远程医疗等轻量计算的行业应用以及智能家居、可穿戴设备等消费级物联网应用环境中。
杰和EN4B配备紧凑型短机箱,轻小便携,兼容性高,拆卸简单维护方便,整机内部走线简洁,适应通用的工作环境。提供1个PCI-E 3.0 x16插槽,可灵活选配不同的PCI-E设备,支持上一张NVIDA Tesla P4卡或双口或是四口的半高网卡。整机提供4个DDR4内存插槽,支持UDIMM或RDIMM内存技术,最大扩展128GB,内存速度最大可达2133MT/s,满足高性能数据交换对大容量内存的需求。配备2块2.5英寸非热插拔SATA硬盘,提供1个M.2 SSD接口。标配集成2个SFP+万兆光口,2个千兆以太网口,外插一张4口网卡情况下,整机支持多达8个网口,多种网络选择,满足中小企业复杂的网络应用。整机提供1个150W直流电源,可有效保证整机满配下的供电稳定性,并且系统可根据业务负载情况智能调节电压,降低能耗,更好地应对能源和散热方面的限制以及满足绿色IT的要求。
IDC表示,到2020年,将有超过500亿的终端与设备联网,而有50%的物联网网络将面临网络带宽的限制,40%的数据需要在网络边缘分析、处理与储存。
传统云计算模型,源数据由生产者发送至云端,终端用户、智能手机、个人电脑等数据消费者向云中心发送使用请求。云计算利用大量CPU资源来处理数据,但万物互联环境下,传统云计算模型不能有效满足万物互联应用的需求,将边缘设备端海量数据发送到云端会造成网络带宽负载过大和计算资源浪费。而且传统云计算模型的隐私保护问题将成为万物互联架构中云计算模型的障碍,数据传输模块的能耗也较大。目前,大数据处理已经从以云计算为中心的集中式处理模式逐步向以万物互联为核心的边缘计算模式转变。传统的数据中心将向边缘侧延伸,边缘计算对网络服务的响应更快,能满足不同行业在实时业务、应用智能、安全与隐私保护等方面的基本需求,将逐步成为物理世界与数字世界之间的重要桥梁。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。