教育行业的数字化转型大潮正不断推进。2018年,教育部发布《教育信息化2.0行动计划》,明确了教育行业的IT建设方向。今年《2020年教育信息化和网络安全工作要点》再次强调“发挥网络教育和人工智能优势,创新教育和学习方式”,推动教育行业的数字化升级。
7月31日,紫光旗下新华三集团SMB合作伙伴峰会在云南西双版纳盛大开幕。活动期间,新华三基于在教育行业的多年深耕和在云桌面领域的丰富经验,重磅发布面向教育行业的云桌面解决方案Learningspace,全面助力教育信息化2.0建设。
国内各地院校早在上世纪90年代就开启尝试和应用类似于云桌面的方案,目前教育行业数字终端整体也以PC与传统VDI方案为主,不过,随着教学内容和形式升级,传统数字终端面临着管理维护难、弹性拓展能力差、性能体验不佳的问题。例如,PC同传软件兼容性差,同传速度慢,主机孤岛化,算力无法进行横向拓展。
新华三Learningspace云桌面解决方案可以助力学校摆脱电脑模式,通过改造云机房,彻底解决传统电脑教室占空间、噪音大、散热差、功耗高、故障频发的难题,具有简化管理、扩容方便、极致性能的优点,还进一步加快了校园云服务化的趋势。
而随着“新课改”在多地启动,包含图形化编程、3D建模等相关软件的学习和运用走进教学日常。传统VDI没有显卡,只能过度依赖CPU,极大降低使用体验,对“新课改”无法形成有效支持。对此,新华三联合英伟达为Learningspace量身打造专门适用于专业机房的高性能桌面,为每一个学生桌面赋予3D性能,支撑高端设计、仿真模拟、视频渲染等场景需求,填补传统VDI在3D桌面的技术空白。
此外,Learningspace的vGPU技术还具备弹性扩容、资源管理灵活等优势。例如,在特殊项目上,可以把整间教室的3D算力全部集中给某一个桌面使用,或随时横向追加数据中心资源,满足不同场景下的算力需求。
在以往的教育终端中,由于终端的物理隔离,造成平台和数据割裂,离开教室就意味着学习的持续性被打断,无法保障学习、办公场景的连续性。
而Learningspace以校园空间平台的形式打通课前、课中、课后的界限,以账号漫游的能力实现无缝延续。办公室、云机房、图书馆、寝室……都能成为教室教学的延续;此外,还能对接学校业务系统,在线定点分发、编写、收取、批改作业,微课视频自学,让校园内每一个角落都能继续完成学习;同时,每位师生还将配备私人云盘,不仅可以永久保留个人文件,也更方便数据分享,不再依赖过去U盘拷贝、邮件、聊天群的形式。
基于教育行业的实践需求,Learningspace还可以提供分班合班、语音广播、电话会议、考试模拟、随堂测试、教学录屏等多种实用功能,助力提升授课效率;在运维和安全方面,Learningspace拥有向导式部署、集中运维、快速恢复、双机热备、行为管控等能力,大大降低学校运维难度,针对教育行业特殊需求,还支持分权管理、多安全机制、一键禁网等功能,在数据安全、便捷管理、总体成本方面优势明显。
随着教育行业进入以“信息化教育”为重点的2.0时代,云桌面解决方案将成为未来教育终端发展的必然趋势,近千亿的市场存量有待激活。在此领域,新华三集团将在“AI in ALL”智能战略引领下,持续践行“数字大脑计划2020”,以Learningspace为平台,进一步发挥自身在教育信息化领域的深厚经验积累,推动智能在教学、培训、考场等多场景的应用,推动教育行业数字化转型,助力教育信息化2.0加速到来。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。