随着社会智慧程度的提高,海量数据收集、分析、处理带来的挑战越来越大。数据中心作为智能化的核心基础设施,未来会成为科技新基建的主线之一。那么在“新基建”背景下,数据中心会如何变化吗?我们不妨从AI的视角看一下数据中心的发展走向。
一方面,数据中心越来越多承担人工智能等应用,人工智能计算需求未来将占据80%以上的计算需求。这就需要大量的AI服务器部署到数据中心,这些服务器从底层硬件到上传应用都实现了软件定义,更好地适配AI应用工作负载。
从这个意义上说,未来一定是异构计算的世界,也就是“术业有专攻”,不同的工作负载需要专业的芯片进行处理,这也是现在GPU、FPGA、AI加速处理器等不断涌现的原因。
另一方面,人工智能技术也可以用于数据中心的智能化运维,比如机器巡检、故障预测和负载管理等。这些智能化场景改变了整个数据中心的管理方式,毕竟数据中心规模越来越大,承载的业务也日趋多样化,如果采用人工方式显然是无法应对的。
数据中心的运维如何从以人为本到以智为本,通过算法和数据模型、历史使用等数据,实现自动化的运行和无人值守,这是当前很多用户非常需要的技术。AIOps智能运维基于已有的运维数据(日志、监控信息、应用信息等),通过机器学习的方式实现自动化运维。
在如今AI无处不在的时代,作为底座的数据中心不光承载AI,也在与AI进行融合,也就是双方实现共生。展望未来,智能化将渗透到各行各业。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。