毫无疑问,数据就是AI科技的宝贵燃料。然而,还有一大极具价值的数据源似乎长期被人们所忽视,这就是大型机系统。作为关键任务设施,大型机中承载着海量数据,某些信息甚至可以追溯到几十年之前。
但话说回来,将大型机与AI融合起来确实困难重重。德勤咨询公司云AI/机器学习产品负责人Chida Sadayappan表示,“其中最大的挑战,在于AI这一新兴技术缺乏向下兼容能力。”
但AI科技的潜力过于巨大,值得我们为之披荆斩棘。因此面对难以对接的大型机体系,运用外部云平台就成了一种重要的缓解方案。
Model9公司CEO Gil Peleg解释道,“新的云迁移方法,强调使用更为现代的ELT(提取、加载、转换)方法取代传统的ETL(提取、转换、加载)方法,前者的区别是在使用目标平台对数据进行转换之前、就将大型机系统中的信息直接迁移至可供AI应用使用的目标存储之上。这种开创性的方法能够快速、轻松、安全地将大型机数据添加至数据湖内,确保技术领导者可以最大限度提高其云商务智能与分析应用程序的投资回报率。”
而且与其他IT项目一样,对大型机数据的处理也需要明确规划,且应保证最终目标具备可行性。这里要提醒各位,AI项目往往需要相当长的时间才能切实产生投资回报。
Wipro FullStride Cloud Services云转型全球负责人Sudhir Kesavan表示,“企业应该意识到,这类举措并不一定能够削减成本,甚至完全有可能产生相反的效果。因此,请尽量以业务为主导,克服AI部署在短时间内难以带来显著业务收益的问题。”
IBM大型机与AI
大型机的功能同样在快速发展。例如,IBM公司就一直在努力针对AI应用调整其Z系统,包括将其与各类常见开源平台(例如Spark、PyTorch、Keras以及TensorFlow等)相集成。
IBM公司研究员兼z/OS首席技术官Elpida Tzortzatos指出,“我们正努力帮助客户以最少的应用修改将AI嵌入至企业中的关键任务工作负载与核心业务流程当中,并在满足最严苛服务水平协议(SLA)的同时对每项事务做出评分。”
通过在Z系统上生成AI洞见,客户即可在交互点上实现实时响应,进而建立起欺诈检测到重要用例。由于无需移动任何敏感数据,这套方案还有着明显的安全优势。
在大型机环境中运用AI技术
要在大型机环境中运用AI技术,建立新项目并不是唯一的出路。事实上,新兴的AIOps等工具有望实现系统自动化,由此在提升性能与可用性、加快应用程序版本与DevOps的发布/执行速度、主动识别问题等方面带来收益。面对日趋紧张的IT人才供应现状,这些能够在一定程度上取代员工的功能正在成为一种必需。
根据Forrester与BMC最近发布的一份调查报告,约81%的受访者表示在处理速度下降时会部分依赖于手动流程;75%的受访者表示他们仍在使用人工方式诊断跨多系统的意外事件。换句话说,这些正是AI有望施展拳脚的空间,在全面普及之后也必然带来以往难以想象的改进。
BMC软件公司高级副总裁兼智能Z优化与转型总经理John McKenny表示,“大型机领域的主流企业比以往任何时候,都更清醒地意识到传统的大型机运营方式将很快被淘汰。随着新型应用的上线、处理数据量的不断增长以及工作负载可预测性的下降,数据中心正承受着更大的数字服务更新与提速压力。在如今这场快节奏的数字经济风暴中,更高的客户期待、更快的数字服务实施目标再加上越来越难以获取的人才资源,共同给大型机的命运蒙上一层阴影。而最终能够帮助大型机驱散迷雾、重拾方向的,必将是人工智能。”
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。