2021年9月9日,北京——在近日于线上举行的第七届联想创新科技大会(Lenovo Techworld 2021)上,英特尔与联想共同展示双方最新合作成果——新一代超能云桌面解决方案。基于双方此前在联合市场推广、产品与解决方案研发等方面积累的丰硕果实,此次联合推出的超能云桌面解决方案代表了英特尔与联想在商用IoT领域的合作得到进一步的深化。
联想超能云桌面解决方案基于英特尔® 超能云终端解决方案(Ultra Cloud Client)TCI透明终端架构(Transparent Client Infrastructure)所打造,且同时结合了基于联想边缘计算平台所构建的云边端一体化安全办公解决方案,能够满足行业用户对IoT终端设备统一部署、数据安全、集中管控等核心需求。
作为新一代云桌面解决方案,该方案可以在千兆网络环境下做到高速批量操作系统部署、应用分发和用户数据保存,拥有离线连续计算、强大本地计算性能、I/O设备/软件全兼容、集中镜像与数据管理四大特性。相较于传统VDI解决方案,超能云桌面在用户体验、兼容性、管理便捷性、终端利旧率和总投入成本方面都具有较大的优势。
诸如联想在今年推出了云终端ECC-T30,便适用最新的超能云桌面解决方案。T30搭载了英特尔酷睿处理器,支持Windows 7、Windows 10操作系统,配置了原生打印接口、PS2口,提供双显输出(VGA+HDMI),具备强大外设接入能力,可广泛应用于金融柜台、医疗办公等行业场景中。
而支持联想新一代云桌面解决方案的TCI透明终端架构(Transparent Client Infrastructure)则是英特尔在2020年推出的超能云终端解决方案架构之一。通过端到端的部署,TCI在本地计算、集中管理、外设兼容性及账户个性化配置方面具备强大优势。值得一提的是,英特尔® 超能云终端发布一年以来,已经取得了多项重大进展:完成了TCI两个版本的迭代,帮助领先客户成功完成试用和商业化部署;完成了针对IDV的基于英特尔GVT-g技术的显卡虚拟化,并将于2022年实现基于硬件的显卡虚拟化。与此同时,超能云终端还完成了TCI与IDV的管理端融合,未来还将完成二者的客户端融合,实现端到端打通,更加灵活地实现边云协同效应。此外,超能云终端已经向中国市场客户开启了全面的本地化支持,并已在多个领域实现落地部署。
此外,针对联想在商用IoT领域实践的又一技术成果——联想边缘计算平台方案LECP,英特尔TCI技术还能够与其融合,形成优势互补,支持从端、边、云各层级构建智能垂直行业解决方案。以金融窗口解决方案为例,联想在TCI客户端上部署LECP轻边缘套件,实现服务窗口的设备互联和集中管控,保证数据安全性和保密性。LECP还可为TCI提供后台服务自然扩展云原生能力,提供性能应用保证、数据可靠存储和全面系统的高可用性。在教育场景中,LECP可对TCI客户端实现智能运维,通过端边云协同打通每所学校和每间教室,实现无缝跨校漫游,公有云教学资源的访问和共享,全局边缘应用的推送与更新。
英特尔® 超能云终端发布一年以来,实现了在教育、医疗、金融、电信、制造等不同行业场景的落地部署,极大扩展了其应用边界。而此次英特尔与联想的合作将为商用IoT注入强劲动力,加速商用IoT在各行各业的部署应用。未来,英特尔将继续携手众多行业生态合作伙伴,最大化利用英特尔产品,以推出更能满足不同行业应用场景需求的超能云终端类解决方案,引领行业智能化变革。
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。