2021年11月12日,广州——在近日举行的2021国际数字科技展暨天翼智能生态博览会上,英特尔联合中国电信天翼云创新构建算力云网,从云到边缘全面推进云网融合,并在展会现场全面展示了通过技术创新与生态构建服务千行百业数字化的最新成果。
英特尔销售与营销部副总裁兼亚太区运营商客户销售总经理庄秉翰表示:“随着云计算市场对算力的需求不断增长,加之5G技术产业端持续落地,越来越多全新场景需求不断爆发。可以预见,未来云网一体将成为竞争主战场,解决强算力、应对新场景更会成为行业必争之地。”
作为云计算核心,算力的重要性不言而喻。因此,面向各种行业及应用提供不同算力,进而提高效率、改变计算架构成为重中之重。为此,一方面,英特尔助力中国电信天翼云应对不断增长的算力需求,以突破异构计算等前沿科技,巩固其在中心云领域的领导地位。另一方面,借势原有网络端优势布局边缘、推动云边协同,在英特尔产品技术的支持下,中国电信天翼云建立ToB端全新业务增长点,成为客户可信赖的数字服务合作伙伴。基于此次活动,英特尔与中国电信天翼云展示了一系列双方联合创新成果。
英特尔联合中国电信天翼云打造的SD-WAN解决方案能够加速企业上云,提升分支入网、互联和网关效率,从而提高企业应用网络连接体验。而为助力不同行业及应用实现算力资源合理分配,英特尔还携手中国电信天翼云联合创新智能网卡、弹性裸金属服务器产品,释放被网络消耗的服务器CPU和内存资源,卸载网络负载,提升天翼云主机虚拟化效率,并探索未来异构计算的平台架构。基于英特尔FPGA SmartNIC C5000x平台的智能网卡还可以通过从服务器CPU上卸载网络功能提高网络吞吐量,并降低延迟,从而帮助改善数据中心性能。此外,这些智能网卡支持定制,可以从服务器CPU上卸载网络管理和安全功能,从而能够提高数据中心的自动化水平和安全性。
此外,由于全球算力需求每3.5个月就会翻一倍,面向企业全新算力需求,英特尔还携手中国电信天翼云在算力网络建设方面进行了深入探索,共同构建边缘一体机。英特尔联合中国电信天翼云共同推出天翼云ECX(K8S管理节点)、天翼云边缘节点(如果控制面单独部署)及5G专网一体机平台,不仅实现天翼云节点和天翼云边缘节点的统一管理调度,包括镜像管理、应用分发等,还达到边缘一体化、云网融合,构建云原生网元,实现云边协同。
而在深入探索AR/VR领域过程中,英特尔还与天翼云合作为用户打造能够提供全网络接入、高清正版内容、多终端沉浸式体验的游戏服务平台,让游戏玩家通过即点即玩的方式,全场景快速便捷地体验游戏乐趣,全面增强云游戏体验。英特尔®至强®可扩展处理器与英特尔®服务器GPU的组合,还能够为安卓云游戏以及OTT实时视频直播的高密度媒体转编码提供高密度、低时延解决方案。英特尔®服务器GPU采用英特尔Xe-LP微架构(英特尔能效最高的图形架构),专为高密度、低时延的安卓云游戏和流媒体服务而设计,能够从容面对高密度云渲染负载。与此同时,基于英特尔®服务器GPU,英特尔和中国电信天翼云还共同打造了具有拍照、文件共享等功能的云手机,更好地满足了用户对终端产品低时延、大带宽需求。
在算力需求呈指数级增长的时代,英特尔正在通过包括无所不在的计算、从云到边缘的基础设施、无处不在的连接及人工智能在内的“四大超级技术力量”来推动技术创新与变革来应对复杂挑战。而未来,英特尔也将继续凭借领先的云网边产品组合、软硬加速方案及通用参考设计,与国内外所有生态合作伙伴携手推动技术创新,推动5G应用百花齐放,共筑数字经济繁荣发展!
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。