英特尔至强可扩展处理器联合软件优化,助力企业实现30天内业务成果可视化
近期,英特尔与Aible展开合作,旨在助力核心行业团队充分利用人工智能技术,以助力快速和可量化的业务成果实现。此次深度合作内容涵盖工程优化及创新基准测试项目,可有效加速Aible面向企业级客户的成果交付。基于英特尔可扩展处理器,Aible技术打造“无服务器优先”的方法,使开发人员能够在无管理服务器的情况下开发和运行应用,并在降低总体拥有成本(TCO)的同时提升软件的敏捷性。
英特尔公司副总裁兼数据中心、人工智能和云计算执行与战略总经理Kavitha Prasad 表示:“目前,企业IT基础设施领导者们正面临着巨大的挑战,关于如何通过构建IT底层基座来帮助业务团队使用数据中心的AI创新应用并创造价值。现阶段,我们已经超越在“纸”上谈论AI潜力的阶段了,得益于英特尔®至强®可扩展处理器,以及英特尔与Aible联合开发的内置软件优化,诸多核心行业的业务团队在几天之内便能够收获显著的业务效果。”
随着技术的加速发展,为能高效管理庞大的流入数据,开发人员对可扩展性、处理速度以及低成本的需求与日俱增。基于英特尔长期以来在开源软件的投入,及其内置AI加速器的至强可扩展处理器,能够通过一致、开放的架构,帮助用户优化多样化的工作负载和性能。
与市面上其它服务器导向的解决方案相比,Aible的无服务器策略可加快机器学习模型的训练1。英特尔与Aible此次合作,推动了数据管理和数据操作、增强型数据分析、AI模型训练与推理以及整体增强型分析工作流程等方面的创新升级。
通过增强型数据工程、增强型分析以及增强型数据科学和机器学习,Aible在数据驱动的各个业务环节均可提供良好的投资回报率,并可在增加AI影响力的同时系统性地降低风险。
基于当前和即将推出的英特尔平台、产品及其功能,包括英特尔® AVX-512、DL Boost、英特尔SGX、oneAPI深度神经网络库、软件和基础设施相关产品,Aible的技术可提高性能、加快创造价值并降低总体拥有成本。英特尔® AI分析工具包是基于oneAPI开发的,其中的英特尔优化软件包内含Tensorflow、Numpy、SciPy和其他流行的库,能够在英特尔至强可扩展处理器上提供2-3倍的性能1。
得益于内置的英特尔优化的AI软件和英特尔至强可扩展处理器,Aible的客户可以大幅提高部署速度,并对业务产生重大的积极影响。在Aible“30天内从AI获益”的计划中,包括两家财富500强客户、诺瓦东南大学和Vertiv等机构在内的20家客户已经成功从AI获得积极影响。

过往50余年来,英特尔始终与客户保持密切合作,旨在通过对解决方案堆栈中包括应用软件、编排和硬件在内的每一层进行深入解析,以实现软件优化。与此同时,英特尔亦携手AI生态系统,共同开发广泛的软件工具、框架和库,以满足最严苛的数据科学需求。现阶段,通过内置硬件加速和针对流行软件工具的优化,英特尔已经简化了从数据攫取到大规模部署的AI工作流程。对于欲应用AI应对巨大挑战的创新者而言,英特尔正在为推动AI无处不在铺平道路,加速推动AI落地和应用。
现阶段,企业IT基础设施领导者们正面临着巨大的挑战,关于如何通过构建IT底层基座来帮助业务团队使用数据中心的AI创新应用并创造价值。而Aible技术与基于英特尔技术的基础设施相结合,能够为从评估数据到自动发现洞察,再到模型的训练、部署和监测在内的整个AI生命周期带来极大优势,进而应对挑战。
这项合作可以帮助企业在不增加复杂性的前提下,基于当前部署的基础设施将AI应用的总体拥有成本降低3-4倍。客户不仅可以利用至强可扩展处理器为AI应用奠定坚实的基础,亦能够结合可扩展的无服务器架构来以满足当前和未来的工作负载需求。
说明:
1根据英特尔和Aible的基准测试报告,“这项研究亦表明,与搭载类似英特尔处理器的传统服务器架构相比,无服务器计算的体验更好。采用无服务器方案时,应用软件的成本效益提高2-3倍,总体拥有成本降低3-4倍,比服务器架构快2-3倍。”
详情请见Aible“30天内从AI获益”项目说明
好文章,需要你的鼓励
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
谷歌发布基于Gemini 3的快速低成本模型Flash,并将其设为Gemini应用和AI搜索的默认模型。新模型在多项基准测试中表现优异,在MMMU-Pro多模态推理测试中得分81.2%超越所有竞品。该模型已向全球用户开放,并通过Vertex AI和API向企业及开发者提供服务。定价为每百万输入token 0.5美元,输出token 3美元,速度比2.5 Pro快三倍且更节省token用量。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。