在AI等技术及用户应用的分布式计算里,随着算力需求的爆炸式增长,未来将推动包括公有云、私有云、边缘云、电信云等在内的多云服务市场不断增长。
ACE智能云边共创生态由VMware联合多家核心合作伙伴共同发起,致力于推动开源项目和开放云的技术创新。ACE代表AI 、云原生、边缘计算。VMware通过ACE生态联合了很多重量级企业和优秀初创公司共同开发AI、云原生、边缘计算以及其他新兴领域的技术解决方案和服务。
多云联邦学习解决方案
在数据融合交互与数据隐私安全愈演愈烈的当下,联邦学习技术为基于跨领域的企业级数据合作提供了新的范式。
VMware中国研发中心技术总监张海宁表示,数据要素化使得数据的共享以及整合成为很重要的话题,但是数据很容易被复制,安全、隐私泄露风险就会暴露出来。
VMware中国研发中心技术总监 张海宁
联邦学习作为隐私计算的一个重要的手段,通过使用多方的数据建立一个综合的模型,在这个过程中,因为使用了加密、多方安全计算等等技术,使得数据的隐私得到保证。
“我们既可以使用多方的数据,又能保证每一方的数据不会被泄露,同时保证安全,这是联邦学习最基本的出发点,因为他的隐私性保护非常好,又能充分利用各方数据。”张海宁说。
目前全国首个联邦学习开源社区FATE是在Linux基金会旗下由社区共同维护的开源项目,55%的国内隐私计算产品或者方案是参考和采用FATE实现。
VMware在FATE以及OpenFL社区中参与比较多,在联邦学习领域里有很深的参与度以及很多技术的影响力。
VMware与星云Clustar提出以VCF(VMware Cloud Foundation)为基础设施平台,FATE联邦学习框架结合星云Clustar自研网络加速技术的联邦学习解决方案,以打破数据孤岛,让客户可以使用联合建模技术,更好挖掘数据价值。
该方案作为一款综合星云Clustar与VMware技术优势的企业级联邦学习解决方案,具有更高安全、更高性能及更具开放兼容性的核心能力,可覆盖星云隐私计算平台、安全数据网络等企业级软件产品,满足多样化的用户需求,使客户可以更专注实际应用场景。
此外,该方案依托于VCF提供的统一的跨多云环境运行和管理平台,具备“一站式”交付能力,尤其专注金融领域解决数据安全与保障数据合规流通问题,可部署在联邦学习中各参与方,统一进行联邦学习任务的全生命周期管理,帮助企业用户实现联邦数据建模以及数据管理等一系列功能,以安全、合规、高效的方式服务于金融行业的反欺诈、反洗钱、信贷风控、展业促活等创新应用,释放金融数据价值。
推动碳中和计算的创新
近年来,中国正在快速发展新一轮的新型基础建设。作为新基建的重要组成部分,大数据中心是新基建的根本,并直接决定了企业未来的核心数字化竞争力。由于数字经济需求的快速增长,数据中心计算本身带来的碳排放也越加收到关注。提高数据中心能效,不仅是企业降本增效的重要手段,更是中国实现碳达峰、碳中和目标的不可缺的重要路径之一。
VMware中国研发中心边缘计算实验室主任路广表示,ESG和可持续性的发展成为潮流,VMware通过产品和相应的技术帮助减少碳效率,避免了超过12亿吨的碳排放;VMware和30多家合作伙伴一起推出了零碳云。
VMware中国研发中心边缘计算实验室主任 路广
对于企业的IT资源来讲,需要进行一定的碳评估,确定脱碳目标。在数据中心内部,如果不进行任何的容器化技术,物理资产包括各种服务器、存储、网络设备,对电力的消耗以及相应的碳排放相当高,而虚拟化、容器化以及多云技术帮助企业客户减少碳排放。
路广说,VMware整个产品家族从基础的虚拟化到存储虚拟化、软件定义的数据中心,基于云的可持续性以及零碳云,帮助企业的IT系统节省能源消耗,减少碳排放,最终达到零碳云,实现近零的目标。
在中国,VMware和英特尔也在聚合生态,推动碳中和计算的创新。VMware、英特尔和Quarkdata(云创远景)合作开发了联合解决方案DeepCooling,以加速推动在中国乃至全球数据中心规模化采用可持续的碳中和计算技术;并一道在2021年底共同发布了数据中心提高运维效率、节能减排的联合白皮书:《面向可持续经济发展的碳中和计算技术—数据中心新基建背景下的减排创新》,通过在数据中心内部综合利用物联网/边缘计算、人工智能/深度学习、和融合运维管理等技术节省能源、减少碳排放。
路广表示,在边缘的环境下收集数据,实现更快地处理边缘的决策任务,帮助企业的运维人员进行决策。DeepCooling可持续的碳中和计算技术通过持续的边缘AI干预和实时控制,帮助企业优化数据中心的整套制冷体系的能耗表现。
据悉,这套方案已经在三方的联合推动下,在国内数个大型数据中心落地,帮助客户显著改善了PUE,降低了碳排放。在已经生产性部署的环境里全面验证了显著减少制冷系统能耗和碳排放的效果。
“VMware和合作伙伴一起共同建立多赢的生态价值,同时帮助客户加速创新,解决现实的问题,同时帮助整个社会实现可持续性、公平、更多平等机会。”路广如是说。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。