如今,AI与体育的“相见恨晚”,带来的绝不仅仅是竞技体育的激烈比拼,更是科技引领的绝佳体验,就像这样:
以“风驰电掣”著称的F1比赛中,梅赛德斯奔驰车队通过AI技术寻求车与人的极致融合,实现了较往年提速2秒的突破,一骑绝尘于赛场之上……
以”悬念迭起“代表的球类竞技:”英超豪门“热刺队凭借AI技术做到人与比赛的相得益彰,达成了场上、场下别具一格的互动体验,与众不同于赛场内外……
当然这样的例子还有很多,但可以肯定的一点,AI正为体育竞技注入新鲜动能,其背后,尖端的IT基础设施支持不可或缺,英特尔和HPE已准备就绪,为运动员们的胜利保驾护航,为观众的全新体验全速奋进。
数据驱动 巅峰对决
众所周知,在F1极限冲刺的背后,是每个参与竞技的车队对仅仅0.1秒的执着与探索,其中不单单是车手车技的训练与提升,更是对各类数据的精准把握,哪怕是轮胎产生的磨损对于赛车引擎温度产生的影响,都要及时准确地计算在内,仅凭有限的人力是无法做到实时的数据决策。
对此,梅赛德斯奔驰车队选择了HPE的Apollo 6500高性能计算系统,高效集成了人工智能加速功能,有效帮助车队分析师利用数据科学工具以及智能解决方案做到车况和决策的优化。
值得提及的是,该系统基于第三代英特尔®至强®可扩展处理器的最新特性,将计算能力发挥到极致。具体来说,处理器提供了多达40个强大内核,能够基于平衡、高效的架构提升内核性能、内存和 I/O 带宽,为处理数据中心到边缘的各种工作负载进行提速。如此看似简单的技术创新对梅赛德斯奔驰车队而言却至关重要,成功将赛前大量复杂模拟竞赛的数据计算处理时间从以往的3天缩短到了1天,运用AI技术的“魔力”让赛车状态最佳,就是这个道理。
全新观赛体验 令人终生难忘
球类竞技比赛与F1赛车有明显差别,他帮助我们解锁了AI技术助力体育创新的另一种非凡功能,不仅可以用于竞技成绩的提升,还可以打造非同凡响的观赛体验。正如金州勇士队总裁兼首席运营官 Rick Welts所言:“我们为观众奉献的不仅仅是篮球比赛,更重要的是为他们打造终生难忘的观赛体验。”
言易做难。要为观众成功打造如此体验,金州勇士队需要拥抱支持多种体验的技术核心,才能满足观众随着赛程不断变化的观赛需求,而这将通过球场内7500台边缘设备完成收集与交付。事实证明,通过HPE超融合基础设施就可确保这一点。
HPE超融合基础设施为何如此强悍?主要依托英特尔®至强®可扩展处理器采用的Speed Select 技术(英特尔® SST),可以对CPU性能实施精细控制,进而服务器做到事半功倍;此外,英特尔® 至强®资源调配技术(英特尔® RDT)还实现了共享平台资源的可见性和控制,从而成功做到性能优化,以此提高资源利用率。
值得提及的是,全新第三代英特尔® 至强® 可扩展处理器带来了诸多改进,其中包括第二代内存带宽分配 (MBA2.0),以先进的硬件控制器灵活高效地实施带宽控制,以更高分辨率的计数器 (32b) 实现内存带宽监测。
增强比赛互动 提升观赏性
同样的尝试也出现在了英超联的顶尖球队之一的托特纳姆热刺足球俱乐部。在容量超过61000人的巨大体育场,热刺通过采用四路到八路配置的第三代英特尔® 至强® 可扩展处理器,为球迷观赛之余还提供了涵盖餐饮、社交分享以及购买周边商品的多样技术支持,处理器提供的多路内核密度充分满足了服务中涉及的庞大算力需求。
具体来说,在八路配置下,每平台可支持多达224个内核。全新的第三代英特尔® 至强® 可扩展处理器拥有多达六条英特尔® 超级通道互联(英特尔® UPI)通道 ,与上一代相比,不但提高了平台可扩展性,又提升了 I/O 密集型工作负载的 CPU 间带宽,从而在提高吞吐量和能效之间实现了平衡。
此外在HPE的支持下,通过智能边缘解决方案与人工智能技术,还做到了对球员健康和实时绩效的监控,满足了教练和经理对球赛数据的洞察。如今在这个场馆内,球迷们妥妥实现了别具一格的观赛体验。
放眼赛场之内,AI让传统竞技体育迸发出更多创造力;聚焦赛场外,HPE与英特尔正携手为人们的娱乐、工作、生活创造出更多无尽的美好体验,我们将拭目以待。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
这项研究由香港理工大学和新加坡国立大学的团队共同完成,提出了R?ec,首个将推理能力内置于大型推荐模型的统一框架。与传统方法不同,R?ec在单一自回归过程中实现了推理生成和物品预测的无缝整合。研究者还设计了RecPO优化框架,无需人工标注即可同时提升模型的推理和推荐能力。实验结果显示,R?ec在三个数据集上显著超越现有方法,在Hit@5和NDCG@20指标上分别提升68.67%和45.21%。这一突破为下一代智能推荐系统开辟了新方向。
这项研究提出了CURE框架,通过强化学习让大语言模型同时学习编写代码和生成单元测试两种能力,无需使用标准代码作为监督。团队开发的ReasonFlux-Coder模型在仅用4.5K编程问题训练后,便在多个基准测试中超越了同类模型,代码生成准确率提高5.3%,最佳N选1准确率提高9.0%。该方法不仅提升了模型性能,还提高了推理效率,同时为降低API调用成本和无标签强化学习提供了新思路。