3月29日,宁畅发布“全局智算”战略,并揭幕了包括“AI算力栈”在内的一系列战略性新品与系统解决方案,旨在有效解决大模型产业落地的全周期问题。
以系统全面性应对需求复杂性
“当前,大模型发展不断深化,其在细分行业落地过程中,面临的算效、适配、应用等问题也日益复杂,愈发需要系统性AI计算方案提供全方位、全周期支持。”宁畅总裁秦晓宁指出。
在以大模型为焦点的新一轮AI竞赛中,智能计算作为推动产业发展的关键引擎,已经不再局限于算力性能这一单一竞争要素。算法协同优化、数据处理能力、模型可解释性以及与特定行业应用的融合度,都成为了智能计算能否成功推动技术创新和实际落地的核心因素。
在对产业趋势的精准预判和深入洞察下,宁畅发布“全局智算”战略,希望通过全栈智能计算能力,以及涵盖硬件、软件、算法、液冷和服务质量等多个维度的系统性AI计算方案,为更多行业发展带来坚实的支持和动力。
宁畅总裁秦晓宁进一步阐述“全局智算”战略,表示:“宁畅的‘全局智算’具备六大‘全’特性,涵盖软硬件全体系及全液冷产品,提供从咨询到运维的全流程服务,满足全行业用户大模型开发、适配、部署的全场景需求,并按用户发展阶段,定制专业且性价比高的AI计算方案。”
AI算力栈塑造智能化升级核心力量
全新战略指引下,宁畅带来一系列战略性新品与系统解决方案。其中“AI算力栈”作为宁畅AI全栈能力的集中体现,以底层硬件到顶层应用平台的系统化方案,构建全栈AI环境,满足大模型落地所需的计算、存储、网络、建设、管理、应用及液冷等需求。
宁畅CTO赵雷表示,全局智算能力映射在AI算力栈上,体现的是深厚的技术硬实力和丰富的软实力。硬件层上,可实现多种交付形态灵活组合。其中,宁畅B8000液冷整机柜服务器作为AI算力栈最具亮点的交付形态,采用电、液、网三路全盲插设计,部署周期相较传统方式提升30倍。软件层上,基于系统工程及算法模型,以AI算子全栈优化能力,为AI业务提供并行加速、性能分析、模型开发优化等服务支持,构建出从算力资源定制,到模型适配优化,再到高效部署落地的大模型算力服务闭环,帮助用户极速推进AI应用开发及管理。
英特尔AI首席架构师吴震华强调:“第四代/第五代英特尔® 至强® 可扩展处理器的卓越性能,将为宁畅AI算力栈带来更强助力。”
此外,在智算中心建设大潮下,AI算力栈方案以其全面、灵活、深度的支撑能力,可为行业级/企业级智算中心的构建提供强有力的支持,确保智算中心的建设既符合当前业务所需,又具备前瞻性与适应性。
首个AI算力栈开放,带来AI先进体验
为加速赋能用户,国内首个AI算力栈——宁畅NEX AI Lab(Nettrix AI Open Lab)已在桐乡市成功落地并开放预约试用,用以展现应用场景优化、行业智算定制解决方案,通过免费提供软、硬件服务,带来大模型、数据科学、推荐系统等解决方案工作流的先进体验。
“宁畅以弹性、灵活的智能算力、开箱即用的开发工具链,有效支持各类大模型应用开发的算力需求。与北电数智‘全智算属性’的AIDC理念不谋而合,AIDC应该提供从底层算力到顶层应用使能的全栈能力,并起到聚合产业链上下游企业的作用,通过场景牵引、产业生态协同,让人工智能可以赋能更多行业和企业在更多关键场景中打造可以‘降本增效’的新应用,加快形成新质生产力,推动产业实现高质量发展。”北京电子数智科技有限责任公司首席战略官杨震分享到。
未来,“AI算力栈”方案将进一步落地汽车、互联网、制造、金融、能源、科研等领域,成为推动数字化转型、实现智能化升级的核心引擎。秉持“全局智算”战略,宁畅携手千行百业伙伴共创更美好的AI未来。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。