IBM今天推出了最新一代Z系列大型机,该系列采用了新的处理器,内置了用于实时欺诈检测的人工智能技术。
IBM表示,IBM z16将于5月全面上市,是2019年推出的z15大型机的下一代产品,IBM对此寄予厚望,认为该系统将取得和z15一样的成功将,后者已经被全球多家银行采用。
IBM表示,z16大型机拥有多项由7纳米Telum处理器提供支持的高级功能,Telum号称是全球首款增加了片上AI推理能力的计算机芯片,这也让z16能够对正在发生的交易进行欺诈行为实时检测。
据IBM称,z16在进行欺诈分析的时候,每天可以处理3000多亿个推理请求,延迟仅为1毫秒。IBM表示,AI功能也让z16大型机成为处理贷款审批、清算和结算等交易的理想选择,此外还可以用于联合学习以识别零售环境中的欺诈风险。
IBM Systems高级副总裁Ric Lewis表示,大型机一直被银行视为高度安全交易处理的黄金标准。
他说:“现在借助IBM z16的创新,我们的客户可以通过在关键任务数据所在的位置进行推理来提高决策速度,这是改变他们所在行业游戏规则的一个巨大机会,让他们能够提供更好的客户体验和更强大的业务成果。”
IBM表示,尽管大多数企业已经在一定程度上转向云端,但是财富100强企业中的2/3、全球50强银行中的25家、全球前10大保险企业中的8家、全球前10大零售商中的7家、全球前10大通信提供商中的8家仍将大型机用于关键流程。
IBM解释说,z16是在美国制造的(这一点很罕见),是面向未来的、可以抵抗来自加密破坏量子计算机的攻击。z16结合了基于格的密码学和Crypto Express 8S硬件安全模块来确保这一点。
尽管目前量子计算机还没有落地,但人们很担心“现在获取,来日解密”的攻击场景,也就是说,那些得到了数据的坏人会把数据保留起来,直到量子计算机落地之后在泄露这些信息。
Moor Insights & Strategy分析师Patrick Moorhead称:“据我所知,IBM z16是第一个利用量子保护的量子安全系统,该系统将有助于防范未来的一些量子攻击,例如‘现在获取,来日解密’的场景。”
Pund-IT分析师Charles King表示,Telum的AI功能将会极大地改进金融服务公司检测和处理欺诈交易的方式。
他说:“由于AI推理是在芯片上执行的,所以z16可以执行这些复杂的功能,而无需像其他很多厂商的解决方案那里,把数据移入/移出AI设备或者分析设备。这在很多场景下,例如z16支持的大规模事务环境中,是非常有用的。”
IBM会对z16寄予厚望,因为新推出的大型机通常会给IBM带来可观的收入增长,因为有如此多的客户依赖大型机并热衷于对大型机系统进行升级。华尔街知名投行Bernstein最近表示,新系统将为IBM增收多达6亿至8亿美元。
而这次IBM可能会受益更多,因为IBM在大型机领域的主要竞争对手富士通公司上个月宣布将于2030年之前停止制造大型机系统。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。