随着人们对“互联网+”关注度的持续升温,浪潮在德国CeBIT展示的基于“互联网+”概念的SmartRack整机柜服务器备受关注。而在近期举行的NVIDIA GPU技术大会(GTC 2015)上,浪潮带来了全球首款GPU协处理加速整机柜服务器,将“互联网+”首度延展至传统高性能计算。
GTC是全球最有影响力的GPU技术盛会,每年都会吸引众多的知名公司参展。阿里巴巴、Amazon、Facebook、Yahoo 等顶级互联网公司,以及GE、西门子、皮克斯、湾流公司、英国宇航公司、法国斯伦贝榭公司、本田技术研究所R&D中心等不同领域的公司均将参与本年度GTC2015的活动,并且还有数百位全球顶尖学术机构的研究人员,也将在大会上学习、分享和交流GPU技术的当下应用和未来发展。
让高性能计算实现“互联网+”
从出席大会的众多知名公司来看,GPU在商用计算领域的重要程度正在与日俱增。高性能计算作为GPU最主要的商用计算领域之一,得到了越来越多世界级公司的关注和重视。
随着百度、阿里巴巴、腾讯等世界级互联网公司投入深度学习技术的开发,高性能计算与云计算、大数据的结合越发紧密。同时,互联网公司对高性能计算的创新尝试,也开始反向影响到传统高性能计算用户,引发了对高性能计算建设、部署和应用模式的新一轮思考。
此次浪潮首度展示的GPU协处理加速整机柜服务器,是一款具备更高计算密度和更快部署速度的创新型产品,在1U空间里部署了4个Tesla® GPU 加速器,合理分配计算资源,充分释放计算能力,在并行计算方面有绝佳的表现,并改变了传统高性能计算集群“招标按月来,实施按年计”的建设模式,实现了传统高性能计算的“互联网+”。
SmartRack,让互联网+无处不在
目前,浪潮拥有全球范围内最完整的整机柜服务器产品阵列。除此次展示的GPU协处理加速整机柜服务器之外,浪潮还推出了面向新风数据中心(自然风冷数据中心)的高温耐腐蚀整机柜服务器,面向大数据存储、社交网站的冷存储整机柜服务器,面向现阶段云计算、虚拟化的高密度计算整机柜服务器,以及面向热数据处理、搭载SSD硬盘的高性能存储整机柜服务器,全面对接数据中心当下及未来成长需求。
SmartRack冷存储整机柜服务器以SATA DOM为系统盘,1U最大可挂载18块大容量硬盘,部署密度大幅提升,低功耗平台单路设计,支持硬盘休眠并实现节能,大幅降低整机功耗,实现最优的每TB购买和使用成本,满足海量冷数据的存储需求。
SmartRack高密度计算节点整机柜服务器适用于计算密集、强调业务连续性和安全性的关键应用,是一款搭载1U半宽的双路节点的服务器节点整机柜服务器,支持双万兆网络,具有强大的计算和网络性能,搭配SSD硬盘形成高效存储方式,提升数据处理效率,具备高安全性、高性能、低功耗、群管理等特性。每节点整机柜服务器独立插拔,运维更加简单。
SmartRack高性能存储整机柜服务器是一款具备强大计算和网络性能的均衡型存储服务器,1U空间内实现计算单元与存储单元的分离,最大支持12个大容量热插拔硬盘,可在不断电的情况下单独运维存储单元,减少单点故障。搭配SSD硬盘,可大幅提升热数据处理效率,广泛应用于web接入、网络均衡、近线存储、分布式存储、数据库等应用。
实际上,从互联网衍伸出来的SmartRack整机柜服务器具备典型的互联网特质,反映出互联网公司对数据中心空间、部署、能耗、运维等成本的极致追求。而随着“互联网+”概念的提出并被广泛认可,将会有更多的传统行业用户开始考虑采用整机柜服务器来完成数据中心的建设和升级,整机柜服务器未来成长空间更加充足。
目前,浪潮SmartRack整机柜服务器已经实现50000节点的交付,并在百度、阿里巴巴、奇虎等互联网企业、全球最大最繁忙订票系统等传统行业的企业级数据中心开始大规模应用,整体市场占有率达到60%。而整机柜服务器的抢眼表现,也带动浪潮2014年实现出货量同比增长70.3%,增速全球第一。
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。