“数据中心”(DC)是云服务的基础依托,也将是新一代网络的基础依托。在云服务时代,“数据中心”的地位将类似电话服务时代的电话交换局,未来的云数据中心不仅是服务器、存储器等数据基础设施的集中存放地,也将是基础网络的中心。
传统数据中心更多是布局在用户集中和网络资源良好的大城市,而新的云数据中心的选址则更多考虑土地、能源、气候等因素,我国的西部、北部等欠发达地 区反而会成为未来的数据中心布局点,也就是说数据中心的布局选择将实现从“网络最优”到“能效最优”的转化,这将导致“用户中心”(信息的产生和使用者) 与“数据中心”(信息的存储和处理者)的解耦。
在传统时代,“数据”与“网络”跟随“用户”走,“用户”、“数据”、“网络”三者紧耦合,网络主要服务于用户间通信;而在云服务时代,用户中心与 数据中心分离,逐步形成“用户”与“数据”双中心格局,网络更多服务于“用户”与“数据”(应用)间的沟通以及“数据”本身的分发处理。
在云服务时代,基础网络服务需要考虑虚拟机(VM)之间的联网、DC内的联网(包括前端业务网络与后端存储网络)、多DC之间的联网(基地DC联 网,基地IDC与边缘IDC联网)以及用户与DC之间的联网。而且大部分的DC并不属于网络运营商,但网络服务也必须充分考虑这部分DC的布局及其所承载 的云服务要求。对于云服务,网络的灵活性、动态性、开放性和资源的快速提供尤为重要,网络建设理念需要实现由“云随网动”到“网随云动”的转型,从而更加 主动地为云服务发展提供所需的网络服务。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。