“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
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。