作为山西省重要经济支柱产业,煤炭企业如何通过科学技术改善传统的生产、运营方式和效率,一直是煤炭企业管理人员深入思考并付诸实践的重要关注点。而随着信息化技术的不断发展,传统煤炭企业的数字化转型进程不断提速,希望从勘探、到开发,再到储运和销售,最终延伸至终端用户,实现全程全网协同管理,进而实现运营过程的自动检测、智能监测、智能控制、智慧调度、高效的企业运营管理,最终升级为智慧煤企。
山西晋城无烟煤矿业集团有限责任公司(以下简称“晋煤集团”)是全中国最大的煤化工企业集团,拥有68个子公司、10个分公司、1个托管企业,山西省内外在岗员工有14万余人。如何智能、高效的管理运营如此庞大、复杂的组织,保障业务高效运转,是晋煤集团业务的长期发展诉求。
晋煤集团作为世界500强企业,为保持高速的业务发展,需要尽快实现企业云化,来解决信息化基础设施建设缺乏统一规划,设备重复建设,维护工作困难等问题,从而实现资源共享,资源自动化发放部署。
针对上述需求,华为联合山西科宇通电力科技公司为晋煤集团提供了云数据中心解决方案,助其实现了原有业务数据的平滑上云,不仅全面保证了现有业务的正常运转,也满足了晋煤集团“一朵云”的需求,为未来业务的发展打下了良好基础。
通过本次云数据中心的统一规划建设,后期可轻松实现多次按需部署,降低规划难度,规避投资风险,弹性、灵活、便利的扩减容机制,可随时调整以匹配业务或ICT需求的变化等。
云数据中心实现统一资源管理,统一的运维管理,资源发放能够自动化、服务化,在进一步降低维护成本的同时,提升了运营效率。
安全生产是煤炭企业的重中之重,本次晋煤集团“一朵云”建设运用了两大关键核心技术,以保证业务安全、可靠运营。
1全闪存架构,业务稳中求快
根据实际业务系统等级进行部署,核心生产数据库系统用NVMe全闪存架构承载,在保证卓越性能的同时,实现稳定可靠、融合高效的数据存储服务。
并且在开启在线重删、在线压缩、快照等增值特性时,系统仍保持0.5ms稳定时延,业务性能提升3倍。
2双架构保障业务连续性
针对业务连续性要求高的业务系统,采用A-A双活容灾方案,确保设备一旦发生故障时,业务平稳运行不中断。同时借助免网关双活方案,保障了关键业务99.9999%高可用。
为实现对网络资源的统一控制和动态调度,以快速部署云业务,本次晋煤集团“一朵云”建设采用华为SDN控制器,其具备开放的架构,可提供丰富的、开放的标准接口,北向支持与业界主流的OpenStack云平台实现L2-L7层对接,南向支持管理物理交换机、虚拟交换机、防火墙等物理和虚拟网络设备。
其中,Agile Controller-DCN作为华为CloudFabric数据中心网络解决方案的核心组件,通过北向接口接收“以用户为中心”的业务诉求,并将其转换为网络配置、批量下发,实现网络自动化,从而提供高可靠集群能力,并支持主备集群部署,实现异地容灾,满足数据中心业务的高可靠性要求。
华为和山西科宇通电力科技公司按照晋煤集团“集约高效、共享开放、安全可靠、按需服务”的总原则,助力晋煤集团建设的“云网合一、云数联动”集团“一朵云”,实现了各部门基础设施共建共用、信息系统整体部署、数据资源汇聚共享、业务应用有效协同,为晋煤集团的企业管理和公共服务提供了有力支持,提升了其生产技术水平,助力晋煤集团加速实现数字化转型。同时,双方也将不断深耕能源企业,随着能源企业业务的不断发展,研制出有效匹配需求的信息化解决方案。
晋煤集团相关负责人表示:华为与山西科宇通电力科技公司帮我们提供的云数据中心解决方案,为我们实际生产、作业提供了非常好的平台架构,在降低设备投资,实现高效资源利用率的同时,大大提升了我们的业务部署运行效率。
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。