热播剧《都挺好》的苏大强很作、很狂野。但他在得了阿尔茨海默症(俗称“老年痴呆”)之后,大脑受损,逐渐丧失了记忆,无法辨认亲人,生活无法自理。可见,大脑的作用非常重要。它每天需要处理大量的信息,不断地做出决策和行动指令。
在企业的ICT(信息通信技术)系统中,数据中心就像企业的“大脑”。这里运行着企业的核心业务数据,为企业的发展提供大量信息,对企业同样至关重要。
众所周知,数据中心有三大类资源:计算、存储和网络。存储资源主要用于存储业务应用的各类数据。计算资源从存储资源获取数据,并对简单枯燥的数据进行处理、提取信息,从而获得知识和智慧。网络就是把这些计算和存储资源连接起来,实现快速高效的计算和存储。
数据中心的工作原理与人类大脑非常相似。存储像大脑的海马体,计算像大脑的神经元,网络像大脑的神经纤维,把神经元和海马体联结起来。海马体记忆的信息越多,神经元越多,神经纤维联结越高效,大脑反应越灵敏,人就越聪明。
当前,人类正在进入以工业4.0为代表的第四次工业革命时代。这是一个以“高速通信+物联网+人工智能+大数据+VR应用+自动驾驶”为代表的AI时代。创新技术正为社会带来翻天覆地的变化。
打造数据中心“最强大脑”,成为企业赢得AI时代发展先机的关键。
数据中心内分布式系统正成为潮流,因为它充分发挥每个计算单元和存储单元的价值,提升了资源的利用率。但是,计算和存储资源之间的网络连接还停留传统以太网模式。传统以太网由于TCP/IP协议工作原理,天然会出现数据丢包。丢包之后会不计代价、反复不断地重传,直到数据包传输成功为止。这种既容易丢失数据又耗时的传输机制对于高效的分布式系统来说是个桎梏,限制了IT的高效运转。
传统以太网传输时丢失1‰的数据,分布式系统的处理性能下降约30%
诚然,对于网络来说,这些问题早已有之,并不鲜见。也有网络厂商曾试图解决这些问题,但没有成功。原因在于,传统以太网传输耗时和容易丢失数据的问题就像“跷跷板”的两端,单独解决某一个问题并不难,难点在于同时解决这两个问题。如何找到“跷跷板”的平衡点需要创新的技术。
有这种新技术吗?答案是有的。华为深入洞察技术发展趋势,创新推出面向AI时代的AI Fabric智能无损数据中心网络解决方案,首次解决了这个两难的问题。华为首次给CloudEngine数据中心交换机装上了智慧的“芯”,并独创了iLossless智能无损算法。交换机可以根据不同的应用流特征为其动态分配相应的流队列进行数据传输,这样既没有传输过程中的数据丢失还可以快速高效地传送数据。
华为AI Fabric可以打造数据中心“最强大脑”吗?答案是肯定的。近日华为AI Fabric智能无损数据中心网络解决方案通过了国际权威测试机构Tolly Group的对比测试验证。(点击阅读原文,免费阅读完整报告)测试结果表明,部署了华为AI Fabric之后,数据中心“大脑”处理速度(HPC高性能计算)更快了,比业界提高了30%;“记忆”能力(存储IOPS)更高了,比业界提高了30%;“认知”能力(分布式AI训练)更强了,比业界提高了27%。华为AI Fabric使数据中心“大脑”真正做到了“更快、更高、更强”。
Tolly Group测试:HPC(高性能计算)场景,部署AI Fabric后,任务完成效率比业界高30%
Tolly Group测试:分布式存储场景,部署AI Fabric后,存储性能比业界高30%
Tolly Group测试:AI训练场景,部署AI Fabric后,AI训练效率比业界高27%
有没有企业使用华为AI Fabric升级他们的数据中心“大脑”呢?答案同样是肯定的。目前,华为AI Fabric在互联网和金融领域已有了成功实践。比如:某互联网巨头采用了华为AI Fabric之后,无人驾驶应用的计算效率提升了40%。招行部署了华为AI Fabric之后,存储的IOPS性能提高了20%。
随着人类迈入AI时代步伐的加快,各种AI应用会越来越广泛。你在火车站可以方便快捷地刷脸完成身份认证,你可以使用指纹快速高效地通关,如果你可以刷脸完成支付尽情购购购,如果你可以乘坐无人驾驶汽车畅行在城市中,如果你正在享受着科技带来的美好生活,也许正是华为AI Fabric智能无损数据中心网络解决方案在加速普惠AI。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
这项研究由香港理工大学和新加坡国立大学的团队共同完成,提出了R?ec,首个将推理能力内置于大型推荐模型的统一框架。与传统方法不同,R?ec在单一自回归过程中实现了推理生成和物品预测的无缝整合。研究者还设计了RecPO优化框架,无需人工标注即可同时提升模型的推理和推荐能力。实验结果显示,R?ec在三个数据集上显著超越现有方法,在Hit@5和NDCG@20指标上分别提升68.67%和45.21%。这一突破为下一代智能推荐系统开辟了新方向。
这项研究提出了CURE框架,通过强化学习让大语言模型同时学习编写代码和生成单元测试两种能力,无需使用标准代码作为监督。团队开发的ReasonFlux-Coder模型在仅用4.5K编程问题训练后,便在多个基准测试中超越了同类模型,代码生成准确率提高5.3%,最佳N选1准确率提高9.0%。该方法不仅提升了模型性能,还提高了推理效率,同时为降低API调用成本和无标签强化学习提供了新思路。