ZD至顶网CIO与应用频道 01月14日 北京消息:为进一步推动传统企业转型升级,英特尔公司于今天在北京举办了主题为“携手创新 共铸未来”的英特尔-南瑞集成自主创新瑞腾高性能数据平台客户暨媒体沟通会。来自英特尔与来自南瑞集成的领导和嘉宾分别解析了在“互联网+”时代下传统企业对于IT需求的变化,以及双方携手打造的瑞腾高性能数据平台的技术亮点与应用优势,并针对数据中心运营管理解决方案的建设签署了战略合作备忘录。与此同时,来自国家电网公司的开发商代表则就目前国网一级部署系统面临的挑战,以及如何利用瑞腾数据平台来解决大数据量、高并发环境下的应用场景进行了分享。
作为国民经济发展中最重要的基础能源产业,电力行业信息化发展的脚步也一直没有停歇。然而,伴随信息量的急剧增大,企业业务规模迅速扩大、业务种类日益复杂。这也使得传统架构的系统在性能和管理方面都暴露出大量的缺陷,阻碍了电力行业前进的脚步。如何高效、安全、可靠地支撑信息系统,满足未来业务高速增长的需要;如何帮助企业有效地管理日益增长的业务数据;如何实现业务数据的共享并在现有业务数据之上建立新兴的增值应用等,成为了各企业建立信息系统的关键所在。
“基于对传统行业转型升级需求的洞察,英特尔一直致力于研发兼备高性能、高可靠性、高灵活性的核心计算平台,并与产业合作伙伴紧密合作以满足行业用户的实际应用需求。” 英特尔中国区行业合作与解决方案部总经理柯道远表示,“与合作伙伴的创新可以推动IT技术变革,打造符合中国行业用户需求的自主创新的产品和解决方案,从而进一步推动业信息化的发展,助力企业高效转型。”
基于双方长期、密切的合作,以及对传统行业信息化建设特点的把握,英特尔助力中国领先的系统集成商南瑞集成打造了“英特尔-南瑞集成自主创新瑞腾高性能数据平台”。该平台将英特尔至强处理器结合高速、低延迟英特尔固态盘及高速互联构建的横向扩展(Scale-out)多节点架构,在计算、存储、网络三个层面全面融合了英特尔最新的产品技术。此外,基于英特尔节点管理器(Node Manager)与英特尔数据中心管理平台技术(Data Center Manager)的REM(Return Enterprise Manager)还可针对整个系统提供从坚实到管理再到后续维护的全方面生命周期管理。“瑞腾高性能数据平台采用最新的高性能计算组件,结合南瑞集成多年系统优化、架构优化的经验,本着‘按需定制,深度集成
’的建设理念,结合国网实际应用系统的特点,设计开发了一个可横向扩展的一体化的高性能计算平台,用以替换传统行业大量的小型机和中高端存储设备。充分体现了高性能计算组件与国网实际业务相结合的特点,为接下来的行业应用推广工作打下了坚实的基础”,南京南瑞集团公司信息系统集成分公司副总经理俞俊谈道,“与英特尔在计算、存储、网络以及软件等领域的密切合作,有效提升了南瑞集团的自主创新能力和实力,有力推动基于应用场景自主创新产品的设计和研发,成为‘应用场景就是计算机’这个理念的践行者。”
目前,瑞腾高性能数据平台已经完成了研发工作,正在国网核心业务系统中进行适用性测试。“通过引进基于x86开放架构的瑞腾高性能数据平台,不仅明显缩短了高性能系统部署所需的时间,其广泛的端到端监控分析功能还能够确保所有组件无缝协同工作,避免性能瓶颈与单点故障的出现,”国家电网应用研发单位负责人表示,“相比传统系统小机架构,瑞腾高性能数据平台横向扩张能力更强,使得我们能够随着业务与系统的发展,动态扩展每个组件,提供超强的处理能力,以适应国网业务发展的需求。”
“瑞腾高性能数据平台在国家电网的成功实践,见证了我们与南瑞集成在技术创新与战略合作方面的价值所在”,英特尔中国区行业合作与解决方案部总经理柯道远表示,“未来,我们还将基于今天签署的战略合作备忘录进一步延伸合作关系,加速打造数据中心运营管理解决方案,并与更多本土合作伙伴携手创新,共同推动传统行业信息化的发展!”
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。