位于纽约州波基普西的Marist大学进行了一个了预测分析,可以在大学的一个学期的第三周判断学习首席信息官课程的学生课程是否能够及格。这种情况来自十几个数据来源,其中包括相关的在线论坛的参与性能分析,在线活动,以及收集学生的相关数据。通过分析课堂行为和潜在的网上活动参与情况,教师能够识别潜在的问题,并在学生面临失败之前,解决这些问题。
想象一个与之类似的项目,分析企业是否面临基于数据密集型项目失败的风险,如高性能计算集群或数据分析,他们已在计划或正在进行中?其标准需要是什么?当然肯定会有一些关于服务器密度,应用程序的安全性和网络的可靠性等问题。由于数据可用性的重要性,正常运行时间的重要性就会超越软件和网络。一个隐藏的风险开始显露出来同,那就是电源,或者更准确地说,来自电网的电力稳定性,可靠性和可用性。如今的CIO将如何分析他们的数据中心的电力需求,以及如何反映硬件的更新周期?许多人可能认为这是他们的控制范围之外,但在现实中,需要考虑到为企业实施的任何决策,其中涉及能耗和数据密集型应用。
全球网络相连的世界数据变得越来越密集
全球企业正在通过更好地分析寻找长期的、战略性的业务优势,并获得他们创建和收集数据更多的价值。2014年,在对首席执行官们进行一次访谈中,50%的首席执行官表示,他们正在采用分析,并最大化这一关键的业务资产。预计每隔两年将增加一倍的数据量,这些数据具有巨大的潜在经济价值和社会价值,价值上万亿美元。
数据中心在公司的IT战略扮演着更重要的角色,因为快速访问关键信息正变得比以往任何时候都更加重要。如果“信息工厂”生产停止有用和有效的数据,企业业务的脉搏就会最终停止。
电力中断的严重成本
数据中心依靠一个连续的电力供给电力来自他们的电力。如果电网的能力下降,数据中心会很容易受到攻击。这对许多公司有直接的财务影响。2016年的一份调查表明,在过去12个月内,有63个美国数据中心电力中断,数据中心停机的平均成本是74万美元,与2013年相比上升7%,与2010年相比上升了38%。数据中心的中断不再只是一个麻烦,而是一个真正影响企业业务成本的关键因素。因此,人们对数据中心的需求和面临的风险相比以往更高。
考虑数据中心当地的电网配置
而数据中心断电可能是随机的现象,企业的数据中心存在着增加电力的需求,并有必要提高电网的基础设施的容量和水平,以支持这种增长。许多电网的基础设施日益老化,面临越来越大的可靠性问题和成本压力,另外还要承担脱碳电力供应资源的授权工作。随着数据中心的要求越来越高,对于已经脆弱的电力系统,人们不仅要问,“是否有足够的电力?”,还要问,“当我的数据中心需要电力时,电网能担此重任吗?”
那么具有前瞻性的首席信息官们要做的工作是什么呢?首先,确保了解企业目前正在运营的所有的HPC项目。也许可能有一个特殊的项目或隐藏在一个不同的部门,但首席信息官必须知道这些项目的情况,因为这可能会影响其预算和数据中心资源分配。接下来,要了解企业所有数据中心所在地的电网情况。电力可能并不是首席信息官权限的一部分,但应让首席信息官知晓,包括该企业的业务连续性,在很大程度上依赖于电力基础设施。第三,考虑停机时间与在这些数据中心的应用程序的基础上的电网故障,以及如何影响企业在业务和机会成本的应用。最后,考虑其在每个设备上运行的应用程序。某些应用程序,如金融交易,将决定基于延迟位置,弹性和其他要求,但许多企业没有这么做。其他应用程序具有高计算能力的要求,也有对低延迟和灵活性的需求。还有一些应用,如数据分析,高性能计算和科学计算可能要迁移到理想的位置,需要采用更稳定的电网,以此来尽量减少脆弱的或能力有限的电网的风险。
让我们再回到创建首席信息官的成功或失败的预测方面,首席信息官知道项目创建一个模型的最初想法是驱动他们的业务发展,如果他们考虑了所有的变量因素,可以使这些具体的应用程序和底层支持系统(包括电源),使之成为可能。Marist大学创建的首席信息官考虑了各种各样的因素,包括公开的和潜在的风险。而企业首席信息官需要做同样的事情。
好文章,需要你的鼓励
三星与AI搜索引擎Perplexity合作,将其应用引入智能电视。2025年三星电视用户可立即使用,2024和2023年款设备将通过系统更新获得支持。用户可通过打字或语音提问,Perplexity还为用户提供12个月免费Pro订阅。尽管面临版权争议,这一合作仍引发关注。
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
苹果M5 MacBook Pro评测显示这是一次相对较小的升级。最大变化是M5芯片,CPU性能比M4提升约9%,多核性能比M4 MacBook Air快19%,GPU性能提升37%。功耗可能有所增加但电池续航保持24小时。评测者认为该产品不适合M4用户升级,但对使用older型号用户仍是强有力选择。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。