云取代本地服务器是当前的热门话题,也是未来发展的大趋势。那么,上云的步伐发展的如何了呢?据国外财经公司Pacific Crest针对一些企业的CTO进行的调查显示,62%的企业CTO表示他们在尝试云服务器之后又重新回归部署本地服务器了,这是因为他们意识到云并不适合自己后,将它们的工作负载重新迁回了本地数据中心。
Pacific Crest 调查:回旋效应
报告称:“出人意料地是,62%的企业已经将工作负载从云迁回了本地数据中心,这说明云并不适合所有的企业,本地硬件仍有市场需求。”Pacific Crest将这种现象称作“回旋效应”(boomerang effect)。Pacific Crest的报告指出,不可否认,迁移到云仍是主流趋势,这对于规模最大的公共云服务商比如AWS、微软Azure和谷歌来说将构成持续利好。
从Pacific Crest调查结果的图表中可以看到,技术公司和大型企业对本地硬件的需求相对更明显一些。这可能是因为它们需要应对各种安全问题和其他复杂的问题,同时这也反映出像这样的大规模行业迁移需要很长的一段时间才能完成。
亚马逊首席执行官安迪·杰西(Andy Jassy)在宣布公司与VMware达成合作的消息后对BusinessInsider说:“我们正处于一场庞大的迁移之中,人们从完全依赖本地硬件转向以云为主、本地为辅的状态,但是这场迁移需要很长一段时间才能完成。”
公共云普及趋势
不过,从引领云计算领域的AWS最近与VMware达成了一项合作交易,准备为企业客户提供“混合型”解决方案,这说明很多企业客户不愿意完全转向云服务,它们对本地硬件还有巨大的需求。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。