随着大数据和硬件计算能力的迅猛发展,AI人工智能在近几年已获得重大突破,人工智能赋能于各行各业,如公安、汽车、教育、工业等等。屏幕前的你是否还记得,上期我们给大家推荐的新华三人工智能引擎—AI Engine。秉承授人以鱼不如授人以渔的理念,采用拖拉拽的方式,实现快速的AI算法建模、模型评估与发布,让“蠢蠢欲动”的您也能感受AI带来的魅力。
众所周知,深度学习需要大量而又简单的重复、迭代运算。并行的计算量越多(计算芯片核心),计算效率越高。与CPU擅长逻辑控制和通用类型数据运算不同,GPU最擅长的便是大规模并行计算,性能提升几十倍以上。因此,人工智能场景下对GPU的需求愈发强烈。虽然通过上期介绍的AI Engine拖拉拽方式,能将AI建模的门槛有所降低,但对于专业的数据科学家,依然为底层GPU资源池的统一管理与调度、深度学习框架管理,一筹莫展、无从下手。
落地AI,依旧一筹莫展
针对图像处理、语音识别、自然语言处理等深度学习场景下,需要搭建大规模的GPU集群,针对不同的算法模型、不同的深度学习框架,用户如何统一调度与管理GPU集群的计算资源、存储资源,分配给不同的租户使用,是首当其冲需要解决的问题。
对于TensorFlow、Caffe、MxNet等深度学习框架,如何快速部署,提供开发镜像环境,满足不同用户在不同场景下的框架需求、算法需求与开发需求,也是数据科学家难以逾越的一道门槛。
面对多部门、多用户同时进行模型训练、在线推理,采用什么策略对各个任务进行调度,是抢占模式还是先进先出,以及每个训练任务利用哪个GPU加速卡,每个卡的运行状态如何,都需要统一的监控与管理。
对于AI,我们还能做的更多
针对以上问题,新华三人工智能引擎,还提供一体化的软硬件部署和管理服务,减少开发者系统安装维护工作量;优化分布式训练部署模型,实现多机多卡GPU资源与训练作业灵活调度;提供丰富的可自定义软件和镜像库,充分满足客户对AI计算环境的需求。
统一的集群管理:负责整个系统计算资源的集中管理、统一分配与作业调度,包括GPU资源池的集中管理与分配、多租户方式隔离计算资源、以作业方式动态分配计算资源以及计算资源回收等。
统一的监控运维:实时监控管理集群资源使用情况和集群状态,包括作业状态、GPU使用率、集群健康度等,并分析每一类的资源占用情况,提供触发预警机制。
统一的开发环境:提供一站式的交互开发操作界面,帮助用户完成模型脚本在线编辑、模型训练、模型验证以及模型推理等核心功能,并结合硬件资源可视化、作业调度器,最大化提高系统硬件资源的利用率。
AI赋能科研创新
GPU硬件资源的统一管理、计算任务的统一调度,与授之以渔式的算法建模与模型发布,类似新华三人工智能引擎的左膀右臂,可为用户提供从底层硬件资源、开发框架资源到数据建模服务,一体机化的AI平台解决方案。可广泛应用于高校、研究所、企业等,为意图在AI领域进行探索性科研创新,搭建人工智能实验室的客户,提供开创性的一体化人工智能平台,让AI起飞之前先落地。
2017年7月国务院刊发了《新一代人工智能发展规划》,明确提出要形成“人工智能+X”复合专业人才培养新模式,要加强产学研合作,鼓励高校、科研院所与企业等机构合作开展人工智能学科建设。新华三对大数据人才培养有完善的解决方案,那我们又如何利用成熟的大数据学科建设经验,结合人工智能引擎,开展“人工智能+X”教学实训了?欲知详情,请听下回分解。
好文章,需要你的鼓励
最新数据显示,Windows 11市场份额已达50.24%,首次超越Windows 10的46.84%。这一转变主要源于Windows 10即将于2025年10月14日结束支持,企业用户加速迁移。一年前Windows 10份额还高达66.04%,而Windows 11仅为29.75%。企业多采用分批迁移策略,部分选择付费延长支持或转向Windows 365。硬件销售受限,AI PC等高端产品销量平平,市场份额提升更多来自系统升级而非新设备采购。
清华大学团队开发出LangScene-X系统,仅需两张照片就能重建完整的3D语言场景。该系统通过TriMap视频扩散模型生成RGB图像、法线图和语义图,配合语言量化压缩器实现高效特征处理,最终构建可进行自然语言查询的三维空间。实验显示其准确率比现有方法提高10-30%,为VR/AR、机器人导航、智能搜索等应用提供了新的技术路径。
新一代液态基础模型突破传统变换器架构,能耗降低10-20倍,可直接在手机等边缘设备运行。该技术基于线虫大脑结构开发,支持离线运行,无需云服务和数据中心基础设施。在性能基准测试中已超越同等规模的Meta Llama和微软Phi模型,为企业级应用和边缘计算提供低成本、高性能解决方案,在隐私保护、安全性和低延迟方面具有显著优势。
IntelliGen AI推出IntFold可控蛋白质结构预测模型,不仅达到AlphaFold 3同等精度,更具备独特的"可控性"特征。该系统能根据需求定制预测特定蛋白质状态,在药物结合亲和力预测等关键应用中表现突出。通过模块化适配器设计,IntFold可高效适应不同任务而无需重新训练,为精准医学和药物发现开辟了新路径。