至顶网CIO与CTO频道 05月25日 编译:新技术名词的不断出现是不可避免的,时下最流行的名词当属边缘计算。专家们用了不同的方式描述边缘计算,还用了诸多用例佐证边缘计算是如何如何地厉害,边缘计算听起来是很棒的东西。甚至还有一种观念认为边缘计算可以替代所有传统的、更中心化的云计算模型。笔者在这赶紧插一句:这是不会发生的。
未来科技环境大有可能是一种同时具传统云计算和边缘计算功能的混合结构。
边缘计算其实是对云计算很自然的互补,不是替代,反之亦然。边缘计算解决了网络延迟限制的问题,而云计算则可以为大量工作负载提供了更快、更便宜的中心式计算和存储。这些工作负载包括人工智能、数据分析和机器学习等等,在当前的COVID-19环境里这些工作负载更是显得至关重要,笔者曾在另一篇文章里“在大流行期间如何利用人工智能和机器学习探讨过这个话题。
未来科技环境大有可能是一种同时具传统云计算和边缘计算功能的混合结构。可以说是真正的阴与阳的关系,两个方面互补调和。
纵观业界,各种科技正在逐渐融合边缘云的强大威力,云计算本身也在朝多云混合支持的方向不断发展。物联网(IoT)、无人驾驶车辆、流媒体以及其他新的行业不断涌现,网络延迟是这些行业的死穴,而对无人驾驶车辆而言,有时甚至真正的致命死穴。
现代云原生、基于消费的、混合友好的云平台的需求只会不断增加,传统IT工作负载也在不断过渡到敏捷云系统。Gartner曾发布报告称,61%企业已经达到了一定程度的物联网成熟度。以下将给出时下一些边缘云的应用场景,这些边缘云大多用于帮助减少延迟及改善零售、医疗和制造业各行业的用户体验。
零售市场里用于跟踪销售、策略和信息的系统的分发方式是非传统方式,非常适合边缘部署策略。据Grandview Research的研究显示,零售物联网市场至2025年将达到950亿美元。零售商必将利用物联网和边缘计算获取更快、更好的客户体验,同时减少产品线及增加收入。后COVID世界肯定将充分使用与边缘云相关的系统,例如自动结帐、产品跟踪、传感器跟踪和供应链报告等等。
医疗领域物联网市场的规模预计至2025年将达到5340亿美元。制药业务当能应对各种挑战,例如库存管理、因法规而导致复杂性增加以及从近端放置系统即时收集和处理数据的可见性问题。
制造业现在可以采取最大限度地减少停机时间、引入传感器及通过局部边缘计算策略监视工艺条件变化等措施以提高了生产率和安全性。制造业物联网市场预计至2024年将超过零售业和医疗保健业的和,达9,500亿美元。
消费和体验期望力度意味着边缘计算的规模和功能会更加凸显其重要性。各种对时延敏感的信息在增多,技术提供商面临诸如微软Azure Stack Edge之类的各种解决方案,Azure Stack Edge解决方案可以完成各种人工智能任务同时也可以作存储网关用。再举一个例子,AWS也增加了Snowball Edge之类的服务,提供的快速数据传输功能令IoT和边缘计算的世界变小了。
其实从许多方面来看,计算一直都是在“边缘”上进行。小服务器及网络几十年来都是在分支机构和远程系统里保存数据和提供存储。要将这些数据整合到IT系统里在管理、延迟以及数据保护和实施成本方面都存在一些困难。而现在,云系统提供了可靠的、敏捷的及随时可用的基础架构和服务功能。
我们在考虑边缘云计算时,务必将其视为整体混合云策略的一部分。边缘计算是对全面云战略的提升,只有全面的云战略才能在物联网设备部署的快速爆炸式增长中稳步发展。
好文章,需要你的鼓励
OpenAI于周二发布AI浏览器ChatGPT Atlas,目标是让ChatGPT成为搜索和问答的首选界面而非谷歌。该浏览器目前仅支持Mac,但正在开发Windows、iOS和Android版本。Atlas将ChatGPT设为默认搜索选项,并具备记忆功能,可结合浏览历史提供个性化答案。与其他AI浏览器不同,Atlas更专注于强化ChatGPT生态系统,为OpenAI提供更多用户数据和分发控制权,而非改善传统浏览体验。
这项由伊利诺伊大学厦巴纳-香槟分校和滑铁卢大学联合完成的研究,开发了名为VideoScore2的AI视频评估系统,能够像人类专家一样从视觉质量、文本对齐和物理一致性三个维度对AI生成视频进行详细评估,并提供透明的分析过程。该系统在多项测试中显著超越现有评估工具,在准确率上提升近6个百分点,为AI视频行业提供了标准化、可解释的质量评估解决方案,有望推动整个领域的技术进步。
通用汽车宣布计划于2028年推出自动驾驶系统,允许驾驶员双眼离开道路、双手离开方向盘,首先应用于凯迪拉克Escalade IQ。该系统基于现有Super Cruise技术,采用激光雷达、雷达和摄像头感知技术,初期在高速公路使用。通用整合了已关闭的Cruise子公司的技术栈,包括基于500万英里无人驾驶数据训练的AI模型。目前美国仅奔驰拥有商用L3级自动驾驶系统。
滑铁卢大学研究团队提出批评强化学习新方法,让AI模型在学习编程的同时学会批评代码质量。CRITIQUE-CODER模型采用8:2混合训练,不仅保持编程能力还获得代码评价能力。实验显示,该方法让小参数模型超越大模型,4B参数版本在LiveCodeBench达59分,超越基础模型4.8分。更重要的是,批评能力可迁移到逻辑推理等其他领域,为AI训练范式转变指明新方向。