当你买回一个智能手表,首先要做的就是绑定设备,打开手机、登录官网、建立账号、激活,一系列的操作本该行云流水,但是由于系统的频频报错,却迟迟不能绑定成功,用户体验大打折扣的同时,甚至可能导致退货。
在全球化的发展过程中,华米科技深知云的稳定性和可靠性已经成为提供服务的重要指标,而且覆盖全球的基础设施和安全合规能力,是满足华米科技全球业务快速扩展的根基。
“芯端云”战略首先需要一朵云
华米科技成立于2013年,是一家基于云的健康服务提供商,拥有全球领先的智能可穿戴技术。华米科技拥有Amazfit自主品牌的七大系列智能手表产品,并构建起完整的健康产品生态,包括智能手环、智能手表、运动耳机、睡眠耳机等可穿戴终端,以及和运动、健康相关的跑步机、体重秤/体脂秤等产品。截至2019年8月,华米全球累计发货量已突破1亿台。
华米的产品和服务一直是面向全球市场,到目前为止,华米的自主品牌智能手表产品和服务已经进入全球超过70多个国家和地区,2020年全年海外出货占比达54.1%。
通过“芯端云”战略,华米科技正在布局芯片、智能可穿戴终端和健康云服务。基于人工智能算法和大数据分析能力,华米科技为用户提供7×24小时的健康监测服务。在“芯端云”战略中,华米健康云为整个健康生态的运营提供了稳定的基础支撑服务和丰富的生态增值服务。
华米科技最早使用的是多云模式,但是也伴随着服务稳定性、合规等常见问题。2017年华米科技开始小规模的使用亚马逊云,到2019年底将华米健康云全面迁移到了亚马逊云平台。华米科技联合创始人、全球创新中心轮值总裁范美辉表示,亚马逊云科技拥有全球一致的基础设施,丰富的产品矩阵,托管服务,多区域灾备和多区域布局的最佳实践,让我们能够为用户提供连续、稳定、可靠的服务。
华米科技联合创始人、全球创新中心轮值总裁范美辉
3月25日,亚马逊云科技与华米科技宣布展开全方位的深度战略合作,利用亚马逊云科技全球基础设施、行业领先的安全合规能力和全面而丰富的云技术和服务,支持华米科技覆盖全球70多个国家和地区的“芯端云”战略布局。
在云上,全面的价值释放
在云上,华米科技使用Amazon DynamoDB存储核心数据,存储用户的健康及运动相关数据。DynamoDB支持无服务器架构,让华米科技无需管理基础设施,自动扩展和缩减容量,自动优化性能。
同时,华米科技使用Amazon S3存储冷数据、日志以及备份数据,Amazon SQS、Amazon SNS进行数据同步,通过Amazon Lambda进行数据迁移和转存,用Amazon Kinesis、Amazon Redshift和Amazon EMR进行大数据分析,形成了一个完整的数据处理和数据分析解决方案。
2020年初,华米科技还基于亚马逊云的计算和存储能力,利用大数据和人工智能算法开发了一个新的模型,预测新冠疫情的流行趋势。
“目前华米科技已经在海外部署了五个数据中心。”华米科技大数据及云平台部研发副总裁张稷表示,在亚马逊云上,我们的服务可用性上升了0.25%,虽然是很小的数字,但是在实际用户的感知上却是非常不同的,大大降低了不可用时间,提升了稳定性。
在芯上,华米科技正通过亚马逊云科技强大的算力和云上EDA(电子设计自动化)的最佳实践,加快新一代智能可穿戴芯片的研发设计和仿真。在端上,华米科技的手环、手表等智能终端上深度集成了Amazon Alexa智能语音助手,实现快速查询天气,设置闹钟,甚至遥控智能家居设备。
未来,双方还将进一步在多个领域探索,例如由智能可穿戴技术驱动的人工智能产品和服务的开发,以及基于云的更多健康服务。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。