9月15日,2017 百度云智峰会ABC SUMMIT在北京国家会议中心举行,大会上百度与浪潮共同发布了ABC一体机,双方将共同推动人工智能、大数据、云计算在金融、电信、气象等行业的普及应用,加快传统行业的智能化升级。

2017 百度云智峰会ABC SUMMIT现场,百度与浪潮联合发布ABC一体机

百度联合浪潮为行业用户深度定制的ABC一体机重磅来袭
ABC SUMMIT是由百度云主办的云计算行业顶级峰会。2016年百度提出ABC战略,以云计算(Cloud Computing)为基础,以人工智能(AI)为中枢,以大数据(Big Data)为依托,将"ABC"深度结合并改造传统行业。今年大会以"INNOVATION"为主题,展示百度云ABC领域的技术能力以及在各行各业的成功应用。
All in one,按需选择
此次发布的系列ABC一体机是百度联合浪潮为行业用户深度定制的软硬一体化的解决方案,采用了百度自研的集群管理软件和浪潮的AI计算硬件平台,支持所有深度学习框架,内嵌成熟的算法模型和云管理技术,可以开箱即用,是一款all in one解决方案。
浪潮与百度共同发布了ABC一体机,产品面向模型训练Training和线上预测Inference两大类AI计算场景,可根据客户AI业务规模及对计算力需求,精准匹配计算系统。ABC一体机系统采用模块化设计,涵盖浪潮SR-AI整机柜、AGX-2、GX4等多样化计算平台,单台计算节点可以提供2-64个不等的异构加速卡。在深度学习框架方面,可支持TensorFlow、Caffe、CNTK、PaddlePaddle等主流算法框架。
面向语音、图像等全AI场景 提供更高效服务
目前,AI应用正处于横向扩展的快速发展时期。面向语音、图像、自然语言处理等几大类应用,衍生出越来越多的细分业务和应用场景。而百度-浪潮ABC一体机借助百度多年在AI领域的技术和应用的积累,能够支持人脸识别、文字识别OCR、语音识别等众多功能,帮助传统行业和中小互联网企业实现金融远程开户、安防智能监控、智能语音助手、银行卡快速识别等应用场景。

百度-浪潮ABC一体机支持语音、图像识别等众多功能,帮助行业实现各类AI场景应用
其中,面向模型训练的ABC一体机能够以私有化的形式,利用企业自有数据进行快速的迭代训练;而面向线上预测应用的ABC一体机内置了成熟的算法模型,可直接给企业使用,能够实现人脸1:1验证准确率99.7%、人证对比准确率97.75%、语音识别率97%、证件识别率98%。
跨过AI的技术门槛 打开产业化大门
随着深度学习、CNN、RNN等技术的发展,AI技术已经发展成熟,Google、百度等公司已经在各项业务中广泛应用了AI,并且取得了十分惊人的应用效果。但是除去TOP级别的互联网运营商,大部分的政府和企业、中小型的互联网运营商仍然与AI无缘。重要的原因就是,AI还未形成明确的产业分工,用户很难购买到产品化的整体方案。实际上这些客户也有着大量的AI场景需求,比如传统的钢厂希望运用AI技术来实现钢铁成品良率检测、传统手机厂商希望能够利用自己的数据构建智能手机助手、公安机关希望利用人脸识别技术实现更快的犯罪嫌疑人追踪等等。
但是,AI技术的运用,需要客户自己收集训练数据,理解计算框架,开发应用系统,然后更新迭代,这使得只有少数技术能力极强的TOP级用户才能应用AI技术,企业、政府、中小型互联网运营商等都只能尝试探索,甚至是望而兴叹。
因而,浪潮与百度的联合,以端到端软硬一体的方式,很好的打破了制约AI应用的技术门槛问题。这项合作对于实现百度ABC战略、推动AI的普及应用有着重要意义,这种方式打开了AI产业化、产品市场化的大门。
强强联合,以JDM 深入更广的行业
浪潮是国内最大的服务器供应商,也是百度核心的计算方案供应商之一。除了刚刚发布的ABC一体机,浪潮与百度联合研发了单物理集群支持64块GPU的超强扩展平台SR-AI整机柜,以及天蝎整机柜服务器冰山冷存储节点,都已经在百度批量部署应用,极大地提升百度数据中心的计算力和可扩展性。
这种联合创新背后,既代表了最前沿的技术需求,也进一步打磨了浪潮快速交付和定制化、个性化解决方案的能力,这也正是浪潮有别于其他厂商竞争优势所在,独特的JDM模式,就是要面向应用,融合产业链,与客户建立的联合定制开发与合作模式,并与客户共同将这种创新研发的产品推广到更多行业客户,实现从从短期产品成功到长期商业模式成功。
好文章,需要你的鼓励
传统AI依赖云端处理存在延迟和隐私问题。越来越多开发者将AI处理从数据中心转移到手机、笔记本等个人设备上。设备端AI具有三大优势:速度更快,无需等待云端响应;隐私更安全,数据不离开设备;成本更低,无需支付云服务费用。目前iPhone已运行30亿参数的设备端AI模型,谷歌Pixel手机也搭载Gemini Nano模型。未来五年内,随着硬件升级和算法优化,设备端AI将实现物体识别、导航翻译等更复杂功能。
这篇论文提出了CJE(因果法官评估)框架,解决了当前LLM评估中的三大致命问题:AI法官偏好倒置、置信区间失效和离线策略评估失败。通过AutoCal-R校准、SIMCal-W权重稳定和OUA不确定性推理,CJE仅用5%的专家标签就达到了99%的排名准确率,成本降低14倍,为AI评估提供了科学可靠的解决方案。
卡内基梅隆大学研究人员开发了一项革命性技术,通过摄像头、AI模型和微型轮子,让咖啡杯、订书机等日常物品能够自主移动到需要的位置。这种"智能物品"技术避免了传统人形机器人的复杂性和安全隐患,通过蓝牙微控制器和AI视觉系统,物品能够识别用户行为并预测需求。虽然技术已相对成熟,但隐私保护和安全性仍是推广前需要解决的关键问题。
NVIDIA团队开发出Fast-FoundationStereo系统,成功解决了立体视觉AI在速度与精度之间的两难选择。通过分而治之的策略,该系统实现了超过10倍的速度提升同时保持高精度,包括知识蒸馏压缩特征提取、神经架构搜索优化成本过滤,以及结构化剪枝精简视差细化。此外,研究团队还构建了包含140万对真实图像的自动伪标注数据集,为立体视觉的实时应用开辟了新道路。