济南的九月,秋高气爽,碧水绿荫,大街上已不再像烈烈夏日一样,浓浓的秋意已扑面而来。在这个金九银十的收获季节,联想创新科技大会走进泉城济南,与齐鲁人民共同见证了联想在人工智能、大数据领域的全新战略布局。
联想创新科技大会济南峰会现场
"在人工智能驱动的新时代,联想的使命是成为这一轮'由AI驱动的智能变革'的推动者和赋能者。"在此次大会上,联想集团高级副总裁、数据中心业务集团中国区总裁童夫尧一开场就表明了立场。
可以看出,在如火如荼的AI时代,作为业内知名企业,联想已经开始发力人工智能领域,提出通过"设备+云"、"基础设施+云"两大战略,为人工智能提供从前端到后端的全面支持,助力客户智能化数字化转型。
完整基础架构助力企业转型
在如今的智能互联时代,大数据、AI的高速发展使各行各业都在拥抱全新的数字化智能化转型,对于目前企业的转型过程,联想集团副总裁、首席研究员田日辉认为主要有两大阶段,一是数字化本身;二是CPS,即数字双胞胎。在未来的数字化转型首先是CPS,但CPS只是数字化的基础而非全部。
联想集团副总裁、首席研究员田日辉
事实上,联想在此次大会上也一直在提数据智能化。"一方面是要整合数据,另一方面是智能化。"田总对于数据智能提出了自己的观点,他认为,利用多元化数据统一平台去分析是数据智能的基础,其最终的目的是为了让数据产生价值,运用智能化的手段去分析数据,同时跟企业原来的业务系统,如财务、采购、市场等相互结合,将数字转变为真正有价值的资产,实现利益最大化。
的确,在大数据、AI盛行的当下,大数据是基础,是企业转型中不可忽视的一环。为了帮助企业更好地实现当下的转型变革,其实联想数据中心业务集团在不久前也发布了全新的IT基础设施产品,即ThinkSystem数据中心基础设施和解决方案产品组合以及ThinkAgile软件定义的解决方案,满足不同类型客户对于计算力的不同需求,从而为企业的智慧化转型提供强有力的基础保障。
差异化优势奠定行业地位
提到联想在大数据领域最核心的优势,田总总结为实践和人才两个层面。虽然联想本身是高科技制造企业,但联想会与不同行业客户在一起,将自身的科学周期和业务周期结合,助力客户实现利益最大化。
此外,联想此次还阐述了联想"智慧化"方案全景图,并对不同行业解决方案和技术解决方案在内的"智慧化"能力要素及金融、医疗、制造等众多行业创新落地成果做了介绍。
据联想数据中心业务集团中国区首席架构师毕巍介绍,对于不同行业的不同属性,联想也会提供差异化的解决方案,将不同行业的几个客户应用场景提炼总结形成APP,取其精华是重点工作。如在智慧城市建设领域,联想借助ThinkSystem和ThinkAgile基础架构,有效促进警务、政务、互联网数据融合;在智能制造方面,联想通过一体化决策系统,实现与供应链上下游生态伙伴高度协同,全面助力各行业客户智慧化转型。
除此之外,在助力企业转型及AI发展的进程中,联想宣布成功交付北京大学高性能计算校级公共平台集群,为北京大学的科研创新提供了强有力的支持。据悉,该集群采用了常温直接水冷技术解决CPU和内存散热问题,系统性能、节能效果均有提升。
联想作为业内知名企业,在企业级市场深耕多年,其大数据智能平台、ThinkSystem系列等均为当下人工智能的高速发展提供了支持。未来,联想将继续发挥自身在产品及解决方案上的创新能力,开启智慧计算的新纪元。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。