微软公司称自身为全球最大的磁带存储用户,但希望拥有更快的替代方案以支持人工智能数据。
微软公司目前正在为其Azure云服务开发一类新的基于磁盘的存储方案,旨在为部分磁带运作速度缓慢的情况提供补充性支持。
Azure首席技术官Mark Russinovich日前在澳大利亚悉尼的一次会议当中表示,微软公司已经部署有磁带库为Azure归档服务提供支持,但表示“我们对此并不满意”。Russinovich展示了一张IBM TS3500磁带库的幻灯片,并表示“我们认为从存储成本与访问延迟的角度来看,磁带的成本其实并不算太低,但仍然比磁盘要好一点。”
他同时补充称,“我们之所以加大这方面的投资,是因为磁带驱动器相当昂贵,且需要在数据中心之内建立特殊的配套基础设施。”
微软的回应被称为Pelican项目,旨在提供一套装有1152块10 TB、3.5英寸磁盘的机架,其原始容量为11.5 PB。
Russinovich表示,Pelican在设计当中还包含数台服务器。“其独特之处在于,所有磁盘不会同时运转。在进行数据访问时,服务器将对各驱动器进行加速,从而以极低的功率存储海量数据。”此外,由于数据被存储在磁盘之上,因此其访问速度与磁带相比拥有明确的优势。
微软展示的Pelican项目幻灯片
根据Russinovich的介绍,Pelican项目更像是一种闲置磁盘阵列(简称MAID)。这项技术于2010年遭遇到困境,其主要推动者COPAN公司决定退出市场并接受SGI的收购。
新旧设备对比。
也许Pelican项目可以视为一种MAID的升级版本。当然,Russinovich没有明确表示Pelican项目的正式完成时间或者是否会得到全面采用。但他明确将其定位为微软公司现有云存储硬件的继承者。他同时表示Pelican与Azure Archive Storage非常适合为人工智能模型所必需的大量数据提供存储资源。Russinovich表示,目前企业一般不会广泛保留全部人工智能相关数据。微软公司希望能够凭借新项目与相关存储服务,鼓励客户坚持保留所有数据并付费实现永久保存。
此外,Russinovich还表示之所以推出Pelican项目,是因为一部分Azure数据中心还没有做好容纳磁带库的准备。在这样的情况下,Pelican这种基于磁盘的解决方案显然更具竞争力与可行性。
这位CTO并没有明确提到Azure未来会放弃磁带,因此IBM的存储团队暂时不必为此担心。但他确实指出,磁带存在着严重的局限性,而微软还需要另一种存储层。更重要的是,微软公司在尚未正式投入生产的情况下就已经全面讨论Pelican项目——这也许是受到了人工智能相关需求的推动。
Russinovich还指出,微软公司已经为部分Azure数据中心引入了实验性现场天然气发电机。发电机供电将用于支持基础设施的电池组,他表示其效率要高于直接使用当地电网的电力资源。
好文章,需要你的鼓励
zip2zip是一项创新技术,通过引入动态自适应词汇表,让大语言模型在推理时能够自动组合常用词组,显著提高处理效率。由EPFL等机构研究团队开发的这一方法,基于LZW压缩算法,允许模型即时创建和使用"超级tokens",将输入和输出序列长度减少20-60%,大幅提升推理速度。实验表明,现有模型只需10个GPU小时的微调即可适配此框架,在保持基本性能的同时显著降低计算成本和响应时间,特别适用于专业领域和多语言场景。
这项研究创新性地利用大语言模型(LLM)代替人类标注者,创建了PARADEHATE数据集,用于仇恨言论的无毒化转换。研究团队首先验证LLM在无毒化任务中表现可与人类媲美,随后构建了包含8000多对仇恨/非仇恨文本的平行数据集。评估显示,在PARADEHATE上微调的模型如BART在风格准确性、内容保留和流畅性方面表现优异,证明LLM生成的数据可作为人工标注的高效替代方案,为创建更安全、更具包容性的在线环境提供了新途径。
这项研究由中国科学技术大学的研究团队提出了Pro3D-Editor,一种新型3D编辑框架,通过"渐进式视角"范式解决了现有3D编辑方法中的视角不一致问题。传统方法要么随机选择视角迭代编辑,要么同时编辑多个固定视角,都忽视了不同编辑任务对应不同的"编辑显著性视角"。Pro3D-Editor包含三个核心模块:主视角采样器自动选择最适合编辑的视角,关键视角渲染器通过创新的MoVE-LoRA技术将编辑信息传递到其他视角,全视角精修器修复并优化最终3D模型。实验证明该方法在编辑质量和准确性方面显著优于现有技术。
这项研究提出了ComposeAnything,一个无需重新训练的框架,可显著提升AI图像生成模型处理复杂空间关系的能力。该技术由INRIA、巴黎高师和CNRS的研究团队开发,通过三个创新步骤工作:首先利用大型语言模型创建包含深度信息的2.5D语义布局,然后生成粗略的场景合成图作为先验指导,最后通过物体先验强化和空间控制去噪引导扩散过程。在T2I-CompBench和NSR-1K基准测试中,该方法远超现有技术,特别是在处理复杂空间关系和多物体场景时表现卓越,为AI辅助创意设计开辟新可能。