数据存储厂商Pure Storage本周在奥斯汀举行的Pure Accelerate 2019活动中宣布推出了最新的“AI First”基础设施产品,将目光瞄准了更多的人工智能工作负载。
新推出的AI Data Hub产品被称为“端到端人工智能管道解决方案”,为企业提供了大规模设计、开发和部署人工智能模型所需的基础设施。
该平台基于Pure Storage的FlashBlade,后者是一种基于闪存的文件和对象存储设备,可以实现极快的数据访问,以及与Nvidia共同开发的AI Ready基础设施产品,据称该产品可以显着提高人工智能生产力,同时加快产品上市速度,提供以数据为驱动的模型。
AI Data Hub可以处理AI管道的每个步骤,从清理数据和标记数据再到建模和训练,以及在生产中运行经过训练的AI模型。
Nvidia副总裁、DGX系统总经理Charlie Boyle表示:“凭借由Nvidia DGX系统和Pure Storage Flashblade支持的AIRI,Nvidia和Pure让每个企业能够更快速、更轻松、更具成本效益地大规模部署和管理人工智能。AI Data Hub通过加速数据科学工作流提高了联合解决方案的价值,借助Nvidia CUDA-X AI软件和DGX系统提供的支持,可以实现更快速的迭代,提高开发人员的工作效率,加快洞察时间。”
Wikibon分析师Dave Vellante表示,对于Pure Storage来说这是一款关键产品,因为它意味着Pure Storage可以承担以前没有真正涉足的新的数据密集型工作负载。这对于Pure Storage这样的一家公司来说应该是有帮助的,就像存储市场中的其他厂商一样,Pure Storage由于闪存存储组件供过于求导致价格急剧下降遭受了收入的重创。
“在NAND价格下滑的市场中,这么做是有意义的,因为这将会给闪存带来新的机会,进一步侵蚀磁盘的市场,”Vellante表示。
此外Pure Storage还宣布对其云数据服务产品组合进行更新,使客户能够更轻松地将应用移入和移出公有云基础设施平台如AWS和微软Azure。
推出的新产品中包括Cloud Block Store for AWS,一款在AWS云中原生交付的企业级块存储服务,目的是为托管在AWS上的数据服务提供“统一的管理和消费体验”,让依赖这些服务的应用可以在云中更加无缝地运行。
James Kelly是查普曼大学的高级系统管理员,查普曼大学是该服务的早期用户。Kelly表示:“由于CBS提供了和本地相同的API和接口,这让我们能够在AWS上使用当前FlashArray相同的自动化工具和脚本,缩短时间线并实现零培训成本。可以想象一下,这让我们有了可以使用现有资源和专业知识,在混合云环境中迁移、访问、管理数据的新方法。”
另一款产品CloudSnap for Azure则是为了向微软公有云平台提供更智能、更高效的数据传输。CloudSnap是一种云备份服务,也可在AWS上使用,为内部部署和云托管应用和服务提供快速恢复功能。
“无论数据存在于何处,这都是为了实现云体验,”Vellante说。“对于没有公有云的企业而言,找到为客户增加价值的方法是至关重要的,而将内部云连接起来以获得更一致的体验是实现这一目标的好办法。”
Pure Storage还借这次活动宣布为Pure-a-Service云产品引入更统一的订阅模式。Pure的即服务产品包括用于多个公有云平台的闪存存储服务,以及一系列数据管理和分析工具。对客户来说,以这种方式消费产品的主要好处是,他们只需要为他们需要的资源付费,并且可以立即获得最新的更新。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。