在整个世界走向智能化的过程中,今天AI已经应用与生物识别、智慧城市、智慧制造、智慧医疗等行业场景,这些AI与行业结合的创新的背后是整个IT基础设施需要重构。
浪潮提出智能计算是未来IT基础架构的首选。在浪潮的智能计算架构里面,英特尔® 傲腾™ 持久内存,在智能计算中发挥重要的作用。
面向智慧时代,客户面临的挑战一个很大的挑战的IT基础架构的效率和成本的问题。
今天数据规模每三年成长两倍,DRAM是四年成长两倍,硬盘是五年成长两倍,根本无法跟上大数据的增长。这样的增长模式让 “存储金字塔”的发展模式中的DRAM、NAND、HDD存储介质面临着容量、时延和带宽三个瓶颈。其中DRAM的存储容量需要大幅增加。
浪潮服务器产品线总经理沈荣
浪潮服务器产品线总经理沈荣谈到“如果你看整个服务器行业里面,最大的成本是内存而不是处理器,所以说内存会随着需求的上升占整个计算中心的成本份额越来越高。” 大容量内存能够解决用户应用瓶颈、大内存需求以及降低整体TCO,浪潮希望与英特尔联合创新来就数据层面给客户带来更大的价值。也就是说要提升服务器的效率就需要更大的内存,而更大的内存带来成本非常大的困难,所以说面向未来的IT基础设施,需要一个更大内存存储和更低的成本的存储方式。
英特尔® 傲腾™ 持久内存是基于数据在“存储金字塔”模式中流动的重要一环。Intel的技术专家Terry Wei表示“英特尔® 傲腾™ 持久内存给客户带来新的价值,首先大容量,128GB, 256GB, 512GB 三种规格,并且单颗CPU能够支持3TB容量的傲腾持久内存。天然的非易失特性,断电数据不会丢失,相对于DRAM完,在掉电以后用户记录在傲腾持久内存介质上面的数据是不会丢的,同时相对于DRAM的成本,傲腾持久内存具有更高的性价比。”
目前浪潮已经推出了包括云计算、大数据、关键计算和AI计算等领域支持傲腾持久内存的服务器产品。傲腾持久内存在浪潮内部和客户应用做的实践测试显示了良好的TCO;在推荐系统业务中Redis内存数据库使用傲腾持久内存,作为索引系统后台,使用真实数据测试,得到了与DRAM内存相近的性能,TCO下降了30%。在VSAN方案中浪潮使用了傲腾SSD作为 VSAN的缓存层,在保持成本相当的配置下,与传统NVME SSD相比,性能提升了50%。
浪潮方案测试部副总经理魏健女士举例说明,Apache Spark是一款基于内存运行的大数据处理分析平台,广泛应用于物联网、机器学习等领域,满足了企业对数据实时处理,查询和生成分析报告的期望。运行在基于傲腾持久内存的Spark平台上的百度&intel 联合开发的优化分析包OAP (Optimized Analytics Package)在SQL方向 能够大幅度优化缓存和索引。大大降低TCO,实现了内存容量增加58%,性能提升8倍。
同时测试线上基于傲腾持久内存的浪潮服务器在虚拟化方面也能大幅度提升性能,虚拟桌面在CPU、I/O、标准应用操作延迟方面,具有相当的性能,满足VDI QoS性能要求。可以看到在内存总容量和虚拟桌面数量相同时,使用PMem可以增加VDI会话数并且其成本降低显著。
同时魏健表示:“浪潮服务器本身结合这个内存就是说浪潮服务器的内存容量扩展性会更好,另外一方面浪潮本身会在软件层面做一些优化,这样会对于用户使用技术适应产品可以有一个更好的应用性。”
同时针对AI场景方面魏健也分享了AI在应用级和算法级的场景中,包括短视频的分析和推荐,快速做到更精准客户的定位,能够更精准对这个客户进行分析。在机器学习领域,SPARK是未来大数据分析处理而开发的计算框架, Spark ML利用傲腾持久内存无论是单机模式还是集群模式都是有数倍的提升。
好文章,需要你的鼓励
谷歌CEO皮查伊在AI竞赛低谷期坚持"信号降噪"原则,顶住压力加倍投入,最终带领谷歌凭借Gemini系列重夺领先。他坚信AI将超越火与电的革命性影响,通过递归自我改进极大降低创意实现门槛,这场"创造力民主化"浪潮或将解锁80亿人的认知潜能。
上海交大研究团队开发的VideoREPA是一种突破性的视频生成框架,通过令牌关系蒸馏技术将视频理解模型中的物理知识转移到文本到视频(T2V)扩散模型中。与传统方法不同,VideoREPA关注空间和时间关系的对齐,使生成的视频更符合物理常识。实验表明,这种方法在VideoPhy基准测试中将物理常识分数提高了24.1%,明显优于现有技术。该研究为创建更真实的AI生成视频提供了新思路,展示了理解能力与生成质量间的密切关联。
李飞飞的World Labs以"空间智能"重新定义AI,专注3D物理世界理解,4个月估值飙至10亿美元,获科技巨头集体押注。她揭示语言无法编码物理世界,而DNA双螺旋等突破性发现都源于三维空间的深度认知。
浙江大学和莫纳什大学研究团队开发了PM-Loss,一种用于改进前馈式3D高斯分布渲染的新型正则化损失函数。研究针对深度图在物体边界处的不连续性问题,通过预训练Transformer模型预测的点图提供几何先验知识,实现了更平滑、准确的3D场景重建。实验表明,PM-Loss在多个数据集上显著提升了渲染质量,PSNR提高至少2dB,特别改善了物体边界处的细节表现。该方法易于集成到现有模型中,无需修改架构,为3D视觉和图形学领域提供了新的研究思路。