3月18日,在2024年全国两会闭幕后,深圳市南山区前海自贸区迎来了博大数据深圳前海智算中心的开园仪式。这不仅是“人工智能+”行动的重要一环,也将成为粤港澳大湾区新质生产力的孕育摇篮。大咖齐聚鹏城,共谋合作共赢。

政企领导致辞,共谋深圳人工智能发展新篇章
深圳市南山区政府副区长蹇娜,深圳市工信局信息基础设施处副处长温标荣,深圳市南山区科创局副局长董少林,清华大学教授、博士生导师、深圳市人工智能学会副理事长李秀,中国南山集团副总经理赵建潮,金百泽科技董事长武守坤,京东云数据中心技术负责人王榕辉,博大数据CEO张永健,博大数据副总裁及前海项目负责人李亚等政企重要领导莅临本次活动。
在致辞发言中,深圳市南山区政府副区长蹇娜强调了人工智能在新质生产力发展中的核心作用,以及博大智算中心对于深圳市算力设施建设的重要支撑。清华大学教授、博士生导师,深圳市人工智能学会副理事长李秀从教育的角度讨论了人工智能如何提升工作、学习和科研的效率和质量,博大数据CEO张永健随后又从企业角度,分析了智算中心在AI+时代的关键作用,引发全场共鸣。博大数据副总裁及前海项目负责人李亚为大家揭秘了智算中心,究竟“智”在何处。
发言亮点
蹇娜:此次博大数据前海智算中心的开园,为南山区乃至深圳市的算力设施建设提供了重要支撑。前海智算中心将深度融入南山和前海的产业与经济发展中,与南山和前海同频共振,携手共荣。

李秀:AI+时代,博大数据深圳前海智算中心将以数据为中心,充分利用云计算、人工智能等前沿技术,为企业和社会提供更加智能、高效的服务,与合作伙伴共同携手,共同打造智慧产业生态,推动产业集群的智能化发展,助力智慧鹏城的建设,推动湾区数字经济的腾飞。

张永健:博大数据洞察前沿趋势,从最早的“领先的数字生态基础设施服务商”升级成为 “领先的算力融合基础设施服务商”,将以“基础设施+生态参与方+应用场景”的思路,引导技术、角色、应用场景全方位升级。

重磅开园+多个合作签约仪式,前海智算中心正式迈向新阶段
会上,博大数据深圳前海智算中心迎来隆重的开园仪式,博大数据的重要嘉宾、股东及高管团队共同登台剪彩。这标志着博大数据在智算行业开启了新篇章,将成为粤港澳大湾区培育新质生产力的“加速器”。
一朝开园,星耀前海,八方客户,云集而来。深之瞳、景安网络、天弛网络与博大数据前海智算中心正式签约。

战略伙伴,同心同行,和衷共济,开创未来。中建三局、鹏城时代、深信投、云天励飞、像衍科技、玄度时空云、青云成为前海智算中心的首批战略伙伴,商业模式和市场机会将在这里蓬勃涌现,智能算力将在更广泛领域走深向实。

智算中心“智”在何处?现场参观,近距离感受40,000P超大规模算力
博大数据深圳前海智算中心位于深圳市南山区前海自贸区,该项目基础设施投资20亿元,总面积超过5万平方米,整体规划容量约为15,000个标准机柜,并支持高功率深度定制,整体按照国家A级标准建设,一期可支持算力规模达40,000P,是深圳市在建规模、投入规模首屈一指的高等级智算中心。
前海智算中心聚焦“人工智能+”行动,不断培育新质生产力,充分发挥“智算”效能。前海智算中心的“智”主要体现在六个“高”,即高算力、高能效、高弹性、高管理、高可靠、高安全。不仅彰显了前海智算中心的技术优势,更映射出了博大数据强大的技术底蕴。

活动最后,博大数据高级副总裁陈亮引领来宾走进前海智算中心,深入了解智算中心的创新建设。近距离现场参观,体验科技魅力,与工作人员交流,奠定合作基础。
博大数据深圳前海智算中心的正式开园,为粤港澳大湾区这片创新热土带来新质生产力的源头活水。锚定高质量,勇闯深水区,浩渺行无极,扬帆但信风。更加澎湃的博大世界已近在眼前!
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
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。
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。
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。