佛罗里达州的创业公司 Lonestar Data Holdings 计划在月球上建立灾难恢复 (DR) 服务基地,并将在即将进行的 Intuitive Machines IM-2 商业月球着陆任务中测试一套小型服务器硬件设备。
Intuitive Machines 首次尝试的 IM-1 航天器月球着陆取得了部分成功,尽管飞行器侧翻着陆限制了其功能,但它确实成功实现了与月球表面之间的数据传输。IM-2 任务将使用 Athena 着陆器,其中将搭载 Freedom IT 设备,Lonestar 称其为"首个地外数据中心和首个月球数据中心"。虽然这个"数据中心"实际上只包含一个运行 Ubuntu Linux 的 RISC-V 微处理器和一个 Phison SSD,这种说法可能有些夸大,但这是一个开始。IM-2 飞行器计划于 2 月 26 日搭乘 SpaceX 火箭发射,发射窗口将持续数天。
总部位于佛罗里达州的 Lonestar 由董事长兼首席执行官 Chris Stott 于 2018 年创立,旨在从月球提供灾难恢复和弹性即服务等数据服务。其理念是月球不受地球自然灾害的影响,因此可以提供更安全的数据存储环境。Stott 在 LinkedIn 上表示,他一直从事航天、卫星和电信领域的工作。Lonestar 的网站充满热情,谈到要发射一系列性能不断提升的多 PB 级数据存储航天器环绕月球。
Freedom IT 设备采用由丹麦建筑师 Bjarke Ingels 领导的建筑设计集团 BiG 设计的 3D 打印外壳。据称其外观"反映了 NASA 宇航员 Charlie Duke (阿波罗登月者) 和 Nicole Stott (空间站太空行走者) 的轮廓"。在月球着陆器中的小型计算机系统会投入资源设计一个外壳,这似乎有些意外,因为一旦装入 Athena 飞行器并装载到 SpaceX 发射火箭中,就再也看不到了。可能 Lonestar 想要通过这个设计来吸引人们的想象力。
该公司表示,Freedom 载荷已经接待了多个存储和边缘计算客户,但未提供具体细节,并称本次任务的容量"已经售罄"。
Phison 此前曾有一款 8TB M.2 2280 SSD 获得 NASA 技术就绪度 6 级 (TRL-6) 认证。该公司正与 SpaceBilt 合作,计划在今年晚些时候向国际空间站 (ISS) 发送世界首个 100+ TB 数据存储和边缘计算系统——大型太空服务器 (LiSS)。
评论
月球数据中心为地球上的组织提供全球灾难恢复服务这一概念作为避免地球灾害的方式确实有其价值,但存在几个"但是"。
数据中心的物理基础设施需要运输到月球并在那里安装和维护。尽管地球到月球的货物运输费用已经下降,但这些费用——以及月球上的建设和安装费用——可能仍然比在地球上建设同等设施要昂贵得多。
即使月球提供了比地球更安全的环境,它也有自己的困难,比如极低的温度,以及没有大气层防御太阳辐射和陨石。通过将灾备站点设在偏远的地下煤矿或分布在地球表面的各个地点,地球上的风险是可以得到缓解的,这可能使得月球灾备变得不那么必要。
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。