让社会信任 AI 需要什么条件?每一个由 AI 算法产生的决策、预测和洞察都取决于数据的可用性和质量。为了充分发挥 AI 的潜力,数据必须被有效且高效地存储。换句话说,数据支撑着 AI,而存储则支撑着数据。这种赋能是相互的:AI 也在强化当今的存储创新以满足其需求。
要理解 AI 如何帮助创造更好的存储解决方案,我们首先要研究它与数据的关系。AI 数据存在于数据生成和消费的循环中,更多高质量、多样化的输入数据会带来更智能的模型和更好的结果。在这个循环中,AI 成为数据创造的倍增器,对大容量存储解决方案的需求也在显著增长。
然而,差距依然存在。基于 IDC 2024 全球数据圈研究的希捷分析显示,2024 年至 2028 年间,数据将以 25% 的速度增长,而存储设备的安装基数预计增长较慢,年复合增长率为 17%。
希捷描绘的数据生成和消费的无限数据循环。
这种差距对企业有商业影响:组织需要制定长期容量规划,确保其数据存储基础设施已准备好将未来的机遇转化为价值。
存储密度的进步使得在规模上满足 AI 数据存储不断增长的需求成为可能,同时最大限度地减少占地面积扩张和资源影响。例如,面密度的进步已经带来了每碟超过 3TB 存储容量的硬盘,提高了能源效率,并降低了每 TB 的碳排放。
AI 在这项创新中既是原因也是结果:AI 推动了数据存储设计的改进,这反过来又帮助组织在 AI 处理中最大化利用他们的数据价值。
例如,希捷正在使用 NVIDIA 技术来满足不断增长的 AI 存储需求,并开发下一代 Mozaic 硬盘。通过与 NVIDIA 合作,希捷优化工作流程,提高效率、性能和可扩展性。这种合作专注于模拟工作流程的各个方面,包括模型构建、解决方案算法、后处理和可视化任务。
通过解决传统 CPU 模拟和繁琐工作流程导致的存储硬盘设计流程中的重大挑战,团队能够加快硬盘设计速度。通过 GPU 加速计算加快电磁模拟,还实现了缩短数据存储设计生命周期、改善上市时间和符合可持续发展目标的目标。
通过更多前期产品建模和设计优化,公司可以处理更复杂的模型,减少原型制作和物理测试,降低设计过程中的能源消耗,并开发更节能的存储解决方案。
这种方法的好处也延伸到利益相关者,例如为所有人培养敏捷性和竞争力。客户可以更快地获得下一代硬盘创新,更早优化运营,并实现更快的投资回报。合作伙伴受益于动态协作、加速市场覆盖和提高资源效率。随着 AI 的兴起导致数据存储需求增长,技术合作伙伴关系有助于确保行业能以更快、更节能的解决方案引领发展,并满足 AI 的存储需求。
硬盘行业对这些创新并不陌生。几十年来,它一直走在将 AI、机器学习 (ML) 和其他先进技术整合到产品开发和制造过程的前沿。这种投入在当前部署在生产线上的众多 AI 解决方案中得到了证明。这些解决方案不仅提高了一线工作人员的效率,还实现了更快的问题解决。
随着数据存储的边界不断被推动,科技行业正准备采用下一代更快、容量更大和更节能的存储解决方案。这些创新将满足 AI 时代对数据存储不断增长的需求。通过这些新进展,技术领导者不仅跟上了当今的数据存储需求,还在塑造其行业的未来。
好文章,需要你的鼓励
OpenAI研究科学家Alexander Wei宣布,公司一个未发布的实验模型在国际数学奥林匹克竞赛中解决了六道题目中的五道,获得42分中的35分,达到金牌水平。该模型展现出类似人类数学家的推理能力,能够构建复杂严密的论证。这标志着AI在创造性问题解决方面的重要突破,不过该技术预计数月内不会公开发布。
约翰霍普金斯大学与StepFun公司联合研究,成功让AI学会"边看边思考"的视觉推理能力。通过两阶段训练方法,先让AI在文字推理中掌握认知行为,再迁移到视觉任务中。开发的OVR模型在多项测试中创造新纪录,为AI教育助手、医疗诊断、科研分析等应用奠定基础。
本文探讨了判断AI是否达到通用人工智能(AGI)和人工超级智能(ASI)水平所需的问题数量。目前缺乏确定的测试方法来评估是否达到顶级AI水平。基于图灵测试的分析,作者提出仅通过少量问题难以全面评估智能水平。参考美国国会图书馆主题标引(LCSH)的40万个主题领域,如果每个领域提出1万个问题,将需要40亿个问题来全面测试AGI。这种大规模测试虽然在逻辑上合理,但在实际操作中面临巨大挑战。
阿姆斯特丹大学研究团队开发出"缓存驾驶"技术,通过修改AI模型的键值缓存而非重新训练,让小型语言模型瞬间获得大模型的推理能力。该技术仅需一次调整就能让模型展现逐步推理行为,计算开销几乎为零,在多个推理基准测试中表现优异,还能实现推理风格迁移。