看似整个世界都在依赖 AI 来提升未来效率,但从可持续发展的角度来看,这对地球究竟意味着什么?
高盛研究估计,到 2027 年,全球数据中心对电力的需求将比 2023 年增长 50%,这部分源于 AI 驱动应用和工作负载的激增、大语言模型(LLM)的使用以及支撑它们的大规模计算集群。
这很可能会给以绿色 IT 和碳减排为核心的企业可持续发展举措带来巨大压力。数据中心的根本任务是以更少的电力 —— 或至少不比用较小数据量处理时所用电力更多 —— 来存储、传输和处理更多数据。
这绝非易事,预计将是一段需要多年努力的漫长旅程。 Infinidat 认为,一个极好的起点便是那些安全托管所有信息的存储系统。您可以观看这段视频,听 Infinidat 首席市场官 Eric Herzog 与 The Register 的 Tim Philips 讨论公司如何计划为服务提供商和大型企业解决存储可持续性难题。
然而,这不仅仅是为了满足董事会对可持续性的期待和彰显绿色资质。数据中心运营商仍需确保收支平衡,这意味着绿色 IT 必须同时具备降低电力、制冷、回收以及数据托管设施保持正常运营所需的其他各项资源和流程成本的双重优势,同时最大限度地减少客户和利益相关者的停机时间。简而言之,只有配备合适的存储基础设施,才能在环保和经济效益之间寻找平衡。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。