Nutanix推出了一款即插即用的交钥匙GPT“魔盒”,供客户在其超融合软件平台上运行大型语言模型人工智能工作负载。
GPT(Generative Pre-trained Transformer)是一种机器学习大型语言模型(LLM),它可以解释文本请求和问题,搜索多个源文件,并通过文本、图像、视频甚至软件代码输出进行响应。受ChatGPT模型的启发,世界各地的组织都在考虑采用LLM如何改善营销内容创作,使聊天机器人更好地与客户互动,为普通研究人员提供数据科学家的能力,并在这样做的同时节省成本。
IDC基础设施系统、平台和技术集团高级研究分析师Greg Macatee表示:“通过GPT-in-a-box,Nutanix为客户提供了一个交钥匙、易于使用的的人工智能用例解决方案,为那些在生成式AI采用方面遇到困难的企业提供了更简单的部署途径。”
Nutanix希望通过构建一个软件堆栈,包括Nutanix云基础设施、Nutanix文件和对象存储,以及Nutanix AHV虚拟化管理程序和具有Nvidia GPU加速功能的Kubernetes(K8S)软件,让客户更容易试用和使用LLM。其云基础设施本身就是一个软件堆栈,包括公共或私有云中的计算、存储和网络、虚拟化程序和容器。据说,GPT魔盒可以从边缘到核心数据中心部署并进行扩展。
GPU加速涉及Nutanix的Karbon Kubernetes环境,该环境支持Kubernete之上的GPU直通模式。它还没有扩展到支持英伟达的的GPU Direct主机的处理器旁路协议,以实现GPU服务器对存储驱动器的直接访问。
Nutanix产品管理高级副总裁Thomas Cornely表示:“Nutanix GPT魔盒是一款专为人工智能准备的堆栈,旨在解决生成人工智能采用方面的关键挑战,并帮助加速人工智能创新。”
我们已经询问了“这个有见解的人工智能就绪堆栈”一词的含义,但尚未得到回复。
Nutanix还提供服务,帮助客户通过开源深度学习和MLOps框架、推理服务器以及一组精选的LLM(如Llama2、Falcon GPT和MosaicML)来确定集群规模并部署其软件。
数据科学家和机器学习管理员可以通过选择应用程序、增强的终端UI或标准CLI来使用这些模型。GPT魔盒系统可以运行其他GPT模型,并通过使用从Nutanix文件或对象存储访问的内部数据对其进行微调。
让Nutanix感到欣慰的是,最近的一项调查发现,78%的客户可能会在Nutanix云基础设施上运行他们的AI/ML工作负载。这也印证了IDC上面的支持性引用。
Nutanix希望我们认识到通过其在以下方面的参与,它在AI和开源AI社区中具有可信度:
参与MLCommons(AI标准)咨询委员会
共同创立并在定义ML存储基准和医学基准方面担任技术领导
担任云原生计算基金会(CNCF)Kubeflow(MLOps)培训和AutoML工作组的联合主席
好文章,需要你的鼓励
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。