Volumez 已更新其面向容器化应用的云端块存储配置服务,通过其数据基础设施即服务 (DIaaS) 产品来支持生成式 AI。
该公司表示,其技术可以最大化 GPU 利用率并实现 AI 和机器学习 (ML) 流水线的自动化。现有的数据传输和 AI/ML 基础设施部署流程常常受到存储效率低下、GPU 利用率不足、资源过度配置、系统性能不平衡、成本增加、管理复杂以及工具集成度差等问题的影响,这些都会消耗 AI 团队的带宽并延迟项目进度。
Volumez 的首席产品和业务官 John Blumenthal 在 1 月份硅谷举行的 IT Press Tour 会议上指出,AI/生成式 AI 工作负载需要在密集的基础设施中集中计算和存储能力。这样可以在减少硬件扩张的同时实现可持续性、成本效益和能源优化。
Volumez DIaaS 建立在对云服务提供商基础设施即服务 (IaaS) 产品的深入理解之上,旨在为 AI 工作负载创建均衡的基础设施。这包括基于声明式和组合式 NVMe/TCP 实例的存储基础设施。它使用 Linux 内置服务,且数据路径中没有存储控制器。
背景是像 AWS 和 Azure 这样的公有云出租计算和存储资源,它们并不会主动优化客户如何高效均匀地使用这些资源。Volumez 通过在公有云优化自身资源与客户需求之间的区域运营来盈利,帮助客户从性能、成本和简单运维方面优化这些资源的使用效率。
如图表所示,Volumez 为其块存储提供了比 AWS 实例更好的性价比:
它可以从数据科学家的笔记本电脑上设置 AWS 或 Azure 数据基础设施,将 Volumez 作为 PyTorch 库导入并自动计算存储基础设施需求。
Volumez 表示,MLPerf Storage 基准测试显示其基础设施表现良好。
Blumenthal 表示,AI 工作负载需要在可承受的成本下平衡高容量、高带宽和高性能,他声称 Volumez 可以做到这一点。他表示这提高了 GPU 利用率 - 减少了数据等待时间 - 从而提升了基础设施的训练和推理效率。
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。
加利福尼亚大学和萨里大学研究团队开发了一种创新的AI系统,能够仅通过简单的手绘素描就在复杂照片中精确识别关键点。这项技术突破了传统机器学习需要大量同类数据的限制,实现了真正的跨模态学习。系统在动物关键点识别任务中达到了39%的准确率,超越现有方法约5个百分点,并且在真实手绘素描测试中表现稳定。该技术有望在生物学研究、医疗诊断、工业检测等多个领域找到广泛应用。
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。
约翰霍普金斯大学发布DOTRESIZE技术,通过最优传输理论实现AI大模型智能压缩。该方法将相似神经元合并而非删除,在保持性能的同时显著降低计算成本。实验显示,压缩20%后模型仍保持98%性能,为AI技术普及和可持续发展提供新路径。