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
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。