今日,在博通首屆亞洲媒體峰會上,博通基礎設施與網(wǎng)絡集團執(zhí)行副總裁兼總經(jīng)理Rajiv Ramaswami認為,云級數(shù)據(jù)中心和4G LTE是未來拉動基礎設施擴容的典型需求。
一開始,Rajiv就分享了一系列數(shù)據(jù)。他指出,預計到2018年,全球網(wǎng)民將占總人口數(shù)85%。其中,2013年到2018年,移動數(shù)據(jù)流量將增長11倍;到2018年,4G LTE將占移動流量的51%,網(wǎng)絡流量將達190EB,無線連接設備將達100億。
而4G LTE擴容拉動了基礎設施的增長,從2012年-2013年,LTE營收同比增長65%,2016年,LTE智能手機的比例超過80%;而到2017年,LTE的基礎結構收入將達150億美元。
在Rajiv看來,網(wǎng)絡的基礎設施需求量大,并表示未來云技術驅(qū)動IT增長,到2013年~2016年云服務支出預計將達6,770億美元。
為此,博通提供全方位的產(chǎn)品組合,Rajiv介紹,其優(yōu)勢在于:技術指導,產(chǎn)品組合選擇多樣,促進采用新服務。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。