惠普的O2O測(cè)試平臺(tái)采用了他們的RGS技術(shù),這項(xiàng)技術(shù)能夠?qū)⒁慌_(tái)物理的工作站實(shí)現(xiàn)虛擬化,由于工作站的特殊性,其虛擬化的方式有三種:第一種是將一臺(tái)物理工作站直接映射成為一臺(tái)虛擬工作站,交付給用戶遠(yuǎn)程使用;第二種是將CPU和內(nèi)存部分進(jìn)行虛擬化,而GPU保持直連;第三種是將整機(jī)所有設(shè)備都虛擬化,包括CPU、內(nèi)存、GPU,根據(jù)用戶需求進(jìn)行調(diào)用。由于工作站主要需要調(diào)用GPU資源,而GPU并不是能很好的進(jìn)行虛擬化,因此,第一種方式也是效率最高,性能損失幾乎為零的現(xiàn)階段最佳方式?;萜盏腛2O平臺(tái)正是采用這種方式部署。
用戶可以在各種線上、線下的購(gòu)買渠道了解到測(cè)試平臺(tái)的信息,提交測(cè)試申請(qǐng)之后,惠普會(huì)為需要測(cè)試的用戶開通相應(yīng)賬號(hào)和權(quán)限,用戶使用任意電腦就可以登錄到遠(yuǎn)程的工作站中,進(jìn)行測(cè)試,由于所有的計(jì)算都是在惠普測(cè)試中心的真實(shí)工作站上進(jìn)行,因此這個(gè)測(cè)試對(duì)于用戶所使用的電腦性能完全沒有要求,只要網(wǎng)絡(luò)出口帶寬達(dá)到2M即可。
這樣的測(cè)試方法打破了地域限制,降低了用戶測(cè)試成本,同時(shí)用戶選擇的空間也更大。
在完成初步測(cè)試之后,用戶仍然可以尋找惠普線下的體驗(yàn)中心,進(jìn)行進(jìn)一步的擴(kuò)展測(cè)試,以期達(dá)到最佳的運(yùn)行效果,目前,惠普在國(guó)內(nèi)擁有3家體驗(yàn)中心,而未來(lái)也將進(jìn)一步的進(jìn)行拓展。
在過去的一年中,惠普工作站獲得了巨大的市場(chǎng)增長(zhǎng),在移動(dòng)工作站和高端工作站領(lǐng)域,始終維持著市場(chǎng)占有率第一的位置,在高端工作站上還擁有了超過50%的市場(chǎng)份額,是工作站領(lǐng)域當(dāng)之無(wú)愧的市場(chǎng)老大。
今年惠普工作站也提出了四個(gè)關(guān)鍵字:高效、安全、移動(dòng)和云交付,相比于2013年的高效、安全、協(xié)作、云交付,移動(dòng)取代了協(xié)作,成為了新的潮流和趨勢(shì),因此,惠普除了打造更好更加輕薄的移動(dòng)工作站產(chǎn)品之外,也在致力于推動(dòng)RGS解決方案在企業(yè)中的應(yīng)用。比如說這樣的O2O測(cè)試中心,給用戶帶來(lái)極大便利的同時(shí),必然也在吸引一些行業(yè)用戶的注意,他們?cè)谒伎迹涸谖业钠髽I(yè)中,能否也部署這樣的遠(yuǎn)程工作站交付解決方案?
答案當(dāng)然是肯定的,惠普也為企業(yè)提供RGS的解決方案,如果企業(yè)需要構(gòu)建一套協(xié)作的遠(yuǎn)程的工作站平臺(tái),惠普能夠?yàn)檫@樣企業(yè)搭建這樣的平臺(tái)。
好文章,需要你的鼓勵(lì)
新加坡國(guó)立大學(xué)研究團(tuán)隊(duì)開發(fā)了SPIRAL框架,通過讓AI與自己對(duì)弈零和游戲來(lái)提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡(jiǎn)單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無(wú)需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊(duì)開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動(dòng)駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語(yǔ)言模型雖然表現(xiàn)出"頓悟時(shí)刻"現(xiàn)象,但這些自我糾錯(cuò)行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時(shí)無(wú)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(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動(dòng)態(tài)稀疏性實(shí)現(xiàn)大語(yǔ)言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時(shí)顯著提升訓(xùn)練效率,已在多個(gè)任務(wù)上驗(yàn)證有效性。