作為計算機產(chǎn)品的一個分支,相信很多人對工作站缺乏了解,原因是這個產(chǎn)品的屬性有些偏向?qū)I(yè)級。不同以往傳統(tǒng)PC,工作站不再是一個簡單的,由一些高配硬件堆積成臺的機器,而是一個完整的獨立平臺。它是一種以個人計算機和分布式網(wǎng)絡(luò)計算為基礎(chǔ),主要面向?qū)I(yè)應(yīng)用領(lǐng)域,具備強大的數(shù)據(jù)運算與圖形、圖像處理能力,為滿足專業(yè)領(lǐng)域而設(shè)計開發(fā)的高性能計算機。
在行業(yè)應(yīng)用方面,工作站就以其強勁的數(shù)據(jù)處理能力和出色的運算能力區(qū)別與傳統(tǒng)PC。以影視動漫制作行業(yè)為例,電影視效處理意味著許多大數(shù)據(jù)量的工作將被處理。因為對精細(xì)度的要求較高,每一幀圖片的數(shù)據(jù)量都很巨大,而在對如此多的海量數(shù)據(jù)進行處理的時候,整體工作站解決方案的優(yōu)勢就體現(xiàn)了出來。
就在前不久亮相于2014年戛納電影節(jié)的3D動漫電影《龍之谷之破曉奇兵》,憑借高質(zhì)量的制作水準(zhǔn)和故事情節(jié)編排向人們展現(xiàn)了中國影視動漫產(chǎn)業(yè)近幾年飛速發(fā)展的成果。其中,聯(lián)想作為其制片公司米粒影業(yè)IT基礎(chǔ)架構(gòu)合作廠商,以ThinkStation為核心構(gòu)建的渲染集群完美地承擔(dān)了《龍之谷:破曉奇兵》從前端視覺設(shè)計,到后端渲染制作的重要任務(wù),組建了249臺ThinkStation專業(yè)圖形工作站為核心組成的強大渲染集群,其中入門級的ThinkStation E系列和主流的ThinkStation S30作為繪圖工作站,旗艦型的聯(lián)想ThinkStation D30工作站負(fù)責(zé)動畫擴展,而渲染和后期制作則是交給了ThinkStation C30。
米粒影業(yè)CTO徐喆談及與聯(lián)想的合作理由,“聯(lián)想ThinkStation工作站有著Think的高端品牌理念,絲毫不遜于國外產(chǎn)品,且通過聯(lián)想自主研發(fā),在各方面的技術(shù)領(lǐng)域已經(jīng)達(dá)到國際相當(dāng)高的標(biāo)準(zhǔn),這也是米粒影業(yè)選擇聯(lián)想ThinkStation工作站的主要原因。” 聯(lián)想ThinkStation不僅為米粒影業(yè)搭建了從前端視覺設(shè)計,到后端渲染制作的計算機硬件系統(tǒng),還解決了因制作周期短而帶來的時間成本和如何降低存儲、設(shè)備維護等帶來的挑戰(zhàn)。
聯(lián)想ThinkStation專業(yè)圖形工作站繼承了Think家族的高品質(zhì)表現(xiàn)出不凡實力。雙路英特爾至強四核處理器在開啟CPU超線程技術(shù)后,系統(tǒng)響應(yīng)速度大幅提升,全面加速前后端整體制作流程,而Kepler架構(gòu)NVIDIA Quadro顯卡可實現(xiàn)基于GPU的渲染硬件加速,能夠讓專業(yè)人員最大限度提升了畫面中人物、環(huán)境的逼真與還原度。同時,ThinkStation擁有效能出色的多路散熱設(shè)計,使其能夠在高負(fù)荷的集群工作條件下仍能穩(wěn)定運行。
作為3D動漫電影,《龍之谷:破曉奇兵》的制作對工作站的性能和品質(zhì)要求都極為嚴(yán)苛,制片高峰期時通常會出現(xiàn)超過2,000億次的數(shù)據(jù)請求,并要求100TB以上的7x24h全時數(shù)據(jù)存儲能力。作為中國動漫產(chǎn)業(yè)創(chuàng)新的視效幕后推手,聯(lián)想ThinkStation為3D動漫視效呈現(xiàn)提供了可靠助力。
據(jù)悉,《龍之谷:破曉奇兵》將于7月31日登陸中國各大影院,屆時不妨讓我們一同去品味聯(lián)想ThinkStation為我們帶來的精彩視效大戲。
好文章,需要你的鼓勵
新加坡國立大學(xué)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(xùn)練AI玩簡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。
同濟大學(xué)團隊開發(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)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)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(zhǔn)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(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)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(xùn)練效率,已在多個任務(wù)上驗證有效性。