年前,全國最大的云加速服務提供商迅雷發(fā)布了《迅數(shù)榜——2014中國云加速年度報告》,本報告從網(wǎng)絡運營商、區(qū)域、時間、資源種類等不同角度展示和總結了2014年全國云加速下載峰值速度的的數(shù)據(jù)表現(xiàn)。同時,基于在云加速領域所具有的最大用戶規(guī)模,迅雷通過發(fā)布本次數(shù)據(jù)榜單,結合國家正在實施的“寬帶中國”戰(zhàn)略,對中國的云加速網(wǎng)絡環(huán)境發(fā)展和用戶的上網(wǎng)體驗做了總結分析和趨勢預測。
一、全國下載峰值速度再創(chuàng)新高
截止2014年末,全國平均下載峰值速度為847KB/S,較2013年末同比增長14.9%,較2014年第三季度環(huán)比穩(wěn)定增長2.9%,再創(chuàng)“迅數(shù)榜”發(fā)布此類數(shù)據(jù)以來的新高。這表明,隨著“寬帶中國”戰(zhàn)略的落地,特別是寬帶城市建設繼續(xù)推動光纖接入的普及,2014年國內(nèi)整體帶寬基礎的建設取得了較好的發(fā)展。據(jù)工信部的最新數(shù)據(jù),光纖接入(FTTH/0)用戶已占寬帶用戶總數(shù)的34.1%,8M以上、20M以上寬帶用戶總數(shù)占寬帶用戶總數(shù)的比重分別達40.9%、10.4%,比2013年分別提高了18.3、5.9個百分點。本次年度數(shù)據(jù)表明2014年網(wǎng)民上網(wǎng)體驗提升明顯。
二、全國各區(qū)域云加速峰網(wǎng)絡發(fā)展不均衡
從全國大區(qū)域的數(shù)據(jù)表現(xiàn)來看,從東往西,云加速下載峰值速度呈遞減趨勢。相較于2014年年中,中部、西部云加速下載峰值速度分別相當于東部的81%、78% ,到2014年年末,該占比已上升為83%、80%,這表明,中西部與東部經(jīng)濟發(fā)達地區(qū)的云加速下載峰值速度差距正在緩慢縮小,并且這個差距隨著國家政策的傾向性支持將會進一步縮小。
從省級地區(qū)的數(shù)據(jù)對比來看,香港的云加速下載峰值速度依舊突出,港澳臺地區(qū)優(yōu)勢明顯。依托較大的寬帶建設投入及已有的良好基礎,北上廣、山東、浙江等地區(qū)繼續(xù)穩(wěn)居內(nèi)地速度榜前列,而四川省14年度的下載速度增長迅速,同比增長超過23%。據(jù)了解,四川于2014年7月發(fā)布了《“寬帶中國”2014專項行動意見》,明確了4項目標,成都等城市也成了“寬帶中國”的示范城市,這是促使四川省在2014年度云加速下載峰值速度增長迅速的主要原因。
重點城市方面,北上廣深、天津等一線或準一線城市的下載峰值速度表現(xiàn)依舊良好。廈門、成都、烏魯木齊、寧波等城市同比增長明顯,表明這幾個城市在2014年的寬帶建設上取得較好的成績。值得注意的是,廈門、成都都入選了2014年“寬帶中國”示范城市,而這些示范城市的后續(xù)寬帶建設及發(fā)展值得期待。
三、全國性基礎網(wǎng)絡運營商提速壓力依舊較大
電信、聯(lián)通、移動三大基礎性運營商的下載峰值速度穩(wěn)定增長,由于寬帶建設起點高的原因,移動的下載峰值速度同比增長明顯,顯示出后發(fā)的追趕優(yōu)勢。從全國范圍看,長寬等較小運營商的云加速峰值速度高于三大基礎運營商,這受益于新運營商和小運營商新建寬帶的帶寬起點較高及優(yōu)惠營銷活動拉動大批新增用戶的作用。由此可見電信和聯(lián)通兩大全國性基礎網(wǎng)絡運營商的固定帶寬提速壓力依舊較大。
四、公共WiFi速度ChinaNet領先
本次的“迅數(shù)榜”也首次發(fā)布了全國三大運營商的公共WiFi速度對比。中國電信的ChinaNet平均下載速度達468.3KB/S,高于中國移動CMCC及中國聯(lián)通的ChinaUnicom。據(jù)了解,公共WiFi的相關數(shù)據(jù)來源于迅雷“雷鋒WiFi”產(chǎn)品,做為迅雷在2014年度推出的重點產(chǎn)品,“雷鋒WiFi”的主要產(chǎn)品功能點是能快速地、無時長限制免費連接ChinaNet和CMCC等公共WiFi、其分享拿現(xiàn)金的營銷激勵也備受行業(yè)及用戶關注。
五、高清資源云加速下載需求愈加旺盛
做為領先的云加速技術服務提供者,迅雷云加速在下載大容量數(shù)據(jù)時加速效果尤其明顯,本次的榜單數(shù)據(jù)正是印證了這一點。與去年年底的數(shù)據(jù)相比,云加速下載的高清和全高清視頻占比快速提升,由2013年的12%提升到21%,隨著網(wǎng)絡帶寬的增長、大屏終端的普及、用戶跨端需求的增加等,用戶對高清視頻及其它大容量數(shù)據(jù)的云加速需求愈來愈明顯,預測高清以上視頻的下載占比將會持續(xù)提升。
除了發(fā)布年度的云加速下載峰值數(shù)度數(shù)據(jù),本次榜單也發(fā)布了迅雷云加速平臺的年度相關數(shù)據(jù),如年度的總下載量達64億GB之巨、最大的下載文件為888GB等。
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。