当ScottsMiracle-Gro公司决定部署SAP HANA时,它面临了很多种选择。对于任何一家企业来说,他们要回答的一个最大的问题就是,要不要一次性把全部的应用都迁移到HANA上?或者分阶段来实施?在刚刚结束的SAP Sapphire 2014大会上,我们采访了Scotts Miracle-Gro公司的BI主管SriniMuddala,他将为您解读如何看待这一问题。
Srini Muddala:HANA对于我们来说完全是一个全新的事物,所以我们不可能一次把所有的应用全都迁移到HANA平台,因为我们也不知道最终的结果会如何。因此我们采用了两段式的部署方式,首先我们要观察HANA的表现如何,它能帮助我们实现那些目标,这是第一阶段要做的事。另外很关键的一点是,我们还需要评估HANA与之前遗留系统之间的结合情况,二者是否能够和谐共存。
因此,在第一阶段我们针对所有的公司高管展示了HANA究竟能做什么,让高管对HANA现有一个清楚的认识。一旦实现这一目标,第二阶段就能够更轻松地完成。
当然,阶段性地部署SAP HANA可能会带来额外的开销,但我们没有选择SAP或第三方合作伙伴来进行部署。所有的项目全部是对内的,尽管这种方法会比一次性部署更花时间更贵,但相信部署其他家的软件也差不太多。
它主要是取决于你的数据,如果你的数据量不是很大的话,那么就没有理由选择阶段性部署。在我们公司,我们一共有4TB的数据,这个量就是相对比较大的了,而且在4TB数据基础上,我们还有许多不同的数据模型,如果一次性部署的话就会涉及到很多改动,因此我们最终选择了阶段性部署的方式。
好文章,需要你的鼓励
TPU与GPU之间的竞争正在重塑AI硬件市场格局。GPU基于并行处理,能处理多样化任务,而TPU专门针对张量矩阵运算进行优化。谷歌TPU采用类似RISC的设计理念,通过限制功能来提升特定运算效率。随着Meta计划在2027年采购数十亿美元的TPU芯片,Anthropic宣布使用百万TPU训练Claude模型,TPU生态系统正在获得发展动力,对英伟达的GPU霸主地位构成挑战。
Meta与华盛顿大学联合研究团队开发出无需人类标注的AI评判官自我训练框架。该方法通过生成合成对比数据、自我判断筛选和反复学习,使110亿参数的AI评判官在多项视觉语言任务中超越GPT-4o等大型模型,成本仅为传统方法的1%,为AI自主学习和评估开辟新路径。
本文提出2026年AI发展十大预测,包括AI估值修正、投资泡沫持续、AGI不仅依赖大语言模型、AI代理将加剧工作替代等。作者强调社会接受度对技术发展的重要性,认为成功企业将重构运营模式以AI为核心,同时指出政府仍将重视STEM教育而忽视社会科学的价值。
华中科技大学团队开发出4DLangVGGT技术,首次实现AI系统对4D动态场景的语言理解。该技术突破传统方法需要逐场景训练的限制,能跨场景通用部署。系统结合几何感知和语义理解,不仅能识别物体还能描述其时间变化过程。实验显示在多项指标上超越现有方法1-2%,为机器人、AR/VR、智能监控等领域提供重要技术支撑。