ZDNet至顶网软件频道消息:对于大数据战略,IBM一直把它看做公司整体战略极其重要组成部分,不久前更是与苹果公司达成一项排他性合作,把大数据和分析能力引入苹果的iPhone和iPad。在IBM大数据战略及解决方案中,Platform Computing处于什么地位?它的特点和优势对于IBM大数据战略的影响是什么?ZDNet记者近日采访了IBM大中华区系统与科技部研发中心总监谢东。
谢东表示,IBM的大数据理念是提供一个完整的解决方案,其中包括硬件系统、硬件管理、大数据运算平台、大数据分析软件。Platform一如它的名字——平台,核心任务是负责对资源进行整合、调度,确保上层应用能够访问底层资源,Platform Computing处于中间层。
作为一个平台,Platform Computing实际上跨越了好几个环节,包括数据的采集、数据的存储以及在这之上的大数据运算。在这之中,Platform Computing要充当管理职能,为这些系统提供快速响应以及合理、高效的应用。
Platform助力大数据与云计算结合
对于Platform Computing应用来说,哪里数据多、对大数据需求旺盛,哪里就是Platform Computing的用武之地。金融、电信、气象、公共安全都是Platform Computing迅速发展的领域。在应用方面谢东特别强调,大数据与云计算的结合是Platform Computing非常显著的一个应用场景。大数据和云计算并不是割裂开的,很多用户需要的,是在云上构建一个大数据解决方案,而Platform Computing提供多租户的概念,使得客户可以在云的平台上构建几个大数据集群,不仅灵活使用,而且可以更高效地利用硬件资源。
为进一步介绍大数据与云计算结合的典型应用,谢东还列举了Platform Computing与SoftLayer的结合实例。如果某一个用户用Platform Computing建立了大数据方案,但是它在某一个阶段运算资源不够,不需要额外购买硬件。实际上IBM的Platform Computing可以给用户提供一个与SoftLayer结合的解决方案,使运算资源无缝扩展,不需要对应用、体验进行任何修改,用完以后还可以退租回来。
Platform成为软硬件优化调和剂
在IBM收购Platform之后,其实已经改变了Platform Computing单纯作为一个软件产品的产业形态,IBM把Platform Computing并入硬件部门,这也就意味着Platform Computing在软硬件优化方面有着极大的优势,也被赋予重大的责任。
对于此,谢东提到了几个月前IBM发布的Power 8服务器。Power8有一个显著的特点,那就是从硬件平台的角度为大数据应用而设计,反过来思考,IBM也需要从软件平台的角度把硬件性能充分利用起来。为了实现这一目的,Platform Computing起到了关键作用,它对Power 8服务器与其他存储设备的资源整合进行了深度融合。
在这种融合当中,其实应用场景是不同的,有的是运算密集型,有的是存储密集型,有的要求高带宽,有的需要大内存和快速响应。针对不同的应用,实际有不同的优化方案,在这方面Platform Computing都可以根据用户不同的需求,根据应用所选用的硬件平台做出适当的优化,使整个系统在一个最优的状态下运行。
大数据平台与已有系统无缝对接
其实在国内,最近一两年已经出现众多Platform Computing的成功案例,对此,谢东也进行了详细介绍。以电信为例,话费详单查询的应用需要考虑不同的查询条件以及历史查询的需求,导致数据量很大,而且这些数据还处于快速增长的态势下,这时候可以采用IBM的大数据平台进行查询。解决方案可以跟电信部门当前业务系统进行连接,让业务系统得到实时数据,然后为用户提供实时的详单查询。
而气象领域更是一个非常典型的应用场景。气象领域需要做数据收集、转换、分析的工作,实际上就需要大数据的处理能力。比如从卫星上获取的数据,如何把这些数据进行更好的处理,同时更快为用户提供查询访问,并进行预报,这也是一个典型的大数据应用。
在这些应用场景中,IBM的大数据平台解决方案会尽量让用户采用已有的系统进行无缝连接,使用户在原有业务基础上拓展到大数据平台,这点已被IBM重点考虑。另外,当用户建立的大数据系统面对持续不断的数据量增长的时候,系统仍然能够无缝的随着业务需求扩展能力和能量。这也是谢东特别强调的一点。而因为同时具有与类似SoftLayer公有云结合的能力,谢东也表示,用户部署的大数据系统与自身的云系统也可以紧密结合。
在采访的最后,谢东也再一次强调了Platform Computing的三大优势:首先,完整性,整个大数据平台从设计开始是一套完整的系统,是集成化的;其次,性能。IBM的大数据平台在实时响应、快速处理等方面有严苛的要求;最后,是容易被大家所忽略的,那就是整个系统的开放性和兼容性。Platform Computing的设计理念就是一个跨平台的、面向不同应用的产品,既有IBM的应用,众多应用场景、分析软件都跑在Platform Computing平台上,系统的开放性、兼容性非常好。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。