ZDNet至顶网软件频道消息:伴随着2001年x86平台虚拟化技术在服务器上的应用,13年来服务器虚拟化已经在政府及各类企业中大量普及。近年来,桌面虚拟化也随之得到广泛认可。自从英特尔公司提出革新性架构IDV智能桌面虚拟化后,传统VDI架构桌面虚拟化困扰教育、医疗、呼叫中心等众多行业难以实现简便管理、快速部署IT环境的问题迎刃而解。
网络瓶颈
VDI架构虚拟桌面,在服务器与瘦客户端交互数据时,无论客户机向服务器,还是服务器向客户机传递的都是用户操作时画面变化的矢量值,并不是真实数据信息,所有信息计算均在服务器端完成。大量VDI桌面同时运行时,可将局域网带宽完全占满甚至阻塞,导致用户传递画面时需要排队,甚至有大量丢包延迟现象发生。红山(Halsign)桌面虚拟化vTop采用的IDV架构,用户虚拟机镜像全部利用本地PC机资源,只有在用户镜像数据下载,用户数据上传是分时占用网路带宽。正常使用操作系统时,并不与管理服务器之间通信,所以不占用带宽。因此即使在不连接管理服务器时,vTop也可正常开机办公。
负载管理能力
由于VDI虚拟桌面全部运行在服务器端,当多个VDI桌面同时运行时,需要服务器能做出快速反应,IOPS可以高性能输出,服务器负载端对VDI最大支持度仅有30-50台,后端还需要挂载高性能存储方可正常运行。如果桌面点数很多时,服务器以及高性能存储数量就需要成倍增加。而基于IDV技术架构下的红山桌面虚拟化vTop由于所有数据、图形运算都在本地进行,大大减少了对网络以及服务器设备的依赖。如若有需要存储用户数据时,可随时挂在单台大容量存储即可。如若用户不需要存储用户个人数据,那么单台服务器在高负载情况下可同时管理1000台以上的vTop终端。
用户体验
教育、医疗以及呼叫中心行业均有着大量终端桌面同时运行的实际需求。VDI桌面在如此明确需求下略显乏力。由于VDI虚拟桌面对网络带宽的占用远大于普通桌面所占用带宽,负载管理能力的压力过大。VDI桌面仅能在50个终端桌面需求中可以发挥出色的体验效果,当桌面大于50个终端时体现性呈线性衰减。而基于IDV架构的vTop桌面无论有多少终端,体验性都可以根据终端配置有不同的体验效果,完全不依赖网络及服务器。
综上所述,IDV桌面同VDI桌面不是针锋相对,而是继承与发展。IDV桌面虚拟化完成了VDI产品的替代,满足了教育、医疗及呼叫中心等行业的实际需求。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。