至顶网软件频道消息: 刚刚与大众汽车公司(Volkswagen AG)达成重大的基础设施协议,AWS马不停蹄地又在今天推出了让企业在使用其云平台时更具灵活性的新功能。
主要亮点是一款名为AWS Deep Learning Containers的软件包,它由来自开源生态系统的主流人工智能工具组成,AWS将这些工具打包到Docker容器中,使其可以轻松部署在不同类型的AWS计算实例上。这么做的目的是为了让工程师在短短几分钟时间内,就能设置好基于云的人工智能开发环境。
Deep Learning Containers还打包了很多提高AI性能的优化。例如,AWS预打包版本的TensorFlow深度学习框架,可以训练神经网络使其速度提高到最初版本的两倍,而这主要是通过允许软件更有效地在AWS云平台将工作分布到不同图形卡上实现的。
TensorFlow是这次AWS发布Deep Learning Container仅支持的两款AI工具之一,另外一个工具是Apache MXNet。Amazon表示,未来还将支持更多框架。
AWS人工智能总经理Matt Wood表示,Deep Learning Container旨在帮助企业利用优化的、预打包的容器图像快速设置深度学习环境,“我们希望让机器学习不再那么深奥难懂”。
此外,AWS还针对Redshift数据仓库的一款新自动化工具,旨在减少客户的管理开销。这个名为Concurrency Scaling的机制可以在出现使用高峰时分配额外的处理能力,并在需要时取消额外资源配置。AWS还借这次机会正式宣布App Mesh网络监控工具全面上市。
除了以上这些新功能之外,AWS还推出了三个基础设施选项,主要针对那些希望削减云支出的企业。第一个是Glacier Deep Archive,是AWS S3对象存储服务中的一个新层,旨在保护不常访问的数据如财务审计日志等。它比AWS为此类用例提供的现有S3 Glacier Archive层便宜75%。
此外AWS还发布了M5a和R5a计算实例系列的新版本,这些实例于去年11月份推出,采用了AWS的芯片,比基于英特尔至强处理器的AWS设备成本低10%。
据AWS介绍,M5a和R5a节点可以配置75GB到3.6TB的直连NVMe闪存驱动器,由于非常靠近底层物理服务器,因此访问速度要高于常规存储。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。