至顶网软件与服务频道消息: AWS近日透露了有关即将推出的集成数据中心硬件产品AWS Outposts更多细节。
AWS在11月公布了AWS Outposts,它实际上是一个本地数据中心系统,将成为VMware Cloud on AWS或者原生AWS云环境的扩展,有点类似于微软的Azure Stack产品,后者让企业能够在自己的数据中心运行微软Azure云服务。
有了AWS Outposts,客户就可以选择在本地运行AWS云,这一硬件系统将配备完全托管的、可配置的计算和存储机架,可以连接到亚马逊的公有云。
AWS计算服务副总裁Matt Garman在近日发表的博客文章中表示,该服务将如期在今年年底前上市。
Garman还透露了AWS Outposts最开始在本地运行支持的一些特定服务,并提供了一些用例场景。
AWS Outposts将支持众多用于计算任务的Amazon EC2实例,包括C5、M5、R5、I3en和G4,可以带或者不带存储选项。Garman表示,AWS Outposts还将支持本地的Amazon EBS卷。
同时,上市时支持的云服务包括用于容器化应用的Amazon ECS和Amazon EKS群集,用于数据分析工作负载的Amazon EMR群集,以及用于关系数据库的Amazon RDS实例,之后还将支持Amazon SageMaker和MSK。
Garman表示,AWS Outposts是金融服务、医疗、制造、媒体和娱乐等行业的理想选择。
他说:“最常见的情况之一,就是需要应用到最终用户或者现场设备的延迟控制在个位数毫秒级。客户可能需要在对精度和质量有要求的工厂车间运行计算密集型工作负载,还有一些客户拥有的图形密集型应用例如图像分析,需要对最终用户或者存储密集型工作负载进行低延迟的访问,这些负载会每天收集和处理数百TB的数据。客户希望将云部署与他们的本地环境进行集成,并使用AWS服务实现一致的混合体验。”
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。