至顶网软件与服务频道消息:作为展示自家公有云计算平台功能的理想机会,Amazon Web Services本周通过在拉斯维加斯召开的年度盛会re:Invent大会,公布了关于原有客户F1公司以及两家全新客户的云合作项目。
作为赛车领域毫无争议的王者,F1公司正在利用AWS技术进行赛车模拟,用以指导赛车的具体设计。此项研究工作主要涉及一个流体动力学计算项目,旨在模拟赛车在赛场上的空气动力学性能,从而指导设计师对其中的某些关键性部分做出改进。
在赛车性能当中,最重要的差异因素之一就是空气动力学设计带来的下压力。F1赛车在某些情况下(例如靠近另一辆赛车时)往往会导致下压力损失,进而使驾驶员很难拉近与对手的距离并规划超车。例如,当一辆赛车距另一辆车一个车位时,其损失的下压力比例将高达50%。
通过模拟液体或者气体对物体所造成的影响进行计算的流体动力学,允许F1的工程师们更仔细地观察近距离状态下赛车间的气流如何相互作用。他们进行了数千次模拟测试,用以观察不同设计的效果。在改进之后,如今在落后一个车位的情况下,后车的下压力损失已经被控制在15%。
新车将在2021年F1赛季内推出,其中包含全新的车身设计与前翼形状、经过简化的悬架、新的后端布局、车底走线以及车轮尾迹控制装置。此外,新的F1赛车还将首次采用18英寸轮毂配合低操纵轮。
F1方面表示,凭借着AWS强大的计算能力,包括多个高性能计算集群与一系列服务,再加上数据存储方案Amazon Simple Storage Service以及用于设计及优化的机器学习工具AWS SageMaker,最终令赛车性能模拟成为可能。
F1公司首席技术官Pat Symonds表示,“在AWS上运行空气动力学模拟可以说是F1历史上最具革命性的项目之一。以往,没人能专设计超车场景下的气流影响调整赛车设计;但在现在的CFD项目当中,我们开始研究在尝试超车时,后车上的哪些设计元素有望进一步提高成绩。我们已经能够利用AWS技术理解在多辆赛车近距离行驶时那种极为复杂的空气动力学属性,也为由此给赛车性能提升带来的巨大推动作用感到高兴。”
在相关报道当中,亚马逊方面还公布了另外几家新的主要云客户。其中包括Best Western International公司下辖子公司Best Western Hotels & Resorts。该公司在全球范围内经营有4500多家酒店。Best Western方面表示将全面采用亚马逊云,逐步将整个信息技术基础设施迁移至AWS当中。
AWS方面在一份声明中指出,“Best Western Hotels & Resorts将把其全部关键业务应用程序迁移至AWS,包括酒店预订系统、客户奖励平台以及全球联络中心,同时计划在2020年年底之前将这些应用程序彻底迁出自有数据中心。”
Best Western公司指出,他们将利用多项AWS服务提升自身运营效率,包括用于满足其主体数据库需求的Amazon Aurora以及用作数据仓库的Amazon Redshift。该公司表示,此举有望提升其基础设施容量并加快酒店预订操作的处理速度。
与此同时,总部位于瑞典的在线金融服务供应商Klarna Bank AB则表示,他们已经选择AWS作为其“首选云服务供应商”。当然,这一表述指AWS将成为其主要云服务供应商,但并不一定是唯一一家云合作伙伴。
Klarna指出,他们计划利用AWS基础设施推出多种其他产品,包括一项“Klarna开放银行”服务,允许在线商家与电子商务企业借此建立起自己的在线支付设施。他们还将利用SageMaker等机器学习服务帮助商家训练并构建可用于识别及管理风险、实时预测信用评分的机器学习模型。
Klarna公司首席技术官Koen Koppen在一份声明中指出,“我们与AWS之间的合作,使我们能够以安全且无缝的方式快速创新,最终打造出客户所需要的全新服务及应用程序。我们期待着继续利用AWS丰富的云服务组合开发出新的灵活支付 服务,帮助消费者对自己的财务资源保持全面控制,同时支持商家构建起更加便捷顺畅的支付解决方案。”
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。