Red Hat近日宣布在AWS云上全面提供Red Hat Enterprise Linux for Workstations。
这是一个虚拟的Linux工作站,通过亚马逊的NICE DCV远程可视化协议、标准Web浏览器、Windows或者Mac瘦客户端可对其进行访问。Red Hat将该服务定位为适用于动画渲染或者数据可视化等处理密集型工作负载,而不需要相关的硬件成本。
这款工作站即服务产品支持AWS上的各种GPU加速硬件实例,并针对高性能、图形密集型工作负载进行了优化,与支持多种语言、数据库和工具的Red Hat软件开发堆栈相兼容。
Red Hat表示,客户可以利用现有的Red Hat Enterprise Linux生态系统,生态系统中包括来自独立软件供应商的数千个可以快速部署的应用。该服务可用于各种Amazon EC2实例,包括用于机器学习推理和图形密集型应用的G系列实例。
Red Hat副总裁、Red Hat Enterprise Linux总经理Gunnar Hellekson在一份声明中表示:“这种GPU加速和高性能基础设施的结合,将让艺术家、医学专家、科学家和工程师在世界任何地方都能够使用他们所需的功能、在低延迟环境中开展工作。无论是在本地还是通过云服务,Red Hat都能做到这一点。”
目前持有Red Hat Cloud Access的客户可以使用他们现有的RHEL for Workstations订阅在AWS上进行部署,无需额外许可,同时保留所有Red Hat支持和订阅权益。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。