6月11日-13日,OAGS2023 开放原子全球开源峰会在京举行。作为开源行业年度盛事,本次峰会以“开源赋能,普惠未来”为主题,聚集政、产、学、研等各领域优势,汇聚顶尖大咖,共话开源未来。浪潮KaiwuDB CTO 魏可伟受邀出席峰会并做《构建“快人一步”的AIoT数据库》主题分享,结合数据库技术中的分布式、HTAP、多模、AI4DB等关键技术潮流及物联网时代的创新数据场景,与在场行业专家、技术爱好者共同探讨数据库在新一波产业浪潮中的发展趋势。
(图:KaiwuDB CTO魏可伟发表主题演讲)
据数据显示,截至2022年全球共计拥有130亿台物联网(IoT)设备,且这一数字还在迅速增长,预计四年内完成翻倍。到2030年,全球预计将有3/4的“哑”设备实现联网。与此同时,所有的联网设备都有一个巨大的副产品——数据,这就意味着物联网将成为数据爆炸的奇点。IDC报告显示,物联网设备产生的数据从2013年的0.1ZB增长到2020年的4.4ZB,7年之内增长了50倍;这一数据将在2025年到达79.4ZB,增速惊人。魏可伟表示,创建和部署物联网设备的企业正在面临前所未有的数据管理能力挑战:他们不仅需要思考如何高效使用物联网设备,也要思考如何处理井喷式增长的物联网数据,包括海量时序数据采集,时序数据与事务数据集成,数据高效管理以便轻松访问调用,数据整合分析及可视化呈现等等,然而往往这种数据量级的存储和处理是传统数据管理方法无法负荷的。
KaiwuDB在实践中发现,物联网领域的数据管理场景不仅对数据库提出了海量时序数据处理需求、水平扩展需求、高基数的需求,还有与高价值关系型数据深度融合的需求,云边端协同的需求,快速响应进行实时控制的需求,用AI进行趋势分析及辅助决策的需求等等。作为一款分布式、多模、支持云边端协同的AIoT 数据库产品,KaiwuDB拥有"就地计算"专利技术,基于MMIO(内存映射)技术实现“所存即所用”,支持百万级数据秒级入库,千万记录查询毫秒级响应,1 秒完成20亿记录数据探索,10秒完成500万记录数据15层下钻,切实保障IoT场景海量时序数据的高速入库、急速查询。KaiwuDB多模架构支持时序数据、内存数据、关系型数据在同一数据库中统一存储、处理及AI智能分析,基于统一的算子和通信协议实现模型的自动选择和自动转换,可实现“以一当五”。同时,KaiwuDB还具有SQL支持、数据压缩、智能预计算、订阅发布、集群部署等特性,及高可用、低成本、易运维等特点。
从实践中来,到场景中去。魏可伟还分享了KaiwuDB牵手山东某重工企业联合打造的离散制造业IIoT解决方案,切实有效地帮助该集团厂区建设了统一设备数据采集服务能力、数据压缩及分级存储能力、设备运行状态实时分析、启停控制、循环参数调整能力等。帮助厂区形成工厂级数据共享机制,实现数据驱动运营管理效率的大幅提升。
履践致远,开物成务。作为国内数据库产业的新生力量,KaiwuDB挖掘AIoT领域需求,深耕物联网产业不断衍生的创新数据场景,努力成为更懂物联网的数据库;但又不止着眼于物联网,在国家政策关注的数字能源、数字政务、金融等多行业也已成功实现落地。在国内外开源生态大踏步发展的今天,KaiwuDB也将努力加强自身技术创新,携手生态内的伙伴探索更多可能性,推动数据库产业持续发展,共创数据新价值。
好文章,需要你的鼓励
微软正与OpenAI进行高级谈判,旨在确保即使OpenAI实现通用人工智能后仍能继续使用其技术。据报道,双方谈判进展积极,可能在几周内达成协议。该协议将为OpenAI向完全商业化企业转型扫清关键障碍。微软已投资137.5亿美元,希望在重组后的公司中获得更大股份,谈判涉及30%左右的股权比例,同时确保Azure和Copilot等服务的技术供应安全。
这项由Midjourney团队主导的研究解决了AI创意写作中的关键问题:如何让AI既能写出高质量内容,又能保持创作的多样性和趣味性。通过引入"偏差度"概念和开发DDPO、DORPO两种新训练方法,他们成功让AI学会从那些被传统方法忽视的优秀独特样本中汲取创意灵感,最终训练出的模型在保持顶级质量的同时,创作多样性接近人类水平,为AI创意写作开辟了新方向。
AI初创公司Arcee.ai发布45亿参数的企业级AI模型AFM-4.5B,采用严格筛选的清洁数据训练。该模型专为商业和企业用途设计,年收入低于175万美元的企业可免费使用。相比数百亿参数的大模型,AFM-4.5B在保持强劲性能的同时具备成本效益和监管合规性。模型支持云端、本地和边缘部署,内置函数调用和智能体推理功能,旨在满足企业对速度、主权和规模的需求。
上海AI实验室联合多所高校开发出VisualPRM系统,这是首个专门用于多模态推理的过程奖励模型。该系统能像老师批改作业一样逐步检查AI的推理过程,显著提升了AI在视觉推理任务上的表现。研究团队构建了包含40万样本的训练数据集和专门的评估基准,实现了在七个推理基准上的全面性能提升,即使是最先进的大型模型也获得了5.9个百分点的改进。