5月26日,2022中国国际大数据产业博览会(以下简称“数博会”)在线上举办。华为高级副总裁、华为云CEO张平安在开幕式主题演讲中表示,面对数字经济加速发展的机遇期,应发挥数据的集聚规模效应,加快数智融合并重塑数据价值,让更多基础设施、技术以及经验云化、服务化,聚焦一切皆服务,“抢数字新机,享数字价值”。
(图)华为高级副总裁、华为云CEO张平安于数博会开幕式发表主题演讲
让数据资源在集聚中实现效益最优
为响应国家“东数西算”工程,把握数字经济加速发展战略机遇期,华为云已在贵州布局全球总部和最大的云数据中心,全力支持贵州打造“中国数谷”。华为云贵安数据中心依托贵州有利的气候、能源、环境等优势,积极实践绿色理念和应用智能技术,为全球客户打造“绿色云服务”。其中,贵安数据中心能效比PUE仅1.12,处于业界领先水平,满负荷运行的情况下,预计每年可节省电力10.1亿度,减少碳排放81万吨,相当于年植树3567万棵,积极响应了“碳达峰”、“碳中和”的绿色发展理念。目前,该数据中心已投入商用,未来的规模将达到100万台服务器。
华为云贵安数据中心重点打造了高可靠、高能效、低碳数据中心集群,不断提升算力服务品质和利用效率,通过大数据、云数仓、云数据库、云存储、云渲染等云解决方案,支持更多伙伴和客户将业务搬迁至华为云,畅享云服务。华为云构建的海量云资源,保障着许多影视、汽车、生物医药等行业的高计算和高数据资源消耗需求,例如《长津湖》等电影大片的制作,已使用了华为云“万核渲一图”的澎湃算力,极大地缩短了影视后期制作的周期。
用“数智融合”重塑数据价值
在数字时代,数据已经成为了重要的生产要素和资产,但目前数据的价值仍未充分得以利用。一方面,许多企业缺少科学高效的数据治理方案,另一方面,数据作为AI的基础,如何在AI分析过程中充分发挥数据价值,促进“数智融合”仍是业界难题。以汽车电池生产工艺优化为例,相关工艺涉及1000多个制程,如开发一个AI模型,则需要把电池生产线的运行数据、企业经营的业务数据、以及电池的使用数据汇聚到一起,经过几周的数据处理再进行AI训练,导致AI模型难以快速地验证、迭代。
华为云认为,“数智融合”是数据价值重塑的引擎。为实现“数智融合”,应以AI驱动数据治理,让数据自主有序地流向可以产生最大价值的地方;同时,让数据在AI开发过程中无缝流转,使AI开发更高效。为此,华为云着力打造数智融合云平台,打通数据治理生产线、AI开发生产线,构建统一的开发环境、统一的元数据管理、统一的存储,让数据开发效率由“周”级提升到“小时”级,大幅降低数据存储成本,让数据和AI开发进入现代化的生产阶段。
一切皆服务,让千行百业真正用好云
目前,在千行百业的数字化转型过程中,每一家企业在资源上云、应用上云和深度用云的实践进展各不相同,往往也会面临“不会上,用不好”的挑战。为此,华为云提出了“一切皆服务”的战略,把基础设施、技术以及经验云化、服务化,致力于帮助千行百业的客户容易上云、方便上云、用好云。例如,不少企业缺乏专家和训练数据,未能有效地将AI能力与业务场景结合,因此难以快速开发出AI应用。为此,华为云将AI、大数据、音视频等核心技术云化,集成海量开发工具,让所有客户随取随用,高效开发。
同时,华为云持续深耕政府、金融、工业等行业,将华为与伙伴、客户的合作创新以及数字化转型经验沉淀成为云服务,已陆续开放了50多个应用场景,提供超过2万个API服务,让更多企业就不必重复造轮子,通过云服务即获得全行业最优秀的数字化经验。
面向未来的智能世界,华为云将持续创新,携手客户、合作伙伴和开发者,以云原生的思维践行云原生,实现全数字化、全云化、AI驱动,深耕数字化,一切皆服务。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。