


Welche Rechenzentrumsinfrastruktur muss für künstliche Intelligenz aufgerüstet werden?
Die aktuelle Dateninfrastruktur ist bereits in der Lage, den Zustrom von Cloud Computing, 5G-Netzwerken und Video-Streaming zu bewältigen, aber dies reicht möglicherweise nicht aus, um die neueste digitale Transformation zu unterstützen, die durch den vollständigen Einsatz künstlicher Intelligenz hervorgerufen wird.
Stattdessen erfordert die digitale Infrastruktur für KI möglicherweise ein völlig separates Cloud-Computing-Framework. Dieses neue Framework erfordert eine Neudefinition des bestehenden Rechenzentrumsnetzwerks basierend auf dem Standort bestimmter Rechenzentrumscluster und den Fähigkeiten, über die sie verfügen.
Technologieunternehmen halten mit dem Trend der künstlichen Intelligenz Schritt
Der kürzlich diskutierte Sprachsynthesizer ChatGPTAI für künstliche Intelligenz hat mehr als 1 Million Benutzer und wurde von Microsoft mit 10 Milliarden US-Dollar investiert. Darüber hinaus ging Amazon Web Services im November eine Partnerschaft mit StabilityAI ein und Google entwickelte ein ChatGPT-ähnliches System namens Lamda. Unterdessen hat Meta kürzlich eine Pause beim Bau seines Rechenzentrums angekündigt, damit das Unternehmen seine Serverfarmen neu konfigurieren kann, um den Datenverarbeitungsanforderungen der KI gerecht zu werden.
Der Datenverarbeitungsbedarf von Plattformen für künstliche Intelligenz ist so stark gewachsen, dass OpenAI, der Erfinder von ChatGPT, die Plattform ohne das bevorstehende Upgrade der Azure-Cloud-Plattform durch Microsoft nicht weiter betreiben kann.
Warum KI eine neue Dateninfrastruktur erfordert
Das „Gehirn“ einer KI-Plattform wie ChatGPT arbeitet über zwei verschiedene „Hemisphären“ oder „Lappen“, wobei erstere alle Daten extrahiert, die zur Erfüllung von Benutzerinhaltsanfragen erforderlich sind, letztere wiederum ermöglicht eine generative Plattform, die die Fragen der Benutzer „menschlicher“ beantwortet, sobald ihnen die Frage gestellt wird.
Das Training von Ye erfordert viel „Rechenleistung“, um alle Datenpunkte zu verarbeiten, die für die Generierung aller von ChatGPT erstellten Daten erforderlich sind. Im Wesentlichen extrahiert das Trainingsblatt Datenpunkte und organisiert sie innerhalb des Modells neu. Dieser Prozess erfolgt iterativ, und jedes Mal, wenn die KI-Einheit besser versteht, bringt sie sich selbst bei, die Informationen aufzunehmen und zu kommunizieren, was sie lernt, wie es ein Mensch tun würde.
Obwohl es ein interessanter Prozess ist, erfordert das Training von Ye nicht nur leistungsstarke Rechenleistung, sondern auch modernste Grafikprozessor-Halbleiter (GPU), um maximale Funktionalität zu erreichen. Darüber hinaus benötigt jede Infrastruktur, die sich auf das „Training“ einer KI-Plattform konzentriert, große Mengen Strom, sodass sich Rechenzentren in der Nähe erneuerbarer Energiequellen befinden müssen. Außerdem mussten ein neues Flüssigkeitskühlsystem sowie neu konzipierte Notstrom- und Generatorsysteme installiert werden.
Was die andere Hälfte des Gehirns der KI-Plattform betrifft, so hat das Inferenzblatt, das für die Beantwortung von Fragen innerhalb von Sekunden nach dem Stellen durch den Benutzer verantwortlich ist, seine eigenen Anforderungen, die von der aktuellen Dateninfrastruktur nicht erfüllt werden können. Die gute Nachricht ist, dass die derzeit angeschlossenen Rechenzentrumsnetzwerke diesen Bedarf decken können, die Einrichtungen jedoch aufgerüstet werden müssen, um die enorme erforderliche Rechenleistung bewältigen zu können. Diese Einrichtungen müssen sich auch in der Nähe des Umspannwerks befinden.
Die größten Cloud-Computing-Anbieter stellen derzeit bedürftigen Start-ups im Bereich künstliche Intelligenz Datenverarbeitungsfunktionen zur Verfügung. Sie sind bereit, diesen Service anzubieten, weil sie KI-Startups als potenzielle langfristige Kunden betrachten.
Und zwischen den großen Cloud-Computing-Unternehmen herrscht ein Stellvertreterkrieg. Sie sind wirklich die einzigen, die in der Lage sind, wirklich große KI-Plattformen mit unzähligen Parametern aufzubauen.
Das obige ist der detaillierte Inhalt vonWelche Rechenzentrumsinfrastruktur muss für künstliche Intelligenz aufgerüstet werden?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 18. Juni stellte Samsung Semiconductor kürzlich in seinem Technologieblog sein Solid-State-Laufwerk BM1743 der nächsten Generation für Rechenzentren vor, das mit dem neuesten QLC-Flash-Speicher (v7) ausgestattet ist. ▲Samsung QLC Solid-State-Laufwerk für Rechenzentren BM1743 Laut TrendForce im April hatten im Bereich der QLC-Solid-State-Laufwerke für Rechenzentren nur Samsung und Solidigm, eine Tochtergesellschaft von SK Hynix, die Unternehmenskundenüberprüfung bestanden diese Zeit. Im Vergleich zum v5QLCV-NAND der vorherigen Generation (Hinweis auf dieser Website: Samsung v6V-NAND verfügt nicht über QLC-Produkte) hat der Samsung v7QLCV-NAND-Flash-Speicher die Anzahl der Stapelschichten fast verdoppelt und auch die Speicherdichte wurde erheblich verbessert. Gleichzeitig ist die Glätte von v7QLCV-NAND gewährleistet

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist
