Nov, 2023

规模计算 —— 对数据中心行业的广泛研究

PDF
TL;DR这篇报告描述了数据中心行业以及其对人工智能开发的重要性，重点介绍了数据中心的关键特征、全球行业规模和重要市场，并涵盖了重要参与者、商业模式、主要输入和典型位置。
data center industryai developmentlarge-scale compute clusterscoolingsecurity and reliability
发现论文，激发创造
  • 超越效率：可持续扩展人工智能

    AI 的碳排放问题及效率优化的机会和可持续性

    Jun, 2024

  • 大数据系统应对机器学习挑战：向大数据科学服务发展

    介绍大数据科学中使用云计算作为一种实用且成本效益高的解决方案，着重分析软件堆栈的建设模块，为数据科学家提供大数据分析应用的普及服务，为该领域的最新发展和挑战提供各种见解。

    Sep, 2017

  • 数据中心的人工智能：一项调查

    本文综述了数据驱动人工智能的必要性，以及针对训练数据开发、推理数据开发和数据维护三个方面的代表性方法，同时讨论了该领域的挑战和各种任务的基准，并提供了一份数据驱动人工智能资源列表。

    Mar, 2023

  • 可扩展、分布式 AI 框架：利用云计算提高深度学习性能和效率

    本文全面研究了利用云计算的可扩展和分布式人工智能框架以提高深度学习性能和效率的关键方面，包括数据存储和管理、优化策略、模型部署与服务等，并讨论了云计算人工智能的挑战、限制和未来研究方向。

    Apr, 2023

  • 以数据为中心的人工智能：观点与挑战

    本文讨论了数据在构建 AI 系统中的作用，强调了数据质量和可靠性的重要性。作者提出三个任务：培训数据开发、评估数据开发和数据维护，并列举了一些挑战和展望。

    Jan, 2023

  • 实现机密计算：针对大数据分析和人工智能的安全云架构

    介绍了一种安全的云计算架构，描述了如何在保持数据、逻辑和计算在传输过程中的安全、使用和静止状态的情况下，实现工作流打包和调度。

    May, 2023

  • 计算机学习的三个时代的趋势

    本文研究现代机器学习中指导进步的三个基本因素：计算、数据和算法。我们着重研究了计算这一因素在训练中的变化趋势，并发现自从深度学习的出现以来，训练计算的扩展速度加快，大约每 6 个月翻倍一次。此外，我们还将计算在机器学习中分为三个时代：深度学习前，深度学习时代和大规模时代。总体上，我们的工作强调了训练高级机器学习系统所需计算的快速增长。

    Feb, 2022

  • AI 技术考虑事项：数据存储、云使用和 AI 管道

    这篇论文介绍了人工智能，特别是深度学习对大量数据进行训练，测试和验证的需求，以及在对数据进行标注方面实现图像生物库的重要性，并讲述了在实现合适的图像数据集合时，需要考虑法律局限和云计算等多方面，最终提出了一种基于混合云实现 AI pipelines 的解决方案。

    Jan, 2022

  • 云端数据密集型超级计算：卫星图像全球分析

    本文介绍了在商业应用中使用云计算支持卫星图像的数据密集型分析的经验和使用自己的虚拟文件系统层演示的结果，证明与 HPC 存储系统相当的读取带宽，并展示了研究结果，包括在乌克兰识别田界和基于 Landsat 图像生成全球无云基础层。

    Feb, 2017

  • 边缘云计算的规模化生成人工智能概览

    本文概述了生成人工智能和边缘云计算的最新发展，并利用两个示例应用程序讨论了使用边缘云协作系统扩大其解决方案的技术挑战。最后，我们列出了在规模上训练和部署 GenAI 系统的设计注意事项，并指出了未来的研究方向。

    Jun, 2023