趨勢一:從桌面轉向數據中心
傳統(tǒng)的工作站應用場景是典型的終端計算場景,每一臺工作站都僅僅是最大化的釋放自身的性能資源,并且企業(yè)最終用戶需要在工位上布置龐大的工作站終端,即便有了移動工作站,其應用也是基于桌面計算,戴爾認為,未來工作站的應用將逐步向云端遷移,將工作站部署在企業(yè)數據中心中,一個機架式工作站虛擬成為若干臺虛擬工作站,分配給一個或者多個用戶使用,用戶通過VDI接入到后臺的虛擬機上,而桌面終端可以采用瘦客戶機甚至零客戶機產品,終端幾乎不承載任何計算工作,僅僅作為一個顯示、輸入輸出的交互終端。
這樣的模式能夠帶來幾種好處:
首先,用戶體驗幾乎不會發(fā)生變化。這種方案從整體的IT架構來看,已經發(fā)生了巨大的變化,承載計算的設施完全位于數據中心中,但從企業(yè)最終用戶的層面來看,終端的用戶體驗幾乎不會發(fā)生變化,終端在屏幕上看到的仍然是一臺正常運行的工作站,所有的界面、使用完全一致,企業(yè)用戶如果原來使用的是Windows 7加上AutoDesk的解決方案,現在仍然是這樣,不會有任何變化。
其次,安全得到更大體現。原有的桌面工作站,數據完全保存在終端上,對于一些設計敏感數據,企業(yè)的控制力實際上是非常弱的,而建立虛擬化的工作站運行模式之后,所有的數據保存在數據中心中,企業(yè)對數據實現了完全的掌控,而物理硬件丟失的情況也基本完全杜絕。
第三,更好的協(xié)作辦公。在終端工作站模式下,團隊協(xié)作相對是比較困難的,動輒上百兆的設計文件,也很難實現共享和互聯互通,組織會議討論也并不方便,而利用虛擬化,不論是在平板電腦還是智能手機上,都可以實時演示工程文件,同時由于文件都保存在服務器上,企業(yè)內交流零延時,所有擁有權限的用戶可以實時查看相關數據,溝通的復雜性降低,溝通效率大大提升。
第四,支持多設備。虛擬化完全拓展了工作站在終端交付的模式,不僅僅是傳統(tǒng)的PC、工作站上可以運行虛擬工作站,在瘦客戶機、零客戶機,甚至智能手機和平板電腦上,都可以運行,由于計算被交付到后端,前端不承載計算任務,實際上大大拓展了工作站的終端形態(tài)。
最后,更高效的工作流。新的虛擬化模式能夠幫助企業(yè)建立更有效的管理和運營流程,實現高效的業(yè)務流程,縮短業(yè)務交付周期。
趨勢二:自由的獲得高質量的創(chuàng)造。
未來,用戶需要能夠自由的擁有極強的設計內容創(chuàng)造能力,這就像醫(yī)生,也許菜刀也是一種刀,但顯然手術刀會更加適合于醫(yī)生動手術,盡管仍然有大量的用戶使用傳統(tǒng)PC這樣的菜刀來完成工程設計,但是毫無疑問,工作站這樣的手術刀將更能夠幫助用戶達成目標。同時,用戶對于工作站性能的要求是永無止境的,未來用戶也會要求性能更加強勁的工作站產品,幫助他們更快的完成工作,幫助他們實現創(chuàng)意的不間斷進行。此外,用戶還對移動有著強烈的需求,他們需要更加輕薄的工作站產品,來滿足移動辦公的需求,工作站并不僅僅是固定在工位上的產品。
趨勢三:創(chuàng)造關鍵業(yè)務。
一方面,企業(yè)需要能夠挖掘更多的創(chuàng)意潛能,不讓IT成為創(chuàng)意的阻礙,激發(fā)更多的創(chuàng)意靈感,另一方便,企業(yè)用戶需要實現更加流暢的創(chuàng)意過程,盡可能的消除傳統(tǒng)設計環(huán)節(jié)中“渲染”等打斷創(chuàng)意的流程。企業(yè)需要實現更高的生產力,在單位時間內創(chuàng)造出更多的價值。
為了應對工作站未來的這些趨勢,戴爾將致力于打造更高可用性的產品。除了不斷采用業(yè)界最頂級的硬件配置之外,戴爾還提供了很多的性能優(yōu)化交付方案,比如DPPO(Dell Precision Performance Optimizer,戴爾Precision工作站性能優(yōu)化工具),這是戴爾的工程師與各大ISV攜手打造的智能性能優(yōu)化工具,比如說企業(yè)用戶將會在戴爾的工作站上應用ProE,那么,DPPO的作用就是將工作站的各項參數設置成為為ProE進行最大程度優(yōu)化,應用DPPO,戴爾甚至可以實現在同一個硬件平臺上,50%以上的軟件效能提升。
此外,戴爾還在工作站中引入了大量人性化的設計元素,比如類膚質的材質,輕薄小巧的機身,更靈活的硬件選配方案等等,讓工作站擁有更好的體驗。
而在虛擬化上,戴爾更是一騎絕塵,他們的Precision R7610已經成為工作站虛擬化的旗艦,基于R7610的解決方案可以實現1:1直到1:4的虛擬機配置,讓設計工作顯得更加高效。
好文章,需要你的鼓勵
浙江大學團隊提出動態(tài)專家搜索方法,讓AI能根據不同問題靈活調整內部專家配置。該方法在數學、編程等任務上顯著提升推理準確率,且不增加計算成本。研究發(fā)現不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學研究團隊提出SIRI方法,通過"壓縮-擴張"交替訓練策略,成功解決了大型推理模型"話多且準確率低"的問題。實驗顯示,該方法在數學競賽題上將模型準確率提升43.2%的同時,輸出長度減少46.9%,真正實現了效率與性能的雙重優(yōu)化,為AI模型訓練提供了新思路。
南洋理工大學與騰訊聯合研究團隊開發(fā)出Rolling Forcing技術,實現AI視頻實時流式生成的重大突破。該技術通過滾動窗口聯合去噪、注意力錨點機制和高效訓練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質量視頻,延遲僅0.76秒,質量漂移指標從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內容創(chuàng)作開辟新可能。
華中科技大學研究團隊發(fā)現,通過讓AI模型學習解決幾何問題,能夠顯著提升其空間理解能力。他們構建了包含約30000個幾何題目的Euclid30K數據集,使用強化學習方法訓練多個AI模型。實驗結果顯示,幾何訓練在四個空間智能測試基準上都帶來顯著提升,其中最佳模型達到49.6%準確率,超越此前最好成績。這項研究揭示了基礎幾何知識對培養(yǎng)AI空間智能的重要價值。