人工智能在过去两年中改变了数字基础设施格局,但一直缺乏连接训练、推理和企业基础设施的参考标准。为解决这一问题,Zayo和Equinix发布了"业界首个AI基础设施蓝图"。
这一联合基础设施架构框架由通信基础设施提供商和数字基础设施公司共同制定,旨在定义下一代基础设施如何为AI工作负载提供动力。两家公司表示,新云服务商和AI提供商将获得一个框架,明确高容量网络、互联枢纽、训练和推理数据中心的作用,以及连接它们的清晰模型。
随着AI驱动的带宽需求预计到2030年将增长6倍,Zayo已投资于AI规模数据传输所需的光纤容量和新路线,包括承诺建设超过5000英里的新长途光纤路线。
Zayo首席产品和战略官Bill Long表示:"我们正在引入网络标准和数据中心最佳实践,使AI通信基础设施具有可扩展性、可扩展性,并为未来做好准备。"
AI基础设施蓝图从根本上指出,大规模AI跨越训练位置、分布式推理以及连接它们的网络和互联节点。该蓝图提供了这些组件如何组合的基础设施架构框架:Equinix作为连接网络、训练和推理基础设施的中性互联枢纽;Zayo作为高容量光纤和网络服务提供商,连接枢纽、数据源和工作负载。
其结果是为启动和扩展AI通信基础设施提供"清晰、结构化的路径",为新云服务商和生成式AI提供商提供实用的私有连接指导,以降低复杂性并加速部署。
该蓝图旨在大规模提供经过验证的蓝图,参考设计专注于在规模上重要的网络元素,减少试错并缩短AI训练和推理的上市时间。它基于Equinix和Zayo的云连接和IP对等经验,在关键网络层和元素方面提供实用指导,帮助企业为长期AI增长进行设计。它还使用通用术语为AI生态系统提供共同语言,使客户、合作伙伴和供应商在AI网络堆栈中保持一致。
Futuriom Research特约分析师Craig Matsumoto表示:"新云服务商和AI提供商面临着他们的雄心与支持所需基础设施之间日益扩大的差距,扩展网络是最棘手的挑战之一。AI基础设施蓝图通过描绘Zayo广泛的光纤骨干网与Equinix全球连接结构如何协同工作,为团队提供可重复的模型来扩展和支持边缘的低延迟推理,为行业带来急需的清晰度。在我们看来,这一蓝图标志着向跨通信基础设施扩展AI的通用模型迈出了关键一步。"
Equinix数字互联副总裁Arun Dev补充道:"随着企业竞相将AI投入运营,他们意识到成功不仅仅依赖于GPU。它需要分布式、高性能的连接,一直延伸到边缘。通过Fabric Intelligence,这些连接变得更加智能,具备实时发现、激活和优化功能,降低集成风险,加速扩展,并帮助确保AI部署与行业发展方向同步演进。"
Q&A
Q1:AI基础设施蓝图是什么?
A:AI基础设施蓝图是由Zayo和Equinix联合发布的业界首个基础设施架构框架,旨在定义下一代基础设施如何为AI工作负载提供动力,明确高容量网络、互联枢纽、训练和推理数据中心的作用及连接模型。
Q2:这个蓝图能解决什么问题?
A:该蓝图解决了AI基础设施缺乏参考标准的问题,为新云服务商和AI提供商提供清晰的部署路径,降低复杂性,减少试错,缩短AI训练和推理的上市时间,并提供共同语言使生态系统保持一致。
Q3:为什么现在需要这样的基础设施框架?
A:因为AI驱动的带宽需求预计到2030年将增长6倍,而新云服务商和AI提供商面临着雄心与支持所需基础设施之间日益扩大的差距,扩展网络成为最棘手的挑战之一,急需标准化的解决方案。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。