表演艺术的世界与 Keith Nolan 和皇家芭蕾舞团和歌剧院 IT 团队日常工作中的比特、字节和 IT 基础设施完全是两个不同的领域。
作为皇家芭蕾舞团和歌剧院的技术交付主管,Nolan 表示:"如今可以说任何企业都依赖于 IT 运营,因此我们有责任确保制定技术战略和数字战略,使顾客能够购票观看演出。"
Nolan 在最近接受 Computer Weekly 播客采访时表示,创新技术可以用来降低成本,这意味着可以将更多资金投入到打造世界级演出中。他说:"我们可以把资金用在公众期望的地方,比如精美的服装、精彩的表演、优秀的艺术家,以及在舞台上展示英国的艺术形式。"
该场馆此前被称为伦敦考文特花园的皇家歌剧院 (ROH),但其全称实际上是皇家芭蕾舞团和歌剧院。
Nolan 表示,线上数字体验是皇家芭蕾舞团和歌剧院的重要组成部分。"我们有商店、餐厅,白天对公众开放,人们可以随时来参观。我们是一个公共景点。我们需要大量的数字体验,以及销售点系统和数字标牌等系统,这些都让我们的场所对伦敦的游客更具吸引力。"
疫情推动根本性变革
新冠疫情导致的封锁对艺术界产生了深远影响,而技术帮助其适应了观众在后疫情时代的新期待。在疫情期间获得发展的技术发展之一就是流媒体播放。
在疫情期间,Nolan 表示皇家芭蕾舞团和歌剧院开始通过社交媒体、YouTube 和 Instagram 分享内容:"我们觉得需要与我们的观众、全国以及舞蹈和歌唱社区保持联系,在我们都待在家里的艰难时期,尽力回馈一些东西。"
像典型的企业一样,皇家芭蕾舞团和歌剧院需要后台功能,如 IT 支持、人力资源和财务,这些都依赖于 IT 基础设施。
皇家芭蕾舞团和歌剧院是 Nutanix 的客户。在疫情之前,它运营着两个大型数据中心。Nolan 说:"我们开始与 Nutanix 合作的原因是,像大多数组织一样,我们意识到无论是拥有私有数据中心还是完全存在于云端,我们的总体拥有成本都相当高。"
"Nutanix 通过混合部署一些皇家芭蕾舞团和歌剧院的核心 IT 基础设施,使 IT 团队节省了资金。迁移到 Nutanix 使皇家芭蕾舞团和歌剧院的数据中心成本降低了 25%。[使用 Nutanix],我们可以从两个数据中心缩减到一个,这节省了大量成本。"
皇家歌剧院和芭蕾舞团还将其 Azure 和 AWS 云实例整合到仅使用 AWS,并使用 Nutanix 的 NC2 对其公共云资源进行精细控制,从而进一步节省 IT 成本。
流媒体播放
IT 团队还与负责向英国各地影院播放演出的广播团队合作。Nolan 说:"广播到影院涉及大量的 IT 基础设施。" IT 团队需要维护互联网连接、防火墙,以及他所说的广播系统中的"精确时间协议等高级功能"。
一年前,ROH 流媒体服务启动。Nolan 表示,这项服务将舞台录制的演出通过视频点播平台进行播放:"就像 Netflix 或 Amazon 的订阅者一样,你可以在 Amazon Fire stick、Apple TV 或 Google TV 上下载应用程序,观看我们的内容。能够与观众分享这些内容真的很令人兴奋。"
皇家芭蕾舞团和歌剧院还运营着一个学习平台,并设有专门的部门为英格兰各地的教师提供教育内容,向学校播放关于如何唱歌和跳舞的课程计划和视频指导。
未来展望
在 Nolan 认为令人兴奋的技术中,他看到了应用人工智能 (AI) 和自动化进一步降低制作成本的机会。皇家芭蕾舞团和歌剧院已经使用虚拟现实头显来帮助艺术总监预览舞台灯光效果。
Nolan 表示,在 2 月份的巴塞罗那 ISE 展会上,他看到了一些非常有趣的技术,这些技术可以自动追踪舞台上艺术家或演员的动作:"以前,让计算机追踪芭蕾舞者的动作是不可能的:他们在跳跃、旋转,移动非常快。"
但他看到的技术结合了演员的线框模型和 AI 摄像头。"当表演者在舞台上移动时,智能 AI 被用来预测并随之移动灯光,"他说。对 Nolan 来说,这非常强大,意味着皇家芭蕾舞团和歌剧院未来可以有更多的灯光选择,这意味着观众能看到更好的演出。
当人们观看皇家芭蕾舞团和歌剧院的演出时,没有人会想到 IT。它是一个后台功能,支持着皇家芭蕾舞团和歌剧院呈现演出所需的一切。Nolan 说:"我们一直在寻找能够降低总体拥有成本的技术。"
但对 Nolan 来说,节省 IT 成本使皇家歌剧院和芭蕾舞团能够专注于"我们真正擅长的事情,那就是呈现世界级的精彩演出"。
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。