XiaoMi-AI文件搜索系统
World File Search System超大规模
为合作做准备：超大规模战略
在医疗保健行业，与超大规模技术公司的合作越来越普遍。虽然这些合作的目标各不相同，但许多都基于利用数据分析和工具从每天生成的大量医疗保健数据中挖掘见解。梅奥诊所与谷歌的合作就是最近的一个例子。通过利用谷歌的自然语言处理工具和功能，梅奥诊所可以更准确、更高效地从电子健康记录中构建患者数据。结构化数据使临床医生能够更轻松地搜索和分析数据，这些功能使医院能够找到理想的临床试验患者并运行预测工具，以便尽早识别患病风险较高的患者。1 对于梅奥诊所来说，与谷歌的 10 年合作旨在成为“数字化转型的基石”，并将以一种重新定义医疗保健服务的方式将提供商和消费者聚集在一起。2
超大规模 MRAM 单元中的自旋和电荷漂移扩散
设计先进的单位形状各向异性 MRAM 单元需要准确评估具有细长自由层和参考层的磁隧道结 (MTJ) 中的自旋电流和扭矩。为此，我们通过在隧道屏障界面处引入适当的自旋电流边界条件，并采用局部依赖于电荷电流磁化矢量之间角度的电导率，将成功用于纳米级金属自旋阀的分析方法扩展到 MTJ。从而准确地再现了作用于自由层的扭矩的实验测量电压和角度依赖性。超大规模 MRAM 单元的开关行为与最近对形状各向异性 MTJ 的实验一致。使用我们的扩展方法对于准确捕捉 Slonczewski 和 Zhang-Li 扭矩贡献对包含多个 MgO 屏障的复合自由层中的纹理磁化作用的相互作用绝对必不可少。
通过以太网进行 RDMA，实现超大规模分布式 AI 训练
近年来，人工智能模型的计算密度和规模都快速增长，这推动了高效可靠的专用网络基础设施的建设。本文介绍了 Meta 用于分布式人工智能训练的融合以太网远程直接内存访问 (RoCE) 网络的设计、实现和运行。我们的设计原则涉及对工作负载的深入了解，并将这些见解转化为各种网络组件的设计：网络拓扑 - 为了支持一代又一代人工智能硬件平台的快速发展，我们将基于 GPU 的训练分离到其自己的“后端”网络中。路由 - 训练工作负载本质上会导致负载不平衡和突发性，因此我们部署了几次路由方案迭代以实现近乎最佳的流量分配。传输 - 我们概述了我们最初尝试使用 DCQCN 进行拥塞管理，但后来放弃 DCQCN 转而利用集体库本身来管理拥塞。运营 - 我们分享运营大型人工智能网络的经验，包括我们开发的工具和故障排除示例。
数据中心能耗
什么是超大规模计算？ 21 世纪初，超大规模数据中心兴起，这些庞大的设施从一开始就被设计成实现最高效率。这些设施通常由云计算和互联网巨头（如谷歌、Facebook、微软和亚马逊）以及数据中心提供商（专门设计和构建数据中心并将其出租给他人的公司）建造。超大规模解决方案将应用程序计算、软件和存储资源分离，使每个资源都能够根据业务需求独立扩展性能或容量。随着存储需求的增长，公司可以添加运行软件定义存储 (SDS)（也称为虚拟化）的服务器，以实现独立于底层硬件的基于策略的数据存储配置，并独立于应用程序层扩展容量。对于超大规模系统，随着新节点添加到系统，数据会自动分布在整个存储服务器集群中。相反，随着性能需求的增长，公司可以添加服务器来增加计算能力，而不受存储层的影响。超大规模转移场景涉及将较小的非超大规模数据中心中的许多服务器整合到巨大的超大规模数据中心中。超大规模数据中心由维护数千台服务器并存储大量数据的企业使用，到 2020 年，一些数据中心将达到百亿亿级（总存储容量为 1x10 18 字节）级别。考虑拥有数千台不同使用年限和效率水平的服务器的数据中心。当服务器插入电源时，它会在 24 小时内不间断地消耗电力，一年总共消耗 8,760 小时。这样的数据中心需要不断改进服务器机架设计和存储系统，以经济高效地应对能耗、用户数量、数据量和设备数量的大幅增长。
为什么网络分解应该出现在您的下一个 RFP 中
DriveNets 是大规模分解式网络解决方案领域的领导者。DriveNets 成立于 2015 年，致力于现代化服务提供商、云提供商和超大规模运营商的网络构建方式，简化网络运营，提高大规模网络性能，并改善其经济模式。DriveNets 的解决方案（Network Cloud 和 Network Cloud-AI）将超大规模云的架构模型调整为电信级网络，并通过标准白盒的共享物理基础设施支持任何网络用例（从核心到边缘再到 AI 网络），从根本上简化了网络运营，并通过超大规模弹性提供电信级性能和可靠性。DriveNets 的解决方案目前已部署在全球最大的网络中。
人工智能创新：实现自主人工智能的五大关键支柱
这正成为一个日益分散的领域，其中选择合适的硬件和软件的复杂性因需要不断更新、提升技能和重新评估您的 AI 产品组合而加剧。与超大规模提供商合作，作为战略顾问和云供应商，可以帮助您明确选择基础设施和 AI 模型。优秀的超大规模提供商将根据需要提供最新的 GPU，从而降低成本，同时还有助于减少不断重新培训团队以适应不断发展的基础设施和 AI 模型的需要。此外，利用云中的 AI 基础设施和服务，企业可以尝试尖端的 AI 技术，推动创新，而无需在内部构建基础设施。这让组织可以专注于开发 AI 解决方案，而不是管理底层硬件。
半导体工程中的 20 个 AI 用例
优化的 Xcelium Logic Simulation，回归速度提高 5 倍。它已被大多数顶级半导体公司以及超大规模、汽车和消费电子领域的大多数顶级公司所采用。（链接）
通信、媒体和技术领域的生成式人工智能
在开始生成式 AI 之旅时，选择合适的合作伙伴至关重要。考虑到生成式 AI 对 CMT 行业的重要性，Cognizant 投入巨资提供产品，将现代企业所需的 IT 服务、自动化和生成式 AI 功能整合在一起。Cognizant 还与 Google、Microsoft 和 Amazon Web Services 等主要超大规模企业建立了一流的合作伙伴关系，每个合作伙伴都为开发最佳生成式 AI 解决方案带来了独特的视角。Cognizant 对可用于特定用例的开源语言模型有着深入的了解。我们目前正在与多家 CMT 客户合作，与我们的超大规模合作伙伴一起规划他们的生成式 AI 之旅，我们希望在未来与您合作。