在世界最快超级计算机500强排行中,Linux不仅占据主导地位,而且逐渐将对手远远甩在身后。500强中,有97%的超级计算机是基于Linux。剩余的16强中,有13台运行Unix,2台是Windows超级计算机,剩余一台是AIX/Unix和Linux综合体。Solaris与BSD Unix不再出现在榜单中。
此次排名中,超级计算机的总体性能增长出现下降趋势。第500名超级计算机的性能增长远远落后于过去5年最后一名的性能增长,仅为55%,而在1994年到2008年间,第500名的超级计算机的年均性能增长是90%。
为了让超级计算机的运行速度更快,硬件厂商不断推出更快的处理器。英特尔即将发布的Xeon Phi处理器的单颗处理核心每秒的运行速度将达到3 Teraflops,这种处理器为多核芯片。这一速度比英特尔目前最快处理器的速度快三倍。
与此同时,Linux正在突破自身的性能瓶颈。在Linux已经成为超级计算机的主流系统的背景下,这样做的动因不仅是出于追求更快计算机的理想,而且是来自股票市场和交易公司的压力。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。