7月27日,由米粒影业(MILI PICTURES)出品的中国首部3D动画巨制《龙之谷:破晓奇兵》在北京蓝色港湾传奇时代影城抢先上映。该片由迪士尼金牌制作人比尔·伯顿领衔,好莱坞主创与中国本土一线动画团队并肩作战,最终打造了这部中国动画电影史上,投资最大,制作最精良的视效动画大片。联想作为米粒影业IT基础架构合作厂商,以ThinkStation工作站为《龙之谷:破晓奇兵》提供独家IT技术支持,承担了计算机图形(CG)动画制作的重任,以完美技术将艺术灵感化为现实。
联想集团中国区大客户事业部PC产品营销总经理王立平在首映礼上表示:“联想ThinkStation工作站自2008年问世以来,就以创新、高品质的产品获得了客户的认可,保持了19个季度在中国的业绩快速增长,在2013年底,联想ThinkStation中国区市场份额达到了32.8%。而DCC领域是我们今年重点发力的市场,此次与米粒影业合作,无疑将强化联想ThinkStation在DCC领域的领导力,我们也期待与米粒影业通过技术+艺术的创新,推动国内动漫电影与国际的接轨。”
米粒影业CTO徐喆介绍到,在《龙之谷:破晓奇兵》影片制作过程中,每一帧的文件大小约为1~2GB,每一个特效镜头的文件大小在50~100GB左右,而整部电影有大约500个特效镜头,仅特效镜头的渲染就是一项极为繁重的处理任务,如果在传统平台上进行渲染,很难在有限时间内完成。而通过联想ThinkStation搭建的集群渲染农场,渲染效率得到了25%的提升,《龙之谷:破晓奇兵》的制作周期缩短至18个月,领先于国际公司同品质作品24个月的制作周期。
无疑,《龙之谷:破晓奇兵》顶尖的制作水准和故事情节编排是其两大杀手锏,这也使其在今年5月法国戛纳电影节大放异彩,赢得国际众多专业人士的一致好评。而光环的背后,少不了制作团队的辛苦耕耘,以及顶级技术平台的鼎力支持。根据米粒影业创作团队的分工,联想ThinkStation工作站家族为其提供了量身定制的产品,基于英特尔至强E3-1200v3、E5-1600v2、E5-2600v2处理器, 联想ThinkStation工作站以更加稳定、强大的计算性能满足从美术、形象设计、场景设计到特效等不同部门的多样化需求。比如,前期的美术设计对硬件的要求相对不高,但需要超高的稳定性,联想提供了入门级的ThinkStation E系列和主流的ThinkStation S30工作站;而作为整个动画电影制作的核心部门,动画部门对显卡要求极高,因此配备了旗舰型的联想ThinkStation D30工作站,用户可随需轻松扩展;而对于后期渲染和片段合成,联想为其提供了灵活性最强的ThinkStation C30集群,最高配备24核的英特尔至强E5-2600v3处理器,以满足渲染对CPU线程数量、超大内存和海量存储的需求。在后端,以249台联想ThinkStation工作站为核心构建的渲染集群可轻松应对制作高峰期超过2,000亿次数据请求,以及100TB以上的7×24小时数据存储需求。 “两年多的时间里,ThinkStation工作站故障率不超过3%,在几百台工作站里只有几台发生过返修和调整。” 米粒影业负责特效制作的宋志远对联想工作站的稳定性表示了肯定。
据悉,《龙之谷:破晓奇兵》将于7月31日正式登陆全国院线。未来,联想ThinkStation工作站还将参与米粒影业后续作品的创作,加速中国动漫影视产业的创新,让灵感加速实现。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。