科技行者 7月24日 北京消息:7月23日,在北京举行的“鲲鹏凌云,开启多元新架构”论坛上,华为公司副总裁、华为云业务总裁郑叶来分享了对“云+5G+AI”时代下多元云服务架构的思考,并重点介绍了华为云的最新进展——越来越多的中国客户选择华为云,2019年6月华为云规模客户数同比增长33倍。
“自2017年成立Cloud BU至今已有两年,华为公司将多年的技术积累通过云服务的方式对外提供分享出来,我们在能力积累和市场进展方面取得非常大的进步。越来越多的客户,尤其是行业领先客户选择华为云,我们正进入发展的快车道,以全栈技术打造业界领先云服务,为客户创造价值。”郑叶来表示。
郑叶来介绍华为云最新进展
郑叶来介绍,Cloud BU发展势头迅猛,以2019年6月为例,华为对外运营的云服务及软件单月收入同比2018年6月增长5.5倍,华为云规模客户数增长了33倍。
在国内多个行业,例如互联网、点播直播、视频监控、基因、汽车制造等行业,华为云已实现大突破。从具体数据上看:互联网Top50企业中,有30家选择了华为云,如新浪、网易等;点播直播前10企业中,秒拍等6家上了华为云;基因领域 TOP15企业中,超过85%使用华为云,如华大基因、金域医学、未来组、诺禾致源等;SAP上华为云的客户超过150家,在全国云服务厂商中居首位。此外,国内十大汽车厂商都在用华为云。
据悉,华为云香港、俄罗斯、泰国、南非、新加坡大区相继开服。在欧洲,华为给德国电信、法国电信等公有云提供产品和技术支持,为当地用户提供云服务。截至2019年6月底,华为云已在全球总计23个地理区域开放44个可用区,为用户提供安全可靠的云服务。
对于如何构建独特优势,打造业界领先的云服务,郑叶来今天也给出了答案——全栈技术。华为云具备全栈全场景AI、极致性能、安全可靠、开放创新四大核心优势。他表示,华为云是集公司之力,将华为30年来的技术积累开放出来,融合AI、IoT、5G等创新技术,打造出的业界领先的云服务。
以人工智能为例,华为是国内唯一具备全栈全场景AI的厂商。截至目前,华为云AI面向行业,可提供59种人工智能服务、159项功能。 2019年上半年,华为云EI在人工智能领域获得多项大赛冠军及权威大奖。其中,继2019年5月在斯坦福大学DAWNBench榜单以2分43秒的成绩获得图像识别训练世界第一,华为云智能OCR数据化产品携手华中大夺得国际权威ICDAR2019发票识别竞赛世界第一。华为云AI已在城市、制造、物流、互联网、医疗、园区等10大行业的300+个项目进行落地,例如天津城市智能体、金域医学、鑫磊能源等项目。
在极致性能方面,华为具备从芯片到服务器到平台的全栈自主创新能力,软硬件深度协同使华为云计算性能领先业界15%,实现千万级网络转发。
安全合规方面,华为云的合规认证从2017年的20个、2018年的39个、增加到2019年50个,覆盖国际通用及区域性的各类认证,华为云在开服所在地的合规认证水平已经处于国际前列。2019年1月,华为云获得工信部颁发的“ITSS云计算服务能力标准符合性一级证书”,公有云、私有云均获得一级资质。
此外,华为云还积极赞助和参与各大领先开源组织,分享技术经验,实现开放创新。目前,华为云是CNCF初创会员、白金会员,Kubernetes社区贡献亚洲第一,KSCP首批认证厂商。2019年3月,CNCF基金会及技术委员会全体一致同意华为云开源智能边缘项目KubeEdge加入CNCF社区,成为CNCF在智能边缘领域的首个正式项目。
未来,华为云将继续高速发展,以开放架构为企业提供多元化的云服务和解决方案,更好地满足客户不同场景的需求,加速政府、金融、互联网等产业智能化和移动化步伐。
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。