今天首先聊聊网络方面的趣闻,MWC2014举办,展示了很多让人叹为观止的物联网(Internet of Things)新技术。
当然物联网已经不是一个新鲜的话题了,老早之前就在不断地各种“炒”,一些产品也陆续问世,例如可穿戴设备、智能电器以及家庭监控等等。也就是说,只要你能使用的设备几乎都可以连接到互联网。用一个词来形容就是“万物互联”。
这不是我杜撰的,思科CEO钱伯斯在MWC上就引用了这句话。并称,现在已经有100亿的设备连接到互联网,而到2020年,这个数字将增加到5000亿。真的是万物互联了,在现场的展示中,连纸、玻璃都可以连接到以太网,甚至人体直接可以充当线路。真让人憧憬了,好基友要传个电影啥的,摸摸手就行了,什么蓝牙、WiFi都弱爆了。
但是,网络厂商们做好准备了么?这么多设备接入互联网,每时每刻的数据传输量肯定大得惊人,链路结构也将会非常复杂,至少传统的网络技术有点心有余而力不足。在《数据中心2013:硬件重构与软件定义》中分析了一些传统网络技术的弊端。从目前看来,SDN在管理大量网络设备、网络链路的时候具有很不错的效果,至少谷歌这么干了。
除了同时作为用户和并自己打造SDN设备的谷歌之外,网络设备厂商们也在继续推进SDN。在本周的Open Networking Summit(开放网络峰会)上,博科(Brocade)、博通(Broadcom)和飞思卡尔(Freescale)唱响“三重奏”,宣布其全线产品将支持OpenFlow 1.3标准,以符合未来SDN发展的需求。ONF(Open Networking Foundation,开放网络基金会)是SDN概念和OpenFlow标准的主要推动者,其宣布以后的发展将以OpenFlow 1.3作为基准,因为OpenFlow 1.2需求硬件变动,它将流表数量大为增加,一些早期的OpenFlow 1.0、1.1设备很可能无法扩展到1.2乃至1.3,因此将无法适应OpenFlow的继续演化。
也是因为这个原因,包括Brocade在内的很多厂商甚至跳过了OpenFlow 1.1以及1.2,实际上,它们直接跳到了OpenFlow 1.3版本,我们将会在今年Q2、Q3看到大量的OpenFlow 1.3产品。OpenFlow 1.3在2012年末发布,其主要新增特性包括IPv6、QoS、组表、冗余控制器以及Q-in-Q。
再来说说存储方面的事儿,英特尔最近发布了面向高玩及专业级市场的SSD产品——730系列。绝对是亲生,据好事者称,这款脱胎于英特尔数据中心级产品的SSD,连PCB都与DC S3500神似。并且其实测的连续写性能居然比官方公布的数字还高,这只能说英特尔实在太“实诚”了。
在年前英特尔就解释了其SSD三大战略,除消费级产品(如520、330)会与其他厂商合作外,专业级和数据中心级SSD产品基本都会采用英特尔自家的技术。730系列很好地体现了这一战略——全部采用英特尔自家的技术,除了两颗512MB、用作缓存的Micron产DRAM。至于英特尔与Micron这对好基友…你懂的!
英特尔在闪存行业积累了足够多的优势,但态度一直暧昧,且对手追得很紧。按照某业内人士的“戏言”:英特尔除了x86,其他的都不重要。尽管英特尔一直在正式场合重申闪存战略,但单一个730也许还不足以消除“误解”,后续面向数据中心市场的SSD产品或许更能体现英特尔的决心。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。