Heute wurde die Open Flash Platform (OFP) -Initiative mit Eröffnungsmitgliedern Hammerspace, Linux Group, Los Alamos Nationwide Laboratory, Scaleflux, SK Hynix und Los Alamos -Labor gestartet XSIGHT -SYSTEME. OCP beabsichtigt, die Anforderungen aus der nächsten Datenspeicherwelle für AI zu befriedigen.

„Die Konvergenz der Datenerstellung, die mit aufkommenden AI-Anwendungen verbunden ist, verbunden mit Einschränkungen bei der Stromverfügbarkeit, Scorching-Knowledge-Centern und den Raumbeschränkungen des Rechenzentrums, bedeutet, dass wir einen Blanko-Slate-Ansatz zum Aufbau von AI-Dateninfrastrukturen verfolgen müssen“, sagte OFP in seiner Ankündigung.

Vor einem Jahrzehnt setzte NVME Flash als Efficiency -Stufe durch, indem er Legacy Storage -Busse und -Controller unintermediert. OFP entsperren nun die Kapazitätsebene, indem Speicher Server und proprietäre Software program -Stapel entsteht. OFP nutzt offene Requirements und Open Supply – insbesondere parallele NFS und Commonplace -Linux -, um Flash direkt im Speichernetz zu platzieren. Offene, standardbasierte Lösungen, die zwangsläufig herrschen. Durch die Bereitstellung einer Größenordnung höherer Kapazitätsdichte, erhebliche Leistungseinsparungen und viel niedrigerer TCO beschleunigt OFP diese Unvermeidlichkeit.

Aktuelle Lösungen sind von Natur aus mit einem Speicherservermodell gebunden, das übermäßige Ressourcen erfordert, um die Leistung und Fähigkeit zu fördern. Entwürfe aller aktuellen All-Flash-Anbieter sind nicht optimiert, um das Beste in der Blitzdichte zu erleichtern und Lösungen an die Betriebsdauer eines Prozessors (in der Regel fünf Jahre) im Vergleich zur Betriebsdauer von Flash (typischerweise acht Jahre) zu verbinden. Diese Speicherserver führen auch proprietäre Datenstrukturen ein, die Datenumgebungen durch Einführung neuer Silos fragmentieren, was zu einer Verbreitung von Datenkopien und dem Hinzufügen von Lizenzkosten zu jedem Knoten führt.

OFP befürwortet einen offenen, standardbasierten Ansatz, der mehrere Elemente enthält:

• Flash -Geräte – gekonnt, aber nicht beschränkt darauf, QLC Flash für seine Dichte. Die Flash-Sourcing sollte flexibel sein, damit Kunden NAND von verschiedenen Fabriken erwerben können, möglicherweise über Controller-Accomplice oder direktes Moduldesign, wodurch ein Einzelanbieter-Sperre vermieden wird.
• IPUS/DPUs – sind bis zu einem Punkt gereift, dass sie viel mehr ressourcenintensive Prozessoren für das Servieren von Daten ersetzen können. Sowohl niedrigere als auch niedrigere Stromanforderungen bedeuten eine viel effizientere Komponente für Datendienste.
• OFP -Kartusche – Eine Patrone enthält die gesamte wesentliche {Hardware}, um Daten in einem Formfaktor zu speichern und zu servieren, der für niedrige Stromverbrauch und Blitzdichte optimiert ist.
• OFP -Tabletts – Ein OFP -Tablett passt zu einer Reihe von OFP -Patronen und liefert Stromverteilung und -ausstattung für verschiedene Rechenzentrumsregal -Designs.
• Linux -Betriebssystem – OFP verwendet Commonplace Linux Durchführen von Aktien -NFs zur Lieferung von Datendiensten von jeder Patrone.

„Unsere Ziele sind nicht bescheiden und es gibt viel Arbeit im Geschäft, aber durch die Nutzung offener Designs und Branchenstandardkomponenten als Group führt diese Initiative zu enormen Verbesserungen der Datenspeichereffizienz.“ OFP sagte.

„Die Stromeffizienz ist nicht elective. Es ist die einzige Möglichkeit, die AI-Periode zu skalieren. Die offene Flash-Plattform entfernt die Fesseln des Legacy-Speichers und ermöglicht es, Exabyte mit weniger als 50 Kilowatt zu speichern, gegenüber dem gestrigen Megawatt von gestern. Scaleflux.

„Agility ist alles für KI-und nur offene Requirements, die Sie mit standardbasiertem Speicher anpassen können, können Sie schnelle, Kontrollkosten und niedrigere Stromnutzung anpassen“, sagte Gary Grider, Direktor von HPC,. Los Alamos Nationwide Labor.

„Flash wird die nächste treibende Kraft für die KI-Ära sein. Um ihr volles Potenzial auszuschöpfen, müssen sich Speichersysteme entwickeln. Wir glauben, dass offene und standardbasierte Architekturen wie OFP das volle Potenzial von Flash-basierten Speichersystemen maximieren können, indem sie die Energieeffizienz erheblich verbessert und die Maßstäbe des Skalierens ausschaltet“, sagte Hoshik Kim, SVP, Head of Reminiscence Analysis Analysis bei Memay Analysis bei Memay Analysis bei Memay Analysis bei Memay Analysis bei Reminiscence Analysis bei Reminiscence Analysis bei den Reminiscence Analysis bei der Reminiscence Analysis bei den Reminiscence Analysis bei den Reminiscence Analysis bei der Anmeldung von Reminiscence Analysis bei AT-Barrieren bei Barrieren, in denen Barrieren aufgenommen werden, können sie erheblich verbessert werden. SK Hynix.

„Offene, standardbasierte Lösungen, die zwangsläufig herrschen. Durch die Bereitstellung von 10-fachen höherer Kapazitätsdichte und einer 50-prozent-niedrigeren TCO beschleunigt OFP diese Unvermeidlichkeit“, sagte David Flynn, Gründer und CEO, CEO, Hammerspace.

Forscher der Beihang College und der Chinesischen Akademie der Wissenschaften haben das Cognitive Alignment Framework (CAF) eingeführt, einen neuen Ansatz zur Verbesserung der automatisierten Meta-Überprüfungsgenerierung unter Verwendung von großsprachigen Modellen (LLMs). Ihr Studium mit dem Titel „Überbrückung der Sozialpsychologie und LLM-Argumentation: Konfliktbewusstliche Meta-Overview-Era durch kognitive Ausrichtung“Befasst sich mit den wichtigsten Herausforderungen bei der wissenschaftlichen Überprüfung der wissenschaftlichen Peer, einschließlich kognitiver Verzerrungen wie dem Verankerungseffekt und der Konformitätsvoreingenommenheit.

Das Papier wurde von Wei Chen, Han Ding, Meng Yuan, Zhao Zhang, Deqing Wang und Fuzhen Zhuang verfasst. Die Forscher schlagen eine adaptive Architektur mit zwei Prozess vor, die auf Kahnemans Twin-Course of-Theorie basiert, die sowohl intuitive (schnelle) als auch beratende (langsame) Gedanken modelliert, um die Argumentation in akademischen Bewertungen mit hohen Einsätzen zu verbessern.

CAF führt eine strukturierte dreiphasige Pipeline ein-Überprüfen Sie die Initialisierung, inkrementelle Integration und die kognitive Ausrichtung-Vorurteile abschwächen und die Konsistenz und Equity von Meta-Evaluations verbessern. Die empirische Validierung zeigt, dass CAF bestehende LLM-basierte Ansätze übertrifft und das Gefühl erreicht Konsistenzgewinne von bis zu 19,47% und die Verbesserung der Inhaltskonsistenz um bis zu 12,95%.

Herausforderungen in der LLM-basierten Meta-Overview-Era

Bestehende Methoden für die Erzeugung von LLM-gesteuerten Meta-Überprüfungen leiden unter zwei Hauptkognitiven:

• Verankerungseffekt: LLMs belasten die ersten Überprüfungen überproportional und verstärken ihren Einfluss auf spätere Bewertungen. Experimente zeigen, dass LLMs einen Verankerungskoeffizienten von aufweisen 0,255im Vergleich zu 0,193 In menschlichen Peer -Rezensenten.
• Konformitätsverzerrung: LLMs tendieren dazu, sich auf Mehrheitsmeinungen auszurichten und Minderheitenansichtspunkte zu unterdrücken. Eine Konformitätskoeffizientenanalyse zeigt, dass GPT-3,5-Punkte 0,125weit unter dem Grundwert der menschlichen Rezensenten von 1.00was auf erhöhte Anfälligkeit für Pseudo-Konsens hinweist.

Cognitive Alignment Framework (CAF)

CAF führt eine strukturierte Dreiphase ein Kognitive Pipeline Um diese Vorurteile zu mildern und die Meta-Überprüfungssynthese zu verbessern:

1. Überprüfungsinitialisierungsphase:
   • Extrahiert wichtige Erkenntnisse aus einzelnen Bewertungen mit LLM-gesteuerter Zusammenfassung.
   • Stellen Sie sicher, dass die erste Informationsverarbeitung unvoreingenommen und repräsentativ für verschiedene Perspektiven ist.
2. Inkrementelle Integrationsphase:
   • Integriert die Bewertungen zunehmend und verhindert, dass frühe Prüfer die endgültige Bewertung dominieren.
   • Pflegt a KonfliktkarteVerfolgung von Inkonsistenzen und Widersprüchen zwischen Bewertungen.
3. Kognitive Ausrichtungsphase:
   • Geräte Zweiprozess-Argumentation:
     • Schnelles Denken Synthetisiert nicht konfliktierende Erkenntnisse.
     • Langsames Denken führt eine tiefere Analyse für hochkonflikte Entscheidungen durch, um eine faire Streitbeilegung zu gewährleisten.
   • Balden Heuristische Mustererkennung mit logische Bewertungwas zu einer strukturierteren und kohärenten Meta-Überprüfung führt.

---

KI lernt zu arbeiten wie Sie und es wird jeden Tag schneller

---

Empirische Validierung

Experimente wurden unter Verwendung der durchgeführt Peersum Datensatz, bestehend aus 14.993 Peer Evaluations von Neurips und ICLR -Konferenzen. Der CAF-Framework wurde anhand von vier hochmodernen Aufforderungsmethoden in mehreren LLM-Modellen bewertet, darunter GPT-3,5, GPT-4O, QWEN2.5-7B und LLAMA3-8B.

Schlüsselergebnisse:

• Stimmungskonsistenz verbessert sich um bis zu 19,47%Reduzierung der Verzerrungen im emotionalen Ton.
• Die Konsistenz der Inhalte stieg um 12,95%was zu logisch strukturierten Meta-Evaluations führt.
• Verankerungseffekt reduziert um 0,034Minderung der Überprüfung der ersten Bewertungen.
• Die Konformitätsverzerrung nahm signifikant abum eine faire Vertretung von Meinungen von Minderheiten zu gewährleisten.

In einer Fallstudie wurde die Fähigkeit des CAF hervorgehoben, Widersprüche in Peer -Evaluations zu erkennen, was zu fundierteren redaktionellen Entscheidungen führte. Während herkömmliche LLM-basierte Methoden Inkonsistenzen in Methodikkritik nicht erkannten, identifizierte und löste CAF diese Konflikte erfolgreich und verhinderte voreingenommene Empfehlungen für die Akzeptanz/Ablehnung.

CAF präsentiert einen robusten Ansatz zu Meta-Overview-Automatisierungeffektiv die Lücke zwischen LLM-Argumentation und menschlicher Entscheidungspsychologie überbrücken. Durch Integration Konfliktbewusstliche AnalyseEs erweitert die Funktionen von LLMs über die grundlegende Zusammenfassung hinaus, sodass sie als zuverlässig funktionieren können Wissenschaftliche Schiedsrichter.

Einschränkungen:

• Domänenspezifische Einschränkungen: Aktuelle Bewertungen beschränken sich auf die Forschung für maschinelles Lernen. Es sind umfassendere Checks über die Disziplinen hinweg erforderlich.
• Widerlegungseingänge: Zukünftige Iterationen sollten die Widerlegung der Autoren integrieren, um den Konsensaufbau weiter zu verfeinern.

---

Ausgewähltes Bildnachweis: Kerem Gülen/Midjourney

China verstärkt seine Bemühungen, die Abhängigkeit von US-Technologie zu verringern, indem es inländische Unternehmen davon abhält, von Nvidia hergestellte Chips für künstliche Intelligenz (KI) zu kaufen.

Laut einem Bericht von Bloomberghaben chinesische Aufsichtsbehörden informelle Leitlinien herausgegeben und Unternehmen unter Druck gesetzt, die H20-Chips von Nvidia zu meiden, die den US-Exportbeschränkungen entsprechen sollen.

Der Schritt ist Teil des umfassenderen Ziels Chinas, die technologische Eigenständigkeit in den Bereichen KI und Halbleiter voranzutreiben.

Abkehr von Nvidias H20-Chips

Obwohl die chinesische Regierung es nicht offiziell verboten hat Nvidias H20-Chipsseine „Window Steering“ lenkt Unternehmen effektiv auf lokale Alternativen.

Unternehmen werden ermutigt, KI-Chips von inländischen Herstellern wie Huawei und Cambricon zu kaufen, was einem ähnlichen Schritt zu Beginn dieses Jahres folgt, als chinesische Hersteller von Elektrofahrzeugen aufgefordert wurden, der einheimischen Technologie Vorrang einzuräumen.

Chinas mutiger Versuch für die Unabhängigkeit der Halbleiterindustrie

Chinas Streben nach Halbleiter-Selbstversorgung gewinnt rasch an Dynamik, mit dem Ziel, bis 2025 70 % der Inlandsproduktion zu erreichen. Huge Investitionen, darunter ein 47-Milliarden-Greenback-Halbleiterfonds, befeuern diesen Vorstoß.

Unternehmen wie Huawei und ChangXin Reminiscence Applied sciences liefern bereits wettbewerbsfähige Alternativen zu Nvidias Chips und machen Fortschritte bei Speicher mit hoher Bandbreite und KI-Beschleunigern.

Nvidias China-Umsätze erleiden einen Einbruch

Das Geschäft von Nvidia in China schrumpft, seit die US-Regierung im Jahr 2022 den Export seiner Spitzenchips wie dem A100 und H100 verbot.

Als Reaktion darauf entwickelte Nvidia den weniger leistungsstarken H20-Chip, doch der jüngste Vorstoß der chinesischen Regierung könnte den Umsatz noch weiter beeinträchtigen. Nvidias Umsatz in China ist bereits von 24,6 % Anfang 2022 auf nur noch 12,2 % bis Mitte 2025 gesunken.

Der Markt für KI-Chips verändert sich

Während China den Aufbau seiner eigenen KI-Chip-Fähigkeiten verdoppelt, beginnt sich die globale Technologielandschaft zu verändern. Da inländische Giganten wie Huawei mit wettbewerbsfähigen Produkten auf den Markt kommen, könnte sich das Kräfteverhältnis auf dem Markt für KI-Chips zunehmend von US-Unternehmen wie Nvidia entfernen.

---

Hervorgehobener Bildnachweis: Maxence Pira/Unsplash