在当前企业数字化业务比例日益增长的情况下，数字化的安全威胁也在日益显现。如果不能采取正确的措施来应对这些威胁，后果将难以预料。

今儿暂时不推荐机型，而是结合最近的一些热点应用和舆论风向，来和大家唠个嗑儿，希望能对大家有帮助。

戴尔易安信日前正式发布了首款专为边缘计算场景“量身定制”的Dell EMC VxRail D系列超融合设备，并将灵活性、可扩展性和简单性从数据中心扩展到空间受限、远程和恶劣的边缘环境之中。

戴尔科技集团全球销售主管Bill Scannell在采访中表示，“只要我们能与合作伙伴建立更好的信任关系，如果我们能与合作伙伴携手并进、努力在客户群体内建立信誉，就自然会在市场上取得成功。成功启发制胜经验，这正是我们所需要的。”

这项由谷歌深度思维团队领导的研究首次在大规模数据集和语言模型上测试了强力成员推理攻击，通过训练超过4000个不同规模的GPT-2模型，发现了三个关键结论：强成员推理攻击确实能在大型语言模型上成功，但在实际条件下效果有限（AUC<0.7）；攻击成功与隐私风险的关系比预期更复杂，例如成员推理成功与数据提取成功之间几乎没有相关性。这项研究为理解大型语言模型的隐私风险建立了重要基准。

新西兰奥克兰大学研究团队发布了首个专门针对教育领域的情感分析数据集EDURABSA，包含6500条学生真实评价，涵盖课程、教师和大学三个维度。同时开发了ASQE-DPT标注工具，能够精确识别学生反馈中的细微情感和隐含观点。这项研究填补了教育反馈智能分析的空白，为教育机构提供了科学的决策支持工具，让学生声音被更好地听见和理解。

生成式AI对艺术风格的疯狂模仿，应当休矣。

香港科技大学研究团队发布了Audio-FLAN，这是全球首个大规模音频指令训练数据集。该数据集涵盖语音、音乐、声音三大领域的80个任务，包含超过1亿个训练样本，首次实现了音频领域的统一指令学习。通过类似ChatGPT的训练方法，Audio-FLAN能够训练出既能理解又能生成音频的通用AI模型，有望推动音频人工智能从专业化工具向通用助手的转变。

谷歌推出Chrome浏览器AI智能体Auto Browse功能，面向AI Pro和Ultra订阅用户开放预览。测试显示该智能体在网页游戏、电子表格操作、Gmail邮件扫描等任务中表现不一，平均得分6.5分。虽然能完成基础网页操作，但在使用谷歌自家产品时频繁出错，无法长时间监控页面，且需要频繁人工干预。目前仍需用户监督，距离真正自主操作还有差距。

推荐场景大模型在国内的使用很早，早在 10 年前甚至更早，百度已经用上了自研的大规模分布式的 parameter server 系统结合上游自研的 worker 来实现 TB 级别的万亿参数的稀疏模型。

12月29日，openGauss Summit 2022在线上盛大召开。

随着戴尔科技重返公开市场，以及2019财年最新财报的公布，其具体财报情况也再次引发了业界的关注。

刚刚第三届HUAWEI CONNECT 2018（华为全联接大会）上，徐直军公布了华为AI发展战略，以及华为AI全栈全场景解决方案，包括华为自研统一达芬奇架构的两款AI芯片——昇腾910和昇腾310。

想象一下，你正在教一个孩子解数学题。有两种方法：一种是让他完全靠自己摸索，犯错后给予反馈；另一种是在他遇到困难时，给他展示一些优秀学生的解题过程作为参考。哪种方法更有效？大多数人会认为结合两种方法可能效果最好——既让孩子有尝试和探索的机会，也在必要时给予优秀范例的指导。

这项由斯坦福大学、Meta公司和密歇根大学联合完成的研究，开发了能够实时观看视频并主动提供任务指导的AI助手系统。研究团队创建了包含30万对话的PROASSIST数据集，设计了创新的评估方法，并开发了能处理流媒体视频的端到端模型。实验显示，该系统能够在烹饪、组装等多种任务中提供及时准确的指导，为开发真正智能的人工助手奠定了基础。

这项由微软研究院主导的突破性研究，首次提出让AI学习如何为其他AI制定最佳训练数据配方的创新思路。通过训练一个专门的"数据混合代理"，成功解决了大模型持续学习中的"灾难性遗忘"难题，在数学推理任务上平均提升3.02%的同时保持了原有综合能力。该技术具有强大的通用性和适应能力，一次训练即可应用于多种模型和任务场景，有望显著降低AI开发成本并提升训练效率。

“无服务器计算不仅将从根本上改变后端计算的经济性，也将成为分布式计算未来的核心，”微软首席执行官Satya Nadella在去年的微软Build大会上这样表示。

Mellanox网络以技术创新为驱动，赋能全球最快的前10台的超级计算机之6台， 包括美国最快、中国最快和日本最快超级计算机。Mellanox HDR InfiniBand网络已被广泛使用与世界各国的多台超级计算机中，包括微软Azure公有云的HPC云中。

BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台，整合了38个基准中的30万个问题，按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差，而BenchHub通过自动分类系统和用户友好界面，让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大，强调了定制化评估的重要性。该平台支持多语言扩展和领域特化，为研究人员和开发者提供了灵活评估大语言模型的强大工具。

在过去几年,数字化转型的呼声很高,但大多数是各大技术厂商从各自技术产品推广角度而发出的声音,企业真正需要的是能够兼备各种云技术并能高效、快速、低成本落地的数字化转型整体方案。