由于外部环境的变化，适用于大模型训练任务的 GPU 整体规模无法继续增长。这些存量 GPU 组成的集群，仍然是当前加速大模型训练的主要 AI 算力来源。同时，各类国产 AI 芯片开始大规模投入实际生产任务。在未来一段时间内，数据中心的 AI 算力将保持多种芯片并存的现象。 但是，当前基础大模型训练所需要的最大 AI 算力集群规模，已经从单一集群千卡逐步提升至万卡量级。同时，很多智算中心已经部署的 GPU 集群，通常是十几台至数百台服务器不等，难以满足未来行业大模型训练的需求。 所以，在已有 AI 算力集群的基础上，构建由 GPU、昆仑芯、昇腾等不同芯片混合组成的单一集群，为大模型训练提供更大 AI 算力，成为了一个自然的选择。
本文由飞桨星河社区开发者张洪申贡献。张洪申，本科毕业于浙江大学竺可桢学院求是数学班，目前浙江大学控制科学与工程学院博士在读，研究方向为数据科学、电力系统。科研工作曾被 Nature 官方公众号 Nature portfolio 专题报道。
本文整理自 2024 年 4 月 QCon 全球软件开发大会（北京站） 性能优化专题的同名主题分享。 当前数据中心的服务器中部署着各类 CPU（Intel/AMD/Ampere 等），这些平台的差异，使得运行在上面的程序无法保证始终运行在最佳状态，成为了提升业务效能的一大阻碍。 CPU 性能调优，这不仅要求工程师对各个平台有着深入的理解，同时需要掌握各类性能分析工具和方法，并依据得到的观测数据，综合诊断出真正的瓶颈原因，并据此展开优化操作，最终提升业务表现。 这种传统的 CPU 性能调优方式，对工程师的能力和经验都有着不小的门槛，难以在更大规模范围地普及，使得很多客户对表现不理想的程序束手无策。 百度智能云推出的一键调优套件 Btune，实现了整个 CPU 性能调优过程的一键自动化，使得用户能够快速完成瓶颈定位，实现性能优化。
随着AI生图时代的来临，设计团队致力于通过AI训练自有设计风格的模型资产，以此来为业务提效。鉴于节气卡的高覆盖率、高复用率和高收益，我们选择了这一场景进行新中式风格的升级和模型训练尝试。 我们的目标是通过精细化设计打造落地新中式风格的节气卡，同时沉淀设计方法和AI模型训练经验，以便辐射更多业务场景，同时为百度APP进行运营特色风格探索。
本文介绍了增长前端团队自研的Webview框架下透明视频视觉增强方案，该方案在保证对视觉进行高度还原的同时可投入更少的开发成本，还能获得更优的前端性能表现。文章首先分析了市面上动画方案的优缺点，然后详细介绍了透明视频的整体设计、实现方法、使用流程和在运营活动中的使用案例。该方案通过在视频中添加透明通道，利用OpenGL和Canvas实现了视频动画，同时通过资源的预加载和缓存优化了加载过程，开发者还可通过叠加svg和css3等其他技术进行氛围增强。希望给到前端同学在开发动效方面一点小小启发和助力。
本文主要介绍了商业智能(BI)以及Turing Data Analysis(TDA)的概念和应用。BI通过收集、整理、分析和呈现数据，帮助企业做出更好的决策和战略规划。然而，传统的BI建设思路存在问题，如业务变更数据需求时需要重新开发，以及分析底层数据的效率低等。因此，TDA作为一站式自助分析平台应运而生，它基于明细数据，按照分析主题建设公共数据集，用户可以自由拖拽分析并一键保存结果，同时也可以分享给其他人查看。然而，TDA的建设也面临着分析维度指标要全，数据口径要准，以及查询性能等挑战。针对这些挑战，我们提出全、准、效、快的目标，并通过流程机制和功能建设以及MPP数据引擎来实现这些目标。
数字时代中，标签在购物网站、社交媒体、搜索引擎等各个领域都发挥着重要作用。尽管标签的面积较小，它们却能够为用户提供关键信息，帮助用户快速做出决策。因此，设计一个合理、规范的标签体系成为了许多平台需要面对的挑战。作为百度旗下的B2B平台，爱采购通过不断优化标签体系以提升用户体验。下面将以此为例，简述B2B平台标签体系的设计优化思路。
离业务决策越近，高时效性数据带来的业务价值越大。实时计算过去面临最大的瓶颈是易用性问题，业务常常迫于迭代运维复杂度放弃实时化。我们基于多年深耕商业实时化场景的思考，提出RTS-场景化端到端全托管，彻底释放实时化的潜能。对大数据和实时化感兴趣的小伙伴们，欢迎交流探讨！
