微软的StorSimple家族最近迎来的8000系列与Azure紧密结合,这代表着其在Azure化道路上又迈出了重要的一步。现在我们已经得到更多关于这两台阵列的新消息,下面就一一为大家道来。
这两套方案分别为8100与8600机架式设备,高度为2U与4U且利用iSCSI通过10GbitE与1GbitE实现接入。它们都拥有内联重复数据删除、压缩以及精简配置机制。微软指出其存储层现在共分为三大类:本地SSD、本地磁盘与Azure云中的磁盘(即Azure BLOB存储),再加上今天要介绍的混合SAN。
其中8100机型拥有12个正面载入接口,而且同时支持普通磁盘与SSD的热插拔操作。因此从逻辑上讲,这相当于为我们提供了两个SSD插槽与十个HDD插槽。
由于该设备自带镜像功能,因此其实际可用容量为15TB,我们估计其中包含十块300GB 3.5英寸驱动器与两块400GB SSD——官方说明中的表述是SSD容量而非“可用SSD容量”。我们猜测这里使用的不会是希捷的Pulsar SSD,因为希捷目前的产品线中并没有400GB eMLC SSD方案——至少据我们所知是这样。
StoreSimple 8100与 8600机型。
Xyratex公司的OneStor AP-2212拥有十二个3.5英寸驱动器插槽,2U机架并采用英特尔至强C5500四核心CPU。这套配置与8100看起来相当接近。
两套方案的基本容量数据如下:
而8600机型拥有24个插槽,而且在扩展之后能够容纳二十块400GB磁盘驱动器外加2TB原始SSD存储容量。我们在供应商的产品清单当中没有看到1TB eMLC SSD,因此不能肯定这部分容量是否是由两块1TB SSD提供。
与之类似,XyratexOneStor AP-2424在基本配置上同8600大体相当,使用的CPU则与AP-2212保持一致。
所有发送到并被保存至Azure的数据都经过加密。保护机制则由本地与自动云端快照技术实现——也就是备份到云环境中——微软同时表示,应用程序一致性则依靠VSS完成。该公司强调称,设备将拥有配备“快速应用程序驱动数据恢复”技术的高速恢复能力。
iSCSI长效保留机制则负责为磁盘集群化提供支持。
8100与8600两款设备与现有5000及7000系列产品可谓伴生存在。微软在说明材料中明确指出二者属于希捷Xyratex设备,而且直接援引了来自希捷的产品报价。根据我们掌握的情况,其配备“可热插拔式双控制器,支持活动/备用与自动故障转移功能。”
希捷表示8100与8600混合存储阵列由Xyratex构建并负责供应,而非微软。因此微软的合作伙伴们将需要与Xyratex建立合作关系,从而成功完成订单下达与产品交付。
作为微软Azure云的主要竞争对手,Amazon也拥有自己的云存储网关、但目前似乎仍处于研发阶段。Amazon的设备可能同样会将用户的本地内部数据保存在S3与Glacier等云存储方案当中。
随着各家主流云存储供应商与大型存储阵列供应商陆续推出自己的云存储网关产品、并借此提供混合型内/外部存储机制,以Nasuni与Panzura为代表的初创企业们感到自身正面临着生死存亡的残酷竞争考验——只有继续发展并壮大自身技术成果并拿出卓越的产品方案,他们才有可能在这场激烈的对抗中生存下来。
我们认为那些超融合型服务器/存储/网络设备——例如来自NIMBOXX、Nutanix、Simplivity的产品以及EMC/VMware即将推出的Mystic项目——将被迫在产品线中加入自己的云存储网关设备。
好文章,需要你的鼓励
人工智能开发商Anthropic为其旗舰聊天机器人Claude推出新的医疗健康功能,用户现在可以与服务共享医疗记录以更好地了解自己的健康状况。Claude可以连接官方医疗记录和苹果健康等健身应用,进行更个性化的健康对话。新功能现已向美国的Claude Pro和Max订阅用户开放。公司强调该工具不用于诊断或治疗建议,而是帮助用户理解复杂医疗报告,为医患沟通做准备,并承诺严格保护用户隐私数据。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
谷歌发布通用商务协议(UCP)开放商务标准,旨在让AI智能体自动化整个购物流程,从产品发现到支付再到售后服务。该协议与Shopify、Target、沃尔玛等零售商合作开发,支持AI智能体协同处理客户购买流程各环节。谷歌还推出品牌商业智能体和直接优惠工具,优化AI搜索中的购物体验。麦肯锡预测智能体商务到2030年将成长为3万亿美元市场。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。