高性能计算与超级计算机存储方案供应商Data Direct Networks(简称DDN)日前指出,其向企业级大数据领域进军的举措正带来可观的利润收益,当下其营收增幅已经达到100%。
该公司列举了以下统计数字作为论据:
DDN方面表示,其利润表现同样可圈可点。该公司自今年第一季度以来将员工数量提升了20%,并计划在今年年底之前继续“显著增加新员工数量”。
其实在今年年初时,DDN的表现并未显露出如此积极的态势。因此能取得现在的成绩确实可喜可贺,特别是考虑到当前大数据存储市场上呈现出的激烈竞争状况,其中包括多家对象存储新兴企业与传统主流阵列供应商。
DDN预计其SFA阵列的极限容量水平为每机架5PB,而其WOS(即Web Object Scalar)阵列则能够最多容纳上万亿个对象,并且能够在WOS Bridge体系内逐步实现云环境的承载能力。从任何角度来看,这样的规模水平都相当可观。
大数据存储阵列需要应对的任务及需求相对比较简单:扩展能力与数据增长速度保持一致,提供出色的数据写入与读取速度,而且保证不会出现任何数据丢失事故。虽然听起来不难,但在以上前提之下将存储规模由数十PB进一步扩展至EB(即艾字节)级别却绝非易事。
DDN可能会将自身为高性能计算及超级计算应用程序提供阵列的过往经历作为证明实力的论据,由此积累得到的技术成果能够切实指导大数据类解决方案。也就是说,他们完全有能力推出主流阵列设备并借此实现盈利。目前DDN刚刚奔离起跑线——他们能否借此压制住竞争对手?请大家拭目以待。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。