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
本文探讨了AI发展的未来趋势,详细分析了六条有望实现通用人工智能(AGI)的技术路径。随着生成式AI和大语言模型面临发展瓶颈,业界开始将目光转向其他AI发展方向。这六条路径包括神经符号AI、神经形态AI、具身AI、多智能体AI、以人为中心的AI和量子AI。每种路径都有其独特优势和挑战,可能单独或组合推动AI进入下一个发展阶段,最终实现与人类智能相当的AGI系统。
约翰霍普金斯大学研究团队发现VAR模型的马尔可夫变体本质上是离散扩散模型,提出SRDD方法。通过应用扩散模型技术如分类器自由引导、令牌重采样等,SRDD相比VAR在图像质量上提升15-20%,同时具备更好的零样本性能。这项研究架起了自回归模型与扩散模型的理论桥梁,为视觉生成技术发展开启新方向。
培生公司第三季度销售增长加速,并预示年底表现更强劲,但其AI应用可能是更重要的发展。该公司虚拟学习部门销售额激增17%,学生注册人数攀升。培生运营的在线学校将AI工具嵌入课程材料中,公司表示有越来越多证据显示这些工具帮助学生取得更好成绩。公司推出了AI学习内容组合,包括AI素养模块和融合人工导师与AI学习工具的视频平台。
微软亚洲研究院推出CAD-Tokenizer技术,首次实现AI通过自然语言指令进行3D模型设计和编辑的统一处理。该技术通过专门的CAD分词器和原语级理解机制,让AI能像设计师一样理解设计逻辑,大幅提升了设计精度和效率,有望推动工业设计的民主化进程。