今年10月份,2015年NetApp Insight®年度技术大会在众人期待下盛大开幕。NetApp发布了全新的 Data Fabric 解决方案和服务。为企业提供在混合云时代取得成功所需的数据管理功能。对于Data Fabric 解决方案,NetApp全球副总裁陈文俊先生及NetApp中国区技术总监游庆洪先生在10月29日举行的媒体沙龙中做了进一步阐述。
混合云是整个市场的潮流
NetApp是一个数据管理公司,主要的定位在整个生态系统里面做一个横切,让我们跟所有的生态系统连在一起。陈文俊先生提到,现在混合云是整个市场的潮流。对大型企业来说,他们也有自己的私有云,而这些应用可能放到公有云上面,中小企业或许起初因为IT资源或者人力不够,借用公用云,两者是并存的。
客户在采用混合云的时候,需要有合作伙伴来帮助快速地部署混合云,因此,NetApp专门设计了合作伙伴的专精计划,能够培养他们部署混合云的能力。同时NetApp也有Clustered ONTAP的迁移培训计划、Clustered ONTAP的专精计划,来帮助合作伙伴培养我们的集群模式、Clustered ONTAP过渡服务的能力,同时还有认证,让他们能够做Clustered ONTAPONTYP的培训,能够支持这个Clustered ONTAP的部署。
Data Fabric加速部署混合云
Data Fabric对于转售商来说是一个非常好的助手。在去年的NetApp Insight年度技术大会便备受关注,经过一年的时间,NetApp携手合作伙伴及服务提供商,不断完善生态系统,共同打造整合的解决方案和服务,从而让Data Fabric变成现实。
目前大家一提到云就会想到一些不同的技术。而所谓的云计算是什么?你要站在月亮上去看,地球上有好多朵不同的云,还有好多不知道是叫它云还是叫什么,但是这堆东西也还是自成一体的,它跟别的东西不怎么搭接。游庆洪先生说,NetApp Data Fabric实际就是能够做一个黏合剂,把这些各个不同的孤岛给连起来。
Data Fabric有三个重点,第一,自由,客户可以自由选择任何一个云服务商的云,可以是亚马逊、微软、阿里,或IBM、Google,让选择变的更自由。
第二点,数据可以跨云之间来做流动。比如今天选的亚马逊的云,可能一年以后发觉另外一个云的服务商服务更好或者成本对我来说更有利,想转到另外一个云,NetApp数据能够很方便地切换,同时可以在公有云、私有云和混合云之间流动。
第三点,速度快。很多客户在数据存储上面、在私有云里面、在运营商里面或者在公有云上面,每一种储存数据都有一个格式,格式之间可能是不通的,这个时候数据就很难再跨不同的云方面来做流动。
NetApp的Data Fabric理念是通过搭建一个数据的管理架构,使数据可以很方便的在各个云之间流动,把私有云、公有云能够搭建起来。
归根结底,Data Fabric不是产品,也不是解决方案,而是一种愿景。而它重要的价值就在于,可以帮助用户平滑的进行跨各种云台进行数据的迁移与访问。让数据自由、快捷、灵活。
未来产品以云为目标
“未来NetApp的产品都会以云为目标,或者以云为导向。换句话说,NetApp推出的新产品,要是它不是在整个云的生态系统里面有价值,那么它的优先级可能会排的很低。”游庆洪先生提到。NetApp现有的产品如果没有跟云,不管是私有云,还是公有云配合的更好,产品就不会被推出。
对于NetApp本身,还是会坚持Data Fabric的愿景、集群,继续帮助客户解决整个数据管理,整个云的过渡,往云的方向去发展提供更多的机会。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。