惠普企业业务公司在其存储与计算发展战略中将Machine设定为发展目标,这套动态可拆分基础设施方案能够对其中的计算、内存/存储以及网络资源分别进行任意规模伸缩。其拥有非常出色的普通与持久存储空间——也就是存储级内存(简称SCM),即惠普旗下早期公布过的忆阻器技术。
不过这项战略仍然需要五年甚至更长时间才能最终实现,因为惠普企业业务公司已经与SanDisk达成一项战略协议,双方将共同使用SanDisk电阻式内存(简称ReRAM)技术——这是一项目前正由SanDIsk开发的未来持久性内存技术,目前尚没有进入商业运营状态。
言下之意就是,SanDisk ReRAM已经落后于英特尔/美光的3D XPoint内存——其即将于去年晚些时候乘Optane产品一同投放市场。XPoint产品的潜在用户包括Plexistor,其目前正在对相关技术成果进行测试。
那么我们要如何从目前的惠普企业业务服务器与SotreServ闪存存储方案推进至Machine 1(SanDisk)与Machine 2(忆阻器)?
就当前来看,惠普企业业务公司的ProLiant服务器使用DAS闪存(即直连SSD)与共享式外部StoreServ阵列。
惠普企业业务公司Machine节点板样机
我们似乎可以推断出,ProLiant/StoreServ有可能通过以下步骤实现这一过渡:
在这套规划当中,惠普企业业务公司不会使用XPoint技术。
下图所示为Machine方案之概念构成:
Machine组件示意图
从概念层面讲,多核心甚至是多CPU系统芯片(简称SoC)单元会与本地DRAM(其中包含八个DIMM插槽)相通信。其采用一套光纤交换机制(NVMeF或者Silicon Photonic)以通过介质控制器接入持久性内存(ReRAM或者忆阻器)资源池。另外还将有一套光学适配器同其它Machine节点或者系统进行交互。
这一流程在配合ARM或者x86 CPU时会变得较为复杂,因为这些处理器在自身与DRAM以及持久性内存之间还设置有缓存。这些缓存中的数据必须被写入(刷新)至持久内存以实现持久性。因此,低级系统代码必须经历这一步骤,并通过某种形式确认写入完成。而高级代码则需要在持久数据被写入至缓存时触发缓存刷新,或者以其它方式确认写入操作完成。
换句话来说,这是一种IO操作,其速度仅高于指向DAS的IO操作,且需要单独加以管理。
惠普企业业务公司将提供一系列API以实现上述流程,而且系统软件也需要面向存储级内存以及Machine做出相应的调整。
那么我们能否推断出其具体发展时间表?
下面来看潜在的时间分期,当然这一切仅仅是我们的猜测:
不过这里还有两个重要变量尚不明确:其一是SanDisk正式进行ReRAM驱动器量产的时间点; 其二则是惠普企业业务公司及其代工合作伙伴批量生产忆阻器驱动器的时间点。
考虑到SanDisk已经被西数所收购并被合并至后者的HGST闪存业务体系当中,因此其显然将面临大量合并期间及之后的调整工作,这一切恐怕意味着ReRAM驱动器的量产还需要数年时间才能正式启动。
而这种状况可能促使惠普企业业务公司利用3D XPoint驱动器作为权宜之计,当然我们认为惠普方面可能并不愿走出这样一步棋。拥有自己的SCM解决方案在吸引力上肯定远远超过成为英特尔XPoint的另一家渠道合作方,因为如此一来英特尔的商用硬件竞争力将进一步提高,使得SCM市场同DRAM乃至CPU一样陷入一家独大的局面。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。