西部数据对CIO和IT 决策者进行的调查显示,在进行数据存储设备采购时,可靠性已经超越成本成为首要考虑因素。对于数据的保护与价值分析变得更加重要,已经取代价格敏感性成为首要条件。
在包含有五项决策因素的选择调查中,仅有 16% 的 IT 决策者选择成本作为关键因素,而49%的中国IT 决策者认为在采购数据存储设备时可靠性是最关键的因素。相较之下,全球有39%的决策者认为可靠性是关键因素,而25%认为成本较为重要。
在中国,97%的受访者认识到数据对业绩的积极影响,然而,却有64%的受访者承认尚未建立必要的设施来有效地存储数据以实现长期的业务增长。为解决此问题,81%的IT决策者正在扩展冷存储和归档容量,同时,97% 的受访者表示正持续投资数据分析,并将基础架构投资列为优先项目,挖掘内部数据价值。调查还显示,为了更好地存储与访问日益增多的数据,云基础架构与扩建预算有所增加。
调查显示,数据正在急剧增长,各行业的 IT 领导者都认识到了运行数据和分析工具的重要价值,并且之前认为过于复杂无法利用的历史归档数据也可以帮助获得重要见解和洞察。
• 在中国,97% 的IT 决策者(比例较去年微幅增加)认为,如果企业组织能以最佳的方式存储与访问数据,所有数据都有其价值;同时,97%的受访者表示其公司了解数据对于收益的价值,同样,也有97%的受访者认为其企业组织正有效地运用数据来支持商业决策。
• 然而,依然有64% 的中国受访者承认他们并未存储长期业务所需的所有数据。超过70% 的中国 IT 决策者认为能轻松且快速地存取或处理数据是其最大挑战,这个问题是其无法发挥数据价值的最大障碍。
• 中国IT决策者承认存储需求正在不断增长(92%),他们需要不断满足应用的性能需求(90%)。他们了解数据分析和数据挖掘的价值,因此希望保存尽可能多的数据。
• 几乎所有的中国受访者(99%)认为,物联网、大数据和移动应用正在推动数据中心转型的需求。
受访者还认识到访问冷数据也非常关键,他们的基础设施投资计划表明,传统的“存储后就忘掉”的数据归档和冷存储解决方案,如磁带,将不再能满足发掘数据价值的需要,而且还有超过半数以上的受访者表示尚未存储所有需要处理和分析的数据。在中国,快速地存取陈旧数据的痛点愈加明显,在所有受访者中,其重要性从2014年的85%增长至2015年的90%。组织所拥有的数据量还影响着公司的财务状况,也因此推动着数据需求的增长。
在中国的受访者认为云存储是预算增长最快的领域,同时也是目前 IT 决策者最密切关注的领域。
• 在中国,云存储仍为IT预算增长最快的领域,增幅达80%,全球平均增幅为61%。
• 90% 的中国受访者正在规划、进行,或刚已完成公有云或私有云的初始方案,超过全球平均水平的84%。至 2016 年底, 29% 的中国受访者会将一半以上的数据存储于公有或私有云。在中国,81%的受访者表示正在扩展冷存储与归档容量。在长期归档或冷存储方面,受访者所面临的三大主要挑战为数据保护和可用性(94%),可扩展性(92%),和快速访问旧数据(90%)。
• 当被问及阻碍数据中心实现其最大潜能的因素时,中国受访者认为它们分别是:与核心业务协同(29%)、人才与资源(23%)、预算(22%)。而在全球范围内,35%的IT决策者表示最大的挑战是预算。
此第二届年度数据调查由西部数据集团进行,调查进行时间为 2015 年 10 月 7 至 27 日,受访者来自专业调研组织SSI的技术决策者在线小组。受访者均经过决策者层级、国家与行业筛选。调查样本包括总共 700 位来自美国、英国、德国、法国、中国、日本及韩国的资深技术决策者,行业覆盖能源、金融、医疗保健、IT-电信、制造、媒体与娱乐。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。