2016年3月9日,北京-EMC公司(NYSE:EMC)今天宣布企业存储战略的一次大跨越,为其业界领先的全闪存存储解决方案再添两大重磅产品,以应对混合的、整合的以及世界上性能要求最高的企业工作负载。EMC今天宣布推出旗舰产品VMAX® All Flash®企业数据服务平台和EMC® DSSD™ D5™机架级闪存解决方案,对业界领先的XtremIO全闪存阵列起到补充作用,突显出EMC对主存储系统全闪存化的承诺。EMC的闪存产品可满足几乎任何企业数据中心的应用场景,从而实现现代数据中心。EMC估计,到2020年,用于生产应用的所有存储系统都将基于闪存阵列,传统磁盘将仅用于大容量及归档存储。
EMC全闪存产品旨在满足几乎任何企业数据中心的应用场景:
• XtremIO®全闪存阵列用来加速和整合混合的数据块存储工作负载,例如数据库、数据分析、服务器虚拟机和虚拟桌面基础架构,这些工作负载需要一致的、可预测的性能和亚毫秒级延迟。XtremIO提供了业界最佳的线内数据压缩和数据消重功能,提高了容量经济性,旨在应对最高端的企业工作负载。
• VMAX All Flash用来整合数据块和文件混合的工作负载,这些工作负载要求高达6个9的企业级可用性、丰富的数据服务、IBM大型机和iSeries支持,以及可扩展的存储系统。VMAX All Flash提供了复制、恢复、数据服务和服务质量的黄金标准,全部用闪存进行了重新设计,提供高达4PB的存储容量。
• DSSD D5机架级闪存创造了新的闪存存储门类,提供突破性性能,满足性能要求最高的传统及下一代应用场景,这类应用需要微秒级延迟,例如面向Hadoop和Oracle的实时数据分析。
• VNX®系列阵列是EMC提供的最简便易用、最经济的全闪存产品。全闪存的VNXe入门级阵列就能支持中型企业的文件和数据块工作负载,以及部门级工作负载。
EMC融合平台事业部VCE?将基于这些全闪存基本构件提供新的融合基础架构产品。
EMC自2008年成为第一家在企业级存储阵列中使用固态硬盘(SSD)的厂商以来,一直在进行存储产品创新,演进其存储产品组合,旨在以强有竞争力的价格,满足客户对性能、可靠性和丰富数据服务的需求。SSD的技术和市场都在逐步演变,现在已经达到了全闪存阵列足够经济实惠、可用于通用企业级数据存储的程度。EMC将继续在其全闪存产品中采用各种闪存介质,包括3D NAND以及未来前沿的闪存技术。
相对于传统磁盘阵列而言,更高的闪存盘密度、更低的故障率、更低的功耗和运行温度也是闪存阵列成为企业级存储平台的原因,因为企业级存储平台需要占用更少的数据中心空间、降低功耗和减少冷却措施。
根据IDC最近发布的"全球季度磁盘存储系统跟踪报告",在全闪存存储解决方案市场,EMC市场份额最大,为39%,超过了接下来3家厂商的市场份额总和,在企业级存储解决方案市场,EMC也是市场份额领导者,企业级存储解决方案既包括全闪存、也包括混合闪存存储阵列。基于混合型配置的EMC存储解决方案将主要用于大容量数据存储和满足归档存储需求。
适合现代数据中心的新定价和打包方式
客户对XtremIO全闪存阵列简化的定价和打包方式给予了一致积极的反馈,以此为基础,EMC将Xpect More计划扩展到新的VMAX All Flash阵列,让客户简化规划、部署和管理。Xpect More计划独特地整合了使用期不加价的维护模式和使用期闪存耐久性保护。这不仅消除了很多采用新技术时遇到的典型障碍,而且能够帮助客户以更加可预测和高效的方式,制定未来的采购计划。
业界分析师证言:
IDC公司项目总监Ashish Nadkarni
"任何人都很容易预测到,就主存储的工作负载而言,纯粹由于性价比原因,闪存终有一天会超过传统磁盘。不过直到现在,一直不那么清晰的是,有多少不同的工作负载可以受益于闪存存储固有的、超越原始速度的敏捷性。EMC通过最新全闪存产品的推出表明,专门开发的全闪存解决方案对各种通用和高性能应用工作负载都有显著益处。"
EMC高管证言:
EMC公司产品与市场总裁Jeremy Burton
"今天的企业客户需要用敏捷、高效、高速的现代数据中心驱动业务运转。我们正在扩大由XtremIO带来的EMC主存储实力和全闪存领先优势。随着VMAX All Flash和DSSD D5的推出,从传统高端企业级工作负载到人们甚至想都没想过的未来数据中心应用场景,几乎没有数据中心的应用场景是我们不能满足的。"
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。