VSP硬件的未来是否也会呈现出这样的面貌?
根据IT Pro Nikkei网站的报道,日立公司正在着手冻结其VSP高端存储业务投资,这主要是由于此业务利润率低下而日立则希望能够借此提升运营收益。
报道援引了日立公司高级管理系统与服务业务副总裁Keiichi Shiotsuka的表述。他指出,日立公司正"着手冻结存储业务之内高端机型的投资,且在对低营收硬件开发业务进行结构化调整,旨在于2019年3月31日之前将系统与服务业务运营利润提升到10%。"
其思路明显是将高端存储视为一类低利润平台业务及问题区域。日立公司希望实现10%的利润率,而高端存储业务则将进行缩减。日立方面还将专注于其Lumada物联网项目,其中包括Pentaho分析方案。
其中当然也包括VSP(即虚拟存储平台),此产品线刚刚于今年4月完成升级,旨在同EMC的VMAX以及IBM的DS8000进行正面竞争,且正逐步向全闪存方向发展。
Keiichi Shiotsuka于6月1日(投资者关系日)在日立公司做出的发言,点击图片播放视频,请跳转至10分37秒位置。
HDS将把注意力集中在闪存与大数据物联网存储管理领域的开发工作上,Shiotsuka在6月1日日立公司投资者关系日的发言中表示。
Shiotsuka演示文稿中的第13页。
今年1月,日立/HDS公司宣布一款拆分自其现有存储平台的HFSA A系列全闪存阵列。
其将把服务器与存储产品作为服务支持方案推广,而物联网方面的开发工作则以存储与软件的功能交付平台为主体,意味着由Data Management负责处理数据生命周期与数据湖管理、数据分析以及数据可视化。日立公司明显正在向服务业务方面转型。
日立数据系统(简称HDS)公司全球企业沟通主管Chris Drago在采访中表示:"日立正积极致力于从基于磁盘的硬件投资转向闪存存储领域,同时推进我们的存储虚拟化操作系统(简称SVOS)并增加客户的自动化与管理选项。"
针对这一点,他进一步表示:
在他看来:"由于大多数用户并不需要G1000级别的性能水平,因此我们在未来几年将不会把它作为优先开发项目。而且我们也拥有其它一些能够切实帮助客户快速实现数据化转型的创新成果,这些才是我们投资的优先取向。"
Drago补充道:"我们坚信我们的投资超出其它高端企业级存储厂商。Gartner对高端存储系统供应商做出了排名,而我们成为该分析结论中全部分期的最高得分者。我们还以较大优势击败其它厂商永利了Sotrage Magazine质量大量(由用户评出)。由此可见,我们的高端业务信誉非常出色。"
根据我们的理解,日立公司将逐步退出高端整体阵列硬件,但仍然保留SVOS项目,转而冲击闪存存储产品与块存储业务、面向物联网数据的PB级别内存存储以及相关检索与分析领域。这一重新定向思路将使得日立旗下各业务部门立足于存储硬件及软件提供物联网存储与分析方案。
实际上,日立公司认为整体阵列硬件可能即将走向历史的终点,而抢先一步做出反应无疑是明智且必要的。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。