上篇文章我们谈到在"双模式IT"下,传统存储系统发生着巨变。代表开源存储系统的统一分布式文件系统Ceph,以及简化物理、虚拟和云环境中文件与对象访问的数据管理平台Gluster脱颖而出。(文章:开源存储峰会即将召开,开源能否引领未来存储?)而即将在8月5日召开的中国开源企业存储峰会上,我们邀请了Ceph和Gluster领域的存储专家来为大家现场解读存储新势力——开源存储。
那么此次峰会的开源专家带给哪些惊喜呢?这里可以给大家剧透一下。
首先是专家云集,红帽资深副总裁、亚太区总经理Dirk-Peter Van Leeuwen,拥有20余年的IT从业经验。他认为移动互联网、IoT(物联网)的崭新时代正在来临,每一个企业的决策者都在思考如何实现自身企业的数字化转型。其中开放/开源技术已日益成为一种核心驱动力及显而易见的选择。
作为开源界的领袖,红帽具有独特的能力帮助客户实现这种转型并蓬勃发展。在刚刚过去的2016财年,红帽全球营收突破20亿美金,这对于开源市场具有里程碑式的意义。这既证明了开源是可靠的提供IT基础架构的一种方式;也验证了开源技术已成为IT 发展的主流技术。在中国,许多知名企业已经在利用企业开源技术实现创新发展。
红帽亚太区存储业务总监Chris Mawer,为红帽软件定义存储(Ceph、Gluster与OpenStack)平台提供传统、云、容器和超融合工作负载支持。他将根据自己在存储领域的经验和对客户的深入了解来谈今天存储市场的颠覆力量,以及下一代分布式文件系统Ceph技术架构为何能崛起。
来自Intel亚太研发有限公司云与大数据科技中心的段建刚是一位资深工程经理,在企业解决方案调整和优化领域有超过十五年的经验。目前管理云和大数据工程实验室。他的技术兴趣目前主要聚焦在云计算和大数据领域,使用开源软件(如openstack/Ceph/nosql、Apache Hadoop和Spark)开发、部署和优化高效的云与大数据解决方案。
张建是Intel亚太研发有限公司云存储技术组高级软件工程师。云存储技术组致力于基于Intel平台开发和优化开源云存储系统架构及解决方案。 目前他们在Ceph社区的代码贡献量排在第二位,在很多管家的功能和组件如Cache Tiering、Erasure Coding、Rados I/O hin、Bluestore上有很大贡献。 同时,他们还与Red Hat 一起组织了北京和上海Ceph Day, 并同许多中国的客户一起构建基于Ceph的SBS POC解决方案。 张建有9年的开源软件开发、性能分析优化与调优经验,例如Xen、KVM、Openstack、Ceph、Swift等等。
云达科技的技术专家李家瑞,有超过20年以上的IT 产业经验及5年以上商业顾问的经验。目前在云达科技中领导团队开发SDDC,开源云端及软件定义网络等相关的解决方案以满足服务提供商及企业客户的需求。他将深入探讨Ceph技术架构结合云达科技给用户提供的解决方案。
中国移动苏州研发中心云计算产品部研发经理郭占东,自2015年下半年起带领团队对Ceph进行深入的调研及测试,完成转型工作,目前在建设国内规模最大的Ceph对象存储系统。他将分享《Ceph在中国移动的应用与思考》。
还有在Linux服务器端软件、分布式存储、高可用性、虚拟化有超过10年产品研发、架构设计及团队管理经验的红帽软件资深架构师张家驹。他热衷于开源软件及开源社区,并曾带领OpenStack技术开发团队从事社区贡献工作。
此外,当天还有两场圆桌对话,分别就“当存储遇到开源”以及“云时代的存储”等热点话题进行思想碰撞,相信此次峰会能够对未来存储的发展带来精彩的一笔!
想了解更多大会咨询请点击:中国开源企业存储峰会
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。