IT部门需要为企业用例制定云存储的采用策略,并决定在内部和外部使用什么数据。他们将获得新技术和工具的帮助,这些新技术和工具是跨现场和异地环境的最佳数据放置和管理软件。
以下是来自领先存储技术专家的预测,我们将在2017年及以后看到云存储。
Hitachi Data Systems公司的CTO Hu Yoshida:大部分存储将最终迁移到云端。这样做所带来的优势将被越来越多的人看到并接受。新的颠覆性公司大多数都在云端,如Airbnb和Uber。他们改变了商业模式。传统企业正在做出反应。每个人都专注于数字化转型。
我们在过去10年中看到的技术爆炸以及我们在IT方面获得的效率并没有转化为产品和服务交付方面的生产力提高。尽管我们拥有所有这些技术,但生产力已经下降。主要原因是我们没有以新的方式使用这些技术。一家银行向我展示了他们的新移动贷款应用程序,但它仍需要三个星期才能交付或批准贷款。这不再只是关于技术。它更多地涉及到如何改变业务流程,以及如何使人们更快地进行创新。
向云端转移的速度将会加快,购买模式也将发生变化。云提供了一种按需购买模型,与合同不同,我们将以结果为基础购买服务。除非你交付,否则你不会得到报酬。许可也将改变并转向订阅模式。
Hewlett Packard Enterprise数据中心基础设施组CTO Milan Shetti:数据中心里的混合IT模式将于17年开始被公众认可,人们将更深入地了解数据中心的内部,公共云的内部以及两者是如何一起工作的。每个客户,不管是小型或大型客户,将要经历混合IT的决策过程。公共云已经为客户提供了这种集中的基础设施,以部署他们所需要的任何应用程序和服务。但是由于闪存和持久内存,用户将意识到他们可以在数据中心实际获得公共云经济性,而不必来回移动数据,从而付出昂贵的代价。
IBM存储的副总裁兼CTO兼副总裁Vincent Hsu:软件定义存储(SDS)将能够在内部和外部运行,
从而以更低成本的方式创建新的数据中心。另一个重点将是使事情作为一个数据海洋而不是多个不同的孤岛。最后一件事是关注SDS的内部和外部,需要大量的手动操作,以管理数据的存放位置。你会看到认知技术的出现,可以帮助客户找出最佳数据和工作负载的存放位置。将工作负载移动到正确的位置是2017年一个新的混合云计划。
Nutanix高级工程副总裁Rajiv Mirani:我们将看到全栈的数据中心管理,并且有能力突破云端。今天的云集成很少。当在超融合基础设施上部署一些东西,“当设备达到容量时,我的应用程序的其他实例应该自动配置到公共云环境(如Amazon或Azure)中”并不是一件容易的事情。如今还没有人能真正实现。但是长远来看,能够为内部部署基础架构和云提供应用程序管理的供应商将是最成功的。
VMware存储和可用性业务部门CTO Christos Karamanolis:基于服务器的存储将首次为内部和公共云中的数据中心的主存储提供统一的操作模型。在VMware环境下下,它将是vSAN。在微软环境下下,我期望这是Storage Spaces。这样,客户能够使用相同的操作模式,无论他们的IT基础设施在哪。目前主要的公共云不提供存储,在功能上等同于存储区域网络。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。