"坦白讲,我更多是进行技术层面系统架构的研究,并不擅长于前台宣讲。"李可提到,"在目前云计算、大数据平台的爆发阶段,有很多企业专门做数据备份、数据容灾或数据挖掘/分析及数据仓库的某一环节,但相对较为分散,而Commvault更注重于数据的全生命周期管理。"李可作为Commvault亚太区企业解决方案架构师,在媒体沟通会上,直入主题,介绍了Commvault的定位。
显然,李可是一位技术管理层,他认为,Commvault在魔力象限中处于领导者,主要原因在于远见和专注。

大数据时代 Commvault扮演怎样的角色?
根据IDC报告,2019年全球大数据分析市场的营收有望达到1870亿美元。同时,研究还显示,企业利用数据驱动型洞见做出的商业战略决策,可将生产力提升33%。显而易见,数据对于当今企业而言的重要性。
随着现代业务的快速发展,当前无论是IaaS、PaaS还是SaaS层, 方案堆积现象频现,无法将企业的真实情况反映出来,企业需要对所拥有数据做出完整梳理并掌控,因此Commvault提出的理念即数据管理,并不只是简单的数据获取、分析,而是将不同时期、不同来源、各个类型的应用数据汇聚一起,高效的存储并进行分析,提取商业价值。在这个过程中,Commvault扮演着类似于"心脏"的重要角色。
众所周知,数据分析的过程并非易事,Commvault的内部数据分析引擎,将整理后的数据提供至相关行业做深入挖掘。"在这个过程中,Commvault可以被理解为收集者、搬运工、分析者,同时兼具搜索和分析,最重要的是数据的展现者。"李可解释到。
事实上,所有的数据都有两种形式持久化,一是在传输过程中数据流,当数据通过应用发生流动时,Commvault可通过某种方式获取实时传输数据源;二是无论是Hadoop的应用写入、虚拟机、文件系统日志存储路径或基础架构层,只要数据有写入或流动,必定会触发规则,成为持久化的一个环节。
重点行业 重点布局
对于每个行业的需求,李可表示:"目前在医疗、金融、交通、电信等领域,数据需求较为迫切,因为行业属性会产生大量零散的非结构化数据,需要IT厂商制订一套较为完善的方案做数据源整合与管理。"
李可重点提到了医疗行业,Commvault为医疗企业的数据库管理系统做了深度集成,在后端做统一整理清洗,并提供多元的异构数据平台,以方便调取挖掘。其实,在医疗、金融领域,Commvault已经有专门的合作伙伴一起将业务知识、数据管理能力结合在一起去开发相应解决方案。
由此看来,Commvault数据管理解决方案惠及至各行各业,同时也突显了大数据分析市场的强劲需求。而提到数据管理,安全性也是不得不提的话题。不少数据分析供应商在源数据安全上同样煞费苦心。相比于其它厂商,Commvault最大的优势在于完整的数据管理体系。在数据保护、备份、搜寻、恢复上,形式一条闭环链,且可以根据需求灵活性定制,可在Commvault专家的帮助下,既实现安全法所规定的要求,也可以通过自动化的数据处理来减轻操作的压力。
暗数据如何点亮?
众所周知,在数据科学领域,许多企业仅利用了数据的一小部分,有些宝贵数据被遗放在数据孤岛中,无法得到有效利用。行业研究显示,全球每天创造2.5个五万亿字节的数据,而在过去的两年中,这些数据中的90%来自于每天从众多不同渠道产生的数据。换句话说,这相当于575亿台32 GB内存的iPhone手机总存储量。毫无疑问,这确实是海量数据,但是其中大部分数据处于黑暗状态。
对此,李可认为,企业对于暗数据最大的期望在于减少存储成本。Commvault对于暗数据的存储,不需要借助第三方软件或平台,可基于Hadoop等大数据平台做集合,充分利用Commvault数据存储去重压缩的能力,来降低暗数据的存储成本。
"用户需要做数据分析或查询时,通过Commvault统一索引体系和管理界面就可以对跨中心,分层存储的各类数据进行统一检索,无需更复杂的操作。"李可表示。
小结
信息技术的高速发展,使数据量和数据源日益增长,与此同时,数据管理业务也变和尤为复杂。IT管理人员需要及时筛选数据,从而有效管理、保护和利用数据,以释放出更大商业价值。Commvault解决方案在业界确实有较高知名度,不过目前市场竞争激烈,能否长居领导者地位,还有待观察。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。