日前,Lenovo®于北卡罗莱纳州三角研究园宣布推出一款依托新一代SAP®应用的可扩展内存解决方案,为商业用户实时提供企业关键分析洞察。面向SAP HANA®的联想可扩展解决方案专为执行内存中计算而设计,可打破当前限制为运行SAP S/4HANA®的客户提供内存可扩展性,使客户从更深入的数据分析能力和更高的应用性能中受益,进而加速供应链规划,改进对财务规划和其它新一代应用的预测、模拟以及假设分析。同时,随着新的软件定义技术继续拓展SAP?应用在数据中心的应用范围,客户需要在进行扩展的同时降低总体拥有成本(TCO)。联想用于SAP HANA的全新解决方案对其现有的领先产品组合进行了扩展,可满足SAP S/4HANA的巨大内存应用要求,最高能够扩展到36TB,同时还支持全新经济模型,既可提供投资保护,又可帮助客户降低成本。
联想服务器与存储总经理Kamran Amini表示:"随着业务流程的自动化程度不断提高,客户互动开始采用移动业务应用等新渠道,企业做出关键业务决策需要实时处理的数据量正呈爆炸性增长。通过与SAP和ScaleMP等合作伙伴开展密切合作,联想开发了一个创新型企业解决方案,可帮助客户通过添加将'内存中'数据库容量提高四倍的服务器节点--而不是大规模升级到昂贵的大型SMP专有系统,成本高效地逐步扩展其SAP S/4HANA环境。"
通常,SAP S/4HANA客户会估计其企业的数据增长速率,以初始规模开始部署流程。依托客户可靠性¹和客户满意度2均排名首位的联想系统,联想的创新型解决方案采用可扩展的构建模块方法。面向SAP HANA的联想可扩展解决方案旨在支持更大规模的SAP S/4HANA工作负载,可为客户提供一定的灵活性,从使用单一系统起步,随着数据增长平稳扩展其基础架构。通过打破系统内存限制,客户无需添加其它处理器节点即可完成这个任务,与传统的16路大型SMP系统相比,这种方法可帮助降低总体TCO。云服务提供商和在本地部署基础架构的客户将从这种方法中受益,在数据和工作负载需求不断增长时通过新的成本高效的方法来改进客户服务。
与任何SAP应用部署一样,项目计划完整性和生产环境稳定性是成功的关键要素。为确保成功,联想提供了最佳实践服务来帮助加速部署,并为面向SAP HANA的联想可扩展解决方案提供持续维护、24x7监视和管理。这些服务旨在确保快速启动并运行SAP HANA,并持续满足客户的主要预期。
SAP SE SAP S/4HANA执行副总裁Wieland Schreiner博士表示:"我们预计,无论是使用本地还是SAP托管云解决方案,SAP S/4HANA客户都可以提高大型工作负载所需的简便性、可扩展性并降低TCO。利用在SAP自己的企业云中完成的测试,通过与联想合作,这个新型解决方案将帮助客户提高SAP S/4HANA的投资回报,创造新的商业价值。"
ScaleMP CEO Shai Fultheim指出:"ScaleMP已确定,系统内存容量是云端和企业数据中心应用的主要限制因素。我们当前和未来的产品将致力于打破这些限制,以实现扩展并提高效率。作为数据库创新领域的领先企业,联想是ScaleMP开发软件定义内存和计算产品的最佳合作伙伴。"
面向SAP HANA的联想可扩展解决方案将于2017年第四季度发布,是联想与其合作伙伴SAP和ScaleMP深度合作的另一成果,也是三家公司为其共同客户创造全新价值所做的长久承诺。
好文章,需要你的鼓励
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。