今年6月Commvault和阿里云宣布达成合作,将携手为企业提供混合云数据管理解决方案,企业用户可以在阿里云平台上使用Commvault提供的安全数据管理服务;同时,阿里云和Commvault将推出联合解决方案,进一步推动双方在技术层面的深度合作。在日前举行的杭州云栖大会期间,记者获悉双方合作取得进展,7大混合云数据管理应用场景先行落地,更多的解决方案和产品后续将继续推出。
当下众多企业都在谈数字化转型。数字化转型涉及方方面面,数据的安全是一个关键问题,Commvault和阿里云的战略合作也就是落在数据的安全上。
“今天,我们看到很多企业级客户正在或者已经把它们的一些IT系统向云上迁移,在这个过程里面有两个问题:一个是安全,另一个是数据的迁移,这是Commvault和阿里云合作的一个背景。”Commvault 大中华区总经理王波在接受记者采访时表示。
王波进一步解释说,企业的IT从原来的私有云环境转变为云环境,发生了变化,在变化后的新环境中数据的安全如何保证,是很多企业上云之前必须考虑和解决的问题。
Commvault 大中华区总经理王波另一个普遍的用户需求是数据的迁移。在有一定规模的企业中其IT基础设施都已经运行了五年、十年甚至更长的时间,要把IT迁移到云上,就需要一些方法能够快速有效地去做这种迁移。
王波表示,正是安全和迁移的两个需求让Commvault能够和阿里云走到一起,让大家共同合作来让客户能够在最短的时间快速地把自己的基础设施和应用转移到云上,同时能够确保是安全的。“在不少人印象中,Commvault是做数据管理或者数据保护的,其实云迁移也是我们很重要的能力之一。”王波说。
谈到双方的合作阿里云资深技术专家陈弘评价说:“在我们看来,跟Commvault合作原因很简单,阿里云是排名前三的云服务商,Commvault在备份容灾领域是技术领先者,面对混合云这一发展趋势,我们需要构建一个更完善的生态来满足客户的各种需求,包括备份容灾。”
混合云的优势被越来越多的企业认可,不少传统企业开始利用混合云来部署自己的IT应用。比如,利用企业数据中心已有的资源支撑常规业务、保存数据,同时利用公有云作为备份来应对突发需求,或者进行数据备份和容灾。
“我们注意到,不少传统客户已经在采用公有云来进行数据容灾和备份。其中,甚至不乏大客户。” Commvault大中华区PSE技术经理林晓明表示。
来自阿里云的陈弘也告诉记者,这些年阿里云的客户越来越丰富,从早期的互联网客户逐渐扩展到传统企业。他们发现,对于很多传统企业上云,最舒服、最自然的方式就是把他们的生产系统、数据备份到云上、或者用云来容灾。因为这样能解决成本、效率、性能的问题。
实际上,由于传统的数据容灾和备份成本比较高,而公有云可以大大降低容灾和备份的门槛,现在已经一些中小企业这么做了:它们把数据备份到公有云,在私有云系统出现故障或者数据出现问题后,再到云上取回数据。由于无需开启虚拟机,只需支付数据保存的成本,从而可以大大降低成本。对于那些对时间不是特别敏感的应用,不失为一个很好的解决办法。
“在云容灾方面我们和阿里云推出的解决方案就如此操作。第一步,做好本地备份;第二步,把备份复制到阿里云上;第三步,在阿里云里把这个数据恢复起来,重建系统。” 林晓明说,“这种方式可能恢复的过程会长一点,但是对用户来讲,费用很低,因为云主机平时都不用开。”
据林晓明介绍,作为双方合作的初步成果,目前已经推出了一个名为“云数据管理七巧板”的解决方案集,其中有了七个场景,都是很典型的数据灾备场景,用户可以单独选择每个场景,也可以叠加起来用。
值得一提的是,阿里云还有自己的容灾和灾备解决方案,这是否会影响双方的合作?对此,陈弘表示完全不会。阿里云的客户众多需求各有不同。比如,那些从一开始就把应用构建在阿里云上的客户可能会很自然地选择阿里云的灾备解决方案,而对于很多传统企业,特别是原本就是Commvalt客户的企业,它们对Commvalt更熟悉,对于双方合作推出的解决方案可能就更刚兴趣。
“原因很简单,阿里云自己的产品是为了解决阿里云一些应用的备份,面向阿里云原有的客户。对于更大的企业生态,特别是原来已经习惯于使用Commvault的客户会更偏爱这种具备非常完整功能的企业级备份容灾软件。” 陈弘表示。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。