IDC在其首份Global StorageSphere报告中预测,在2018年到2023年预测期内,全球存储装机容量将翻一番,增长到11.7 ZB。
IDC的Global StorageSphere报告评估了6种类型存储介质的全球存储装机容量,以及每年使用中或者可用的存储容量。存储装机容量是一个累积性的指标:相当于在几年内部署的新存储容量减去每年淘汰或者退役的系统或存储设备。
IDC研究副总裁John Rydning表示:“Global StorageSphere规模庞大且多样化,涵盖了很多不同的存储技术,并且发展迅速。在Global StorageSphere中,企业——尤其是云提供商——越来越依赖于存储和管理全球数据存储库。”
Global StorageSphere预测报告的主要发现包括:
每年生成或者复制的数据中,只有1-2%的数据可在任何时间段内保存或者存储;其余的数据要么立即分析,要么交付使用,永远不会保存下来以便再次访问。然而,2018年提供商们让全球存储装机容量增加了700多EB,创造超过880亿美元的收入。
企业管理的存储庄家容量超过了消费者管理的存储容量,这主要是因为消费者越来越依赖企业——特别是云产品——来管理他们的数据。IDC估计,到2023年企业将负责管理超过四分之三的存储装机容量。
所有地区的存储装机容量都在扩大中,但在那些云数据中心已经存在或正在扩展的地区,存储装机容量增长更快。其中在亚太地区存储装机容量最大,并将在2023年扩展至占到Global StorageSphere的39.5%。
好文章,需要你的鼓励
Captions公司研究团队开发的Mirage模型实现了从音频直接生成说话视频的突破。该技术能准确生成与声音匹配的面部表情、唇型同步、手势动作和环境背景,甚至可仅从音频推测说话者外貌特征。基于统一的Diffusion Transformer架构,Mirage避免了传统方法的复杂专用模块设计,展现出卓越的情感表达和细节还原能力,为内容创作、教育培训和无障碍技术等领域开辟了新的应用可能。
牛津大学研究发现,尽管大语言模型在医学考试中表现出色,但在实际应用中效果大打折扣。研究显示,LLM直接测试时能94.9%准确识别病症,但人类使用LLM诊断时准确率仅34.5%,甚至低于不使用AI的对照组。问题源于用户提供信息不完整、LLM理解偏差等人机交互问题。专家指出,仅凭非交互式基准测试评估LLM存在误导性,需要真实的人机交互测试才能准确评估AI系统的实际性能。
NAVER和KAIST研究团队发现,先进AI模型在数学题自我修正方面存在严重缺陷。他们创建的MMRefine基准测试揭示,即使是GPT-4O等顶级模型也只能成功修正约23%的错误答案,而且经常将正确答案改错。研究发现不同模型在处理六种错误类型时表现差异巨大,特别是小型模型在空间推理修正上竟然超越了大型模型,颠覆了"越大越好"的认知。