伴随着大数据分析、人工智能技术的兴起,企业对高性能存储的应用需求开始显现,既希望存储产品可以提供高性能的存取能力,又期望其具备经济实惠的价格,还希望存储在上面的数据能有安全可靠的保障。7月23日,既年轻又经验丰富的西安奥卡云发布了自主、安全、可靠的可应用于新一代的数据中心,有助于用户数字化转型应用的OrcaStor UniIO存储产品。
奥卡云成立于2017年,实际上是在2018年春节才开始运作。奥卡云从创立开始就是聚焦在IT、信息的主航道上,主要是帮助企业做数字化的转型,聚焦在存储系统、基于基础设施的视频云解决方案,还有新一代的数据中心的建设上面。
奥卡云核心的团队分为两大部分:
首先是国际团队。奥卡云有一位国家级A级专家,还有12位海外专家,刚才也讲了,CTO John是Veritas的创始成员,他最早开发的VxFS文件系统已部署在全球500强企业的数据中心里面。还有Alex,他原来是vSAN的创始人之一,他还曾是一家公司的CEO,他现在加入了奥卡云。在存储领域,存储技术方面,有艾杰(AJ),他是惠普已经收购的一家公司的架构师,他们都有30、40年存储方面的经验,非常丰富。
国内团队中,奥卡云有49位来自于知名企业,包括EMC、华为、中兴等等这些原来存储领域非常有经验的技术骨干,他们都加入了奥卡云。
奥卡云聚焦解决云计算和大数据的核心难题,也就是说这些数据是怎么存储,以及这个数据是怎么管理的,也受到了各界领导的关注,奥卡云同时也是申威联盟,还有存储产业技术创新战略联盟的核心成员。
这次奥卡云发布的产品叫OrcaStor UniIO,OrcaStor奥卡云整个存储系统的核心,UnilO代表的是融合,后续奥卡云也会把文件和对象这种存储协议融合进来。
UnilO面向的是什么应用场景呢?简单来说是面向多应用或者是多租户的场景,实际上就是面向云计算,它有四大特征:
第一,UnilO是一个Scale-out分布式架构,包含了全局的面向整个数据的重删和压缩功能。
第二,UnilO提供了最佳的数据服务,包括性能无损快照,打快照的时候不受任何冲击,还有数据去重后的精简远程复制功能,应用程序服务质量保证QoS等。
第三,UnilO采用的是标准的商用的硬件,就是它无需昂贵的SSD,用通用的SSD就可以满足应用需求。
第四个,UnilO具备简单性。这个简单其实内含的是全自动化,没有任何RAID配置,也没有磁盘RAID组的概念,而且没有复杂的性能参数的调节功能,它通过Restful API的接口,可以完全去对接云计算的平台,比如说OpenStack,可以实现自动化的云编排。
整体来说,OrcaStor UniIO是面向大型基础设施、高性能的存储系统设计的,测试发现平均数据缩减率为5:1,极大的降低了客户的总体拥有成本,而且整个存储占用的空间和功耗都得到了大幅度的缩减。
我国正在推进有中国特色的智慧城市的建设,包括5G商业的落地,会推快这个进程。在这个进程中实际上有大量的数据产生,这些数据并不是所有的数据都要上公有云,这就会产生大量的存储的需求在里面。同时,网络安全和自主可控是整个国防信息安全建设的基石,存储在其中应该是首当其冲、重中之重。而在中高端存储领域的供应商中,我国的核心竞争力还有待增强。很多存储厂商产品还是基于开源软件进行实现,同质化比较严重,这里就蕴藏了大量的机会点,这也为具备技术和产品优势的奥卡云提供了难得的发展机会。现在奥卡云正在通过加入自主可控的申威联盟、与中国通信服务集团、联想集团建立了战略合作关系的方式,积极打造合作的生态,并通过国内人才与国际人才并重的方式把这些顶尖的人才放置在这个企业里面最核心的业务上面去,来快速加快产品化进程。
由此可以相信,借助5G与大数据的天时、本土信息安全的地利与高端技术人才的人和,奥卡云的未来发展将会大有可为。
好文章,需要你的鼓励
前沿AI研究机构Decart发布最新世界模型Oasis 3,旨在弥合虚拟仿真与物理AI之间的鸿沟。该模型将超写实交互图形能力与强大物理引擎相结合,可生成动作驱动的视频流,支持多视角环境模拟,延迟低于200毫秒。开发者能够借助自然语言提示,快速构建多样化极端场景,有效解决机器人和自动驾驶领域长期存在的"仿真到现实"差距问题,大幅降低物理AI训练成本。
OpenSkill是一套让AI代理无需人工监督即可自主成长的框架,通过从互联网获取知识、自建虚拟考题反复练习,实现真正的开放世界自我演化。
Visual Components正式发布5.1版本工厂仿真软件,重点引入高精度物理仿真与可扩展机器人协同调度能力,支持在同一环境中同时模拟数百台自主移动机器人、自动导引车及人员的运行状态。新版本还将仿真性能提升至前代的10倍,新增Allen-Bradley PLC支持及Nachi、Epson机器人虚拟调试插件,并将脚本环境升级至Python 3。该软件旨在帮助制造商在实际部署前完成系统验证,降低调试风险,缩短投产周期。
论文研究了AI评委同时优化多个评判维度时的两大失败原因:梯度稀释与指令干扰,为多目标提示词优化提供了系统性诊断框架。