对象存储再度登场
对象存储已告别了过去的冷存储形象,并以主存储的全新形式出现。原先,对象存储用于支持超大数据集的管理,这些超大数据集往往超出了传统文件系统的处理能力。但如今,因能够支持对大型数据集的高度并行及分布式访问,对象存储已经成为云原生应用的存储标准。在对云友好型架构进行应用程序开发或重新部署时,对象存储将自然地成为首选,其可支持应用程序解耦,并能实现在共享存储池中将应用程序与计算资源分离。这种模式不仅可用于定制软件的开发,而且也得到了大型软件供应商(如Splunk和Vertica)的应用。
现代分析飞速发展
现代分析增长的动力来自于基础设施的使用变得更加经济实惠,这包括出现了更强大的CPU、在本地和公有云中均可应用的消费级基础设施、价格更低的闪存。串流数据分析平台也出现了显著增长,包括开源平台(Apache Flink、Apache Beam和Spark Streaming)以及商用平台(Splunk DSP),它们取代了越来越多的批处理平台。借助由无状态服务器、容器和高性能S3协议兼容的对象存储构成的云原生架构,现代分析可实现更大的规模。此外,包括智能设备(智能家居、可穿戴设备、汽车互联、工业物联等)在内的数据来源飞速增长,也将推动现代分析技术的应用,以获得更多洞察。
借助QLC等新一代媒介,闪存将挑战“不可能”
闪存自推出以来,在很大程度上仅被视为以性能为主的Tier1应用程序。但随着新的固态存储技术出现并带来存储分层,譬如存储级内存(SCM)和QLC,闪存如今蓄势待发,将助力数据走向全新的发展方向。在高端领域,通过结合SCM和NVMe-oF等高速协议,共享存储阵列现可为延迟敏感型应用提供比肩基于服务器的存储的性能表现。这组应用是DAS上仅存的几个应用之一,其现可获得和共享存储相同的数据服务,包括数据保护、数据规约等,这实现了顶级的性能和丰富的数据服务。同时,即将推出的QLC将把闪存引入目前主要位于磁盘上的存储层。这种成本的降低使所有应用程序都能尽享闪存除性能之外的更多优势:简易、可靠、数据中心的能耗降低和空间节省等。
容器跻身主流,需要持久性存储
容器的出现让无状态应用程序的部署变得更为简单且成本低廉。但随着Kubernetes的出现和VMware对容器的支持,容器的使用迅速扩展到了主流应用程序。那么,为容器打造的持久性存储对于赋能数据库和应用程序以实现容器的重新部署则至关重要。2020年,大多数企业的私有云和混合云平台发展有望超越VMs,他们将在企业范围内部署容器策略,包括奠定存储基础以支持状态式、任务关键应用程序,以全面迎接容器时代的到来。
客户希望获得自动的解决方案,因此AI运营将从过去顾问的角色转变为自动化运行
未来,企业将更开放地接受AI,并借助AI进行决策制定。客户希望制定政策后交由供应商实施,这一部分上是由Kubernetes的声明式特征和容器管理决定的。容器的简易性将使企业能够定义状态,并容器将作为催化剂。这样的技术将在整体环境中得以应用并提供洞察。AI将应用于高效地探查预测模型的性能不足之处,并为该特征空间扩充数据。这对AI的应用至关重要,例如异常检测和自动化根本原因分析能使其具有可扩展性并适用于更多情境。
客户需要创新"订阅即服务"的业务模式
自公有云问世,“即服务”的模式相伴而生。对于大多数的存储用户而言,混合云既是当下现实,也是未来趋势。不论何时,用户都希望最大程度地发挥混合云的功效,以基于本地部署的基础架构实现简易化和自动化,从而像管理云一样地管理基础架构,并在云端实现与本地部署相同的企业级功能和控制——灵活的、基于订阅的“即服务”模式。2020年,存储领域对“即服务”模式的需求将会增加,企业也将对OPEX模型进行更多投资。不过,成功的“即服务”模式需要平衡运营和采购两个方面。从运营的方面来看,该模式的关键特征包括标准化(相较于雪花模式)、按需访问、API驱动管理和无限扩展。而从消费方面来看,其关键特性包括付费使用模型、云爆发能力(按需向上/向下扩展)、无间断的持续运行体验、在不干扰业务的前提下实现服务持续增长/升级。以上的“即服务”模式都是通过100%的月付费OPEX服务实现的。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。