近日,在绿色计算联盟主办的 2020 绿色计算产业峰会上,中信建投证券一款全国产私有云解决方案引起了业界的关注。这是由中信建投证券和北京志凌海纳科技有限公司(以下称SmartX)联合推出的一个全国产解决方案,基于ARM架构,由搭载鲲鹏CPU的华为Taishan200 服务器、国产超融合软件、中标麒麟操作系统、达梦数据以及业务系统组成。这是一个实实在在已投入生产的案例,目前正在为中信建投证券业务运营提供保障。
金融行业是一个对可靠性和稳定要求都比较高的行业,这一解决方案能在中信建投落地表明了企业对方案的高度认可。这并非SmartX超融合产品首个在金融行业落户的案例。作为国产超融合平台的代表,SmartX如今在金融行业已经有了不少标杆客户,其中不乏像国泰君安、泰康保险、交通银行这样的金融行业头部客户。
IT基础架构加速演进
近几年,数据中心相关技术进步很快,软件定义理念快速得到普及。超融合正是软件定义数据中心概念的一种落地形态,超融合替代了传统IT架构中存储与计算各自分离的模式,以通用开放的存储设备(比如Server SAN)取代了专用存储设备,以及存储与计算的融合,不仅节约了采购成本,还提升了灵活,降低了运维成本。因此,很快得到市场的认可,市场上出现众多超融合的解决方案,比如国外厂商VMware、Nutanix,以及国内厂商SmartX等。
应该说,在超融合区别传统架构最关键之处在于存储,也就是用软件定义存储替换了原来数据中心当中的EMC阵列、IBM的磁盘阵列等传统专用存储设备。通过软件定义和分布式的改造,再加上与计算的融合,才变成了超融合的形态。
作为国产超融合厂商,与很多同行不同,SmartX从一开始就选择了全自研的道路,掌握了超融合中最为核心的块存储技术,是为数不多真正掌握了超融合核心技术的厂商之一。这也正是中信建投能与SmartX联手推出上述私有云解决方案的前提。
SmartX另一个独特之处在于,作为后起之秀,其超融合产品却能在金融行业拥有大量的头部客户的落地案例,几家大型的银行、证券、保险客户目前部署的SmartX超融合解决方案规模都超过了上百节点。
“SmartX真正把分布式存储、超融合的产品用到了很关键的行业和关键应用场景,比如说国泰君安、交通银行的超融合都用在了生产系统。” 北京志凌海纳科技有限公司CMO 库依楠在接受记者采访时表示。
正是IT架构升级时
作为SmartX的CMO,库依楠对超融合市场有着更为直接感受。他明显感受到超融合市场这几年的变化,其中一个重要体现就是,现在接触客户基本不需要再普及超融合的概念,尤其是金融行业,客户基本都很了解和认可超融合。
库依楠认为,对超融合厂商而言现在正迎来了一个非常好的时机,尤其是真正拥有核心技术的超融合厂商。一方面,在数字化转型大潮推动下,不少企业正在做基础架构升级。比如,现在不少银行在向分布式架构升级,它不仅采用分布式的数据库、分布式应用程序,还在向分布式的IT基础架构转型。另一方面,就技术而言,当下的数据中心正在向软件定义数据中心演进,特点就是软硬件的解耦。
“大家只要把各自的东西做好,比如,华为把服务器做好,SmartX把超融合软件做好,我们很快就能组合起来形成一个软件定义数据中心的方案。”库依楠表示。
而在早几年,这种整合几乎要以年计。因为软件定义数据中心就强调用成熟的硬件、标准的硬件,软件的迭代可以很快。另外,这几年国家对安全可控越来越重视,真正拥有自己核心技术的国产软件也将有更多的机会,特别是一些关键行业的关键领域。
谈到未来,库依楠表示SmartX将继续深耕技术,在三个重点方向发力:
第一是提升管理能力。超融合现在广泛用于私有云的基础,因此管理也需要适应多个数据中心、多云等更大规模的应用场景。“我们先要解决好多集群、多数据中心,最后让用户形成一个分布式云的管理。”库依楠表示。
第二,进一步强化存储技术。存储是SmartX的立身之本,特别是分布式块存储技术,未来公司会推出一个独立的块存储产品,会采用存算分离的架构,能支持OpenStack、支持分离的容器部署。
第三,SmartX会推出云原生的存储。
“我们会和当年做超融合一样,继续把存储引擎好。因为我们发现不管是虚拟化时代的存储,还是未来的存储,用户对存储本身的需求没有变,对可靠性、性能、可扩展性这些要求并没有特别大的变化。我们要继续深耕技术,做出好产品,用好产品去打动客户,服务客户。” 库依楠说。
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。