如今,闪存已经成为行业的事实标准。与机械硬盘相比,SSD在性能、容量、密度等各方面都有显著提升;尤其在速度方面。同时,闪存还具有可重复写入和非易失性特性。
闪存刚刚推出的时候,价格昂贵不说,还难以与现有的存储产品进行整合。然而,随着技术的不断创新,闪存价格不断下降,应用场景大幅增加,让存储这个产业跟上了云计算、大数据、5G等多样化产业的发展,甚至成为了支撑应用扩展的重要推动力。
因此,IT部门希望它能在提升速度的同时兼有SDD的优势,实现100%应用可用性、卓越的数据安全性、弹性、确保合规等性能目标。另外,大家还希望它能与私有云和混合云相集成,提供更强的灵活性。
去年,Hitachi Vantara发布了一款改变存储领域游戏规则的产品——Hitachi VSP 5000系列,给企业带来了更理想的可用性、高性能、高弹性、易用性。VSP 5000可提供高达2100万IOPS;即使数据激增到PB级,也能提供极低延迟。这款由NVMe驱动的高端存储,同时支持容器和OpenStack,不受存储介质限制。搭配更新的存储虚拟化操作系统Hitachi SVOS RF,VSP 5000系列能为用户带来管理效率的显著改善和生产力的切实提升。
借助VSP第三方存储虚拟化技术,企业可以将存储与物理世界脱钩,提高正常运行时间,为数据中心开辟新的可能性。
Hitachi Vantara解决方案的闪存性能通过专有的闪存感知I/O堆栈进行了优化,使得数据访问速度加快,同时通过自适应的在线数据缩减提高了存储和数据利用效率。
同时,Hitachi Vantara的存储虚拟化使得SVOS RF可以使用第三方全闪存和混合阵列作为存储容量,整合资源以获得更高的ROI。这意味着IT部门在引入新技术时不必进行彻底的替换,同时还能保证前端的高速,为速度较慢、不易预测的阵列提供服务。
Hitachi Vantara亚太区技术专家兼总监Chee Khye Chen表示,Hitachi Ops Center在这种模式下特别有用,因为它使用人工智能(AI)和机器学习(ML)算法,帮助客户监控从虚拟机到存储的整个应用数据路径,能够更快地进行故障根本原因分析和自动修复。
“我们使用自动化来提高虚拟机和存储配置以及数据迁移等普通任务的速度和敏捷性。这将帮助员工腾出时间来专注于业务,而不是陷入IT基础设施中的管理中。”他解释说。例如,选择VSP 5000系列,企业应用延迟可以低至70微秒,而服务质量控制仍然可以确保工作负载保持性能稳定。
最后,在Hitachi SVOS RF的支持下,企业可以使用两个跨越数据中心地理边界的存储阵列来实现同步、异步复制、双活的任意组合。这开辟了新的机会,并提高了正常运行时间、可靠性和弹性。Chee Khye Chen总结道,采用Hitachi SVOS RF的结果是提高性能,减少IT部门的麻烦,提高服务水平。
“即使数据中心发生故障,应用也不会中断;因为届时VSP系统可以无缝地将故障转移到第二个数据中心的其他集群节点上,”他说。
近期,Hitachi Vantara宣布扩展基于NVMe架构的全闪存VSP E系列,发布全新的VSP E590和VSP E790,致力于为各种规模的客户——他们的业务速度正超过其现有基础架构能力而需要支持包括DevOps等在内的现代业务流程——带来企业级功能和优势。
Hitachi Vantara数字基础架构总裁Bobby Soni表示:“一直以来,Hitachi Vantara都是高性能数据存储的业界标杆。今天,我们进一步提高了中端企业级存储市场的标准。我们正在将所有行业领先的功能和智能软件,这些助推了VSP 5000在市场上取得成功的内容,应用到新的VSP E系列中型企业产品上来,为客户提供更高的易用性和更具吸引力的价格。同时,借助全新的虚拟存储即服务,我们将进一步帮助客户减轻基础架构管理的负担,让他们专注于管理业务这一重中之重。”
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。