5月13日,由百易传媒(DOIT)举办的第4届软件定义存储峰会,在上海召开。会议邀请了众多行业内软件定义存储技术专家学者、企业以及媒体参与到盛会当中,共同探讨疫情之后软件定义存储技术发展的大势以及未来前景方向。

软件定义存储峰会Bigtera展位
数字经济时代数字化的转型已经成为了全球企业技术发展的共识,区块链、机器学习、AI、5G深入等新技术的不断兴起,已经逐渐颠覆了传统的生活方式加快了所有行业企业的技术发展进程。在整个技术转型过程中,由于传统技术的壁垒造成企业之间存储数据的孤岛,数据与数据之间不能互联互通,无法共享系统无法兼容等等问题,企业存储逐渐成为瓶颈。
面对瓶颈 寻找数据存储发展之道
数字经济从根本上改变了数字中心负载及基础设施,企业存储架构面临了很多的挑战与瓶颈例如数据增长迅速、存储性能需求倍增、TCO成本负担加重、更绿色能耗体系标准的迫切需要等等,如何更好的面对和解决这些挑战和瓶颈是越来越多软硬件存储厂商需要探索和解决的问题。
超融合基础架构将服务器、存储、网络、虚拟化资源和端到端的系统和操作管理功能等集成在一起,在多云等环境之间能够无缝数据移动,超融合数据中心基础设施同时可以帮助企业和管理人员扩展计算资源,而无需将异构硬件集成到服务器机架中。在过去几年中,越来越多的企业希望通过超融合的产品来降低总体拥有成本,提高灾难恢复性能,并整合运营,超融合的市场前景非常光明和强劲。
基于超融合架构的分布式存储系统,具备了非常好的存储能力:横向扩展能力,同时配置SSD和NVME等固态硬盘的能力,也可以支持全闪存存储环境的能力等。
专项解决方案 一站解决数据存储问题
北京大兆极存信息科技有限公司(Bigtera)成立于2012年一直专注于提供企业级软件定义存储产品和解决方案,深耕在超融合与分布式的领域已经有8年多的时间,客户群体主要是对软件定义存储深度需求的企业。

Bigtera高级解决方案架构师孟祥利
Bigtera作为资深软件定义存储企业也参与到了本次行业会议当中,在本次峰会中展示VirtualStor™产品系列包括:Scaler(分布式)、ConvergerOne(超融合)以及FlashGo(全闪存)这三大产品,并通过Bigtera高级解决方案架构师孟祥利在数据管理与超融合论坛中关于《Bigtera超融合最佳实践》的内容分享也更好的诠释了Bigtera在软件定义存储的技术发展中取得的成就与信任。

Bigtera超融合产品线
孟祥利说道:“无论是选择Bigtera超融合、分布式与全闪存对企业来说都是具备几点明显好处或者优势的。第一、多态简易的设计原则 ,整体产品为客户提供平台能力,兼容多种访问协议,提供多种类型介质融合能力,多样的解决方案,能够为大大提升应用的使用效率及保护成本;第二,投资保护。超融合1.0架构当在使用过程中大家都会发现,除了买一套超融合的系统,如果您还需要有文件,需要存储的时候,可能还得单独再购买存储。我们在1.0的基础之上进步了一小步,更希望的是给您提供一个集成度更高,能够使客户更容易使用的超融合的系统。与此同时提供了老旧设备的利旧和纳管技术,在降低的TCO的同时,提升了数据的安全性。第三,软件定义,这是最关键的。软件定义解决的应该是客户痛点问题,并不是通过一些基础架构上的改变能带来的一些好处。我们从2014年已经在项目中应用零拷贝技术,数据能够快速共享(TB秒级共享),同时我们提供了多达30余种API,为数据的共享、快速备份、数据归档、调度的能力。”

通过Bigtera的边缘计算超融合一体机解决方案、混合云数据汇聚共享平台、光磁电融合存储解决方案、医疗影像云存储等专项行业解决方案可以一站式的解决新数据时代数据转型中各类智慧化应用的需求。
值得一提的是在本次峰会中Bigtera VirtualStor™ Scaler产品经过专家和企业的评选荣获了2021年度软件定义存储产品金奖也从侧面说明了行业内企业与技术专家对我们产品技术发展的关注认可。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。