2023 年 9 月 25 日,北京 – 日立集团 (TSE: 6501) 旗下提供现代基础架构、数据管理与数字解决方案的子公司 Hitachi Vantara 今天宣布,在 2023 年 Gartner® 主存储魔力象限™ 报告中,Hitachi Vantara 入选“领导者”象限。在过去13 年里,Hitachi Vantara 已 15 次被 Gartner 报告评为领导者,其中包括今年入选主存储魔力象限。今年报告中评估的 Hitachi Vantara 产品是虚拟存储平台 (VSP) 5600 和软件定义块存储 (VSS Block) 解决方案。

下载 2023 年Gartner® 主存储魔力象限™ 报告:
https://www.hitachivantara.com/ext/2023-gartner-magic-quadrant-for-primary-storage.html
Hitachi Vantara 产品与解决方案副总裁 Gary Lyng 表示:“我们相信,在 2023 年主存储魔力象限报告中获评领导者,彰显了 Hitachi Vantara 在致力提供尖端存储解决方案所做出的不懈努力。我们认为,这一表彰说明我们的前瞻思维方式受到了认可,包括在系统全生命周期内大幅减少温室气体排放的能力,以及整合人工智能、机器学习、预测性分析等新兴技术以优化数据管理的能力。我们相信,Hitachi Vantara 在主存储魔力象限中连续多年榜上有名,不仅说明了我们系统和数据的可靠性,也进一步坚定了我们推动存储行业在创新和可持续发展之路上不断突破的决心。”
Hitachi Vantara 相信,在魔力象限报告中获评领导者,证实了公司对创新和以客户为中心的解决方案的长期承诺。Gartner 在魔力象限报告中指出:“领导者象限中的供应商在执行能力和愿景完整性方面的综合得分最高。获评领导者的公司拥有推动新技术被接受所需的市场份额、市场信誉、营销和销售能力。这些供应商对市场需求了解深刻。他们是创新者和思想领导者,拥有精心制定、阐述清晰的计划,使得客户及潜在客户在设计存储基础架构和战略时能够利用这些计划。此外,获评领导者的公司还在三个主要地区开展业务,财务表现稳定,并支持平台计划。”
随着当今企业环境的不断演变,除需为客户提供高速度和高效率的产品外,存储产品还必须做到更多。数据密集型技术和生成式人工智能等应用程序,正掀起一场奔向更高洞察力、自动化水平和可预测性的“淘金热”。但这些技术同时也使其运行所依赖的基础架构和混合云环境承受更大压力。近期的一份报告发现,72% 的中国公司担心其当前的基础架构将无法扩展以满足未来需求。数字基础架构必须提供自适应和弹性服务,通过平台更快地运行更多应用程序,并为现有工作负载增加更多容量。
Hitachi Vantara 的 VSP 5600 系列支持核心应用程序和云原生开发,并保证 100% 数据可用性。日立的 VSS 块存储旨在整合新型和核心工作负载,实施云优先策略以支持应用程序现代化。
Gartner 在报告中根据优势和注意事项对不同的供应商进行了评估。魔力象限报告采用图形化处理和一致的评估标准,可帮助企业快速确定技术供应商在实现其既定愿景方面的表现,以及他们在 Gartner 市场观点中的表现。如需全面了解Hitachi Vantara 的整个存储产品组合,请点击此处:
https://www.hitachivantara.com/en-us/products/storage-platforms/primary-block-storage.html。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。