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
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。