2024年4月12日,北京 – 日立集团(TSE: 6501)旗下专注数据存储、基础架构与混合云管理的子公司Hitachi Vantara宣布完成战略重组,此举旨在加速落实公司的发展计划,包括专注于发展混合云和生成式AI技术,以增强应对市场机遇的能力。新组织架构包括Hitachi Vantara与日立IT平台产品管理部的战略整合,后者一直负责日立集团数据基础架构解决方案的业务开发、研发和生产。
欲了解更多有关Hitachi Vantara数据存储、基础架构和混合云产品的信息,请访问:
https://www.hitachivantara.com/en-us/products/storage-platforms.html
重组后的Hitachi Vantara在制造业和混合云领域拥有丰富的基础架构和数据存储经验,同时公司将团结一致推动客户实现有意义的业务成果。凭借重组优势,并基于在跨关键任务环境管理数据方面长期积累的专业知识,Hitachi Vantara将能够更及时进行创新并不断适应市场需求的变化。
生成式AI等技术的出现使得数据处理需求爆炸式增长,许多公司都在努力追赶这一趋势变化。在此背景下,Hitachi Vantara的战略重组恰逢其时。Salesforce最近开展的一项针对IT领导者的调查显示,许多IT专业人士正在努力管理AI项目和处理由此产生的大量数据。调查显示,近九成 (88%) 的IT专业人士无法支持其所在企业收到的大量AI相关请求。此外,MuleSoft调查发现,75%以上的企业正在使用多种AI模型,90%的企业表示在将AI与其他系统集成方面面临挑战。
Hitachi Vantara首席执行官Sheila Rohra表示:“生成式AI的崛起和数据处理能力的爆炸式增长正在推动企业加速变革,许多企业都在这一浪潮下奋起直追。下一阶段的业务转型旨在帮助我们加快执行速度,扩大业务规模,以实时识别和利用市场机遇。此次战略整合有利于拓展我们开发、制造、销售和交付的能力,从而增强Hitachi Vantara的整体业务能力,更好地为客户提供他们在混合云环境中所需的AI驱动的数据性能、可靠性和弹性,助其实现业务增长并提升现实中的商业影响力。”
作为新组织架构的一部分,原日立IT平台产品管理部总裁Akinobu Shimada被任命为Hitachi Vantara董事长,以进一步加强Hitachi Vantara与日立集团之间的紧密联系。
Shimada表示:“我们在各组织之间建立了强有力的合作伙伴关系,这有助于形成良好的协同效应,使得Hitachi Vantara的组织架构更加正规化,从而促进研发和工程服务更贴近我们在全球的主要市场。鉴于如今Hitachi Vantara的业务注入了大量的行业专业知识和杰出的技术理解力,我相信,我们将以统一的数字基础架构和AI战略及执行计划为指引,为客户提供具有重要影响力的成果,并为自身业务的持续增长做好准备。”
Hitachi Vantara正在率先开发混合云存储,将内部部署与云计算环境无缝结合,以期在处理复杂业务所需的大规模、关键的数据时,实现安全性、高性能、高可靠性以及成本优势。例如,Hitachi Vantara最近宣布与NVIDIA合作,共同打造新一代变革性AI解决方案Hitachi iQ,在其AI解决方案堆栈上分层部署特定行业功能,从而使AI成果更为明确,与企业业务更具相关性。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。