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 今日宣布,在《2025 年 GigaOm 面向 AI 工作负载优化的高性能存储雷达报告》中,Hitachi Vantara 获评“领导者 (Leader)”与“快速发展者 (Fast Mover)”。这是 GigaOm 雷达报告首次提出该类别的评估,Hitachi Vantara 被列为领导者,彰显了公司提供高性能与企业就绪型基础架构,以满足 AI 和机器学习 (ML) 工作负载的复杂需求的卓越能力。
欲了解有关《2025 年 GigaOm 面向 AI 工作负载优化的高性能存储雷达报告》的更多信息,请访问:https://www.hitachivantara.com/gigaom-ai-storage-radar。
《GigaOm 面向 AI 工作负载优化的高性能存储雷达报告》是对 AI 工作负载管理的高级存储市场的全面评估。入选此报告要求解决方案需满足基本标准,并根据供应商产品的关键能力与特性对其进行评估。其中,“领导者”的评选基于产品当前能力及前瞻性创新方面的出色表现,包括落地可行性、功能完整性与未来就绪性,代表了成熟且在战略上与不断发展的企业级 AI 需求相吻合的解决方案。
Hitachi Vantara 凭借其 Hitachi iQ 这一 AI 就绪型基础架构解决方案组合,在以下关键领域获得积极评价:
GigaOm 现场首席技术官兼分析师 Whit Walters 表示:“Hitachi Vantara 解决方案最突出的优势在于卓越的服务质量与工作负载隔离能力。他们打造的 Hitachi iQ 平台具有高度集成性与可扩展性,并以经过企业验证的存储技术作后盾。这种结合为企业进行规模化 AI 部署提供了强大而灵活的基础架构,尤其当大规模 AI 和 GenAI 工作负载对数据与性能管理提出更高要求时,这一优势将更为凸显。”
报告强调了 Hitachi Vantara 的创新能力,重点提及与 NVIDIA 合作开发的搭载 NVIDIA 数据平台的Hitachi iQ 解决方案。同时,报告着重介绍了该平台的发展路线图,包括 2025 年 3 月最新发布的 Hitachi iQ M 系列 新型硬件与 AI 解决方案。报告还特别指出,该平台通过与 VSP One 的深度集成,实现了 NVMe 闪存与对象存储之间的智能分层管理。
Hitachi Vantara 首席产品官 Octavian Tanase 表示:“AI 不仅正在突破基础架构的能力边界,更在重新定义它们。我们打造 Hitachi iQ 的初衷,是为客户提供高性能基础架构,在简化复杂性的同时加速成果转化,并适应其 AI 使用上的各种需求。通过将 Hitachi iQ 与 VSP One 平台进行整合,我们正在构建一套灵活、智能的存储策略,满足‘从现在到未来’的需求。”
此次评级是 Hitachi Vantara 技术实力获得的最新认可。5 月,公司凭借 VSP One Block 解决方案在推动可持续数据基础架构方面的贡献,荣获 2025 全球科技与人工智能奖 (Global Tech & AI Awards 2025) 下的“可持续技术奖”。今年早些时候,VSP One 混合云数据平台更被 GigaOm 主存储雷达报告评为“领导者”与“表现优异者”。
好文章,需要你的鼓励
一加正式推出AI功能Plus Mind和Mind Space,将率先在一加13和13R上线。Plus Mind可保存、建议、存储和搜索屏幕内容,并将信息整理到Mind Space应用中。该功能可通过专用按键或手势激活,能自动创建日历条目并提供AI搜索功能。一加还计划推出三阶段AI战略,包括集成大语言模型和个人助手功能,同时将推出AI语音转录、通话助手和照片优化等工具。
北航团队推出Easy Dataset框架,通过直观的图形界面和角色驱动的生成方法,让普通用户能够轻松将各种格式文档转换为高质量的AI训练数据。该工具集成了智能文档解析、混合分块策略和个性化问答生成功能,在金融领域实验中显著提升了AI模型的专业表现,同时保持通用能力。项目已开源并获得超过9000颗GitHub星标。
预计到2035年,数据中心用电需求将增长一倍以上,达到440TWh,相当于整个加利福尼亚州的用电量。AI工作负载预计将占2030年数据中心需求的50-70%。传统冷却系统电机存在功率浪费问题,通常在30-50%负载下运行时效率急剧下降。采用高效率曲线平坦的适配电机可显著降低冷却系统功耗,某大型数据中心通过优化电机配置减少了近4MW冷却功耗,为13500台AI服务器腾出空间,年增收入900万美元。
卢森堡计算机事件响应中心开发的VLAI系统,基于RoBERTa模型,能够通过阅读漏洞描述自动判断危险等级。该系统在60万个真实漏洞数据上训练,准确率达82.8%,已集成到实际安全服务中。研究采用开源方式,为网络安全专家提供快速漏洞风险评估工具,有效解决了官方评分发布前的安全决策难题。