如何解决混合环境下的数据连接和管理难题?NetApp早在四年前推出Data Fabric愿景,为混合云解决方案与服务提供了很好的思路。如今NetApp秉承其混合云创新技术在实现广泛的云端和内部环境数据的统一管理,消除企业在转型过程中遇到的各种障碍。
在12日开幕的2018 NetApp中国创新论坛上,NetApp宣布正式在中国市场发布NetApp HCI。作为NetApp下一代数据中心战略的关键产品组合之一,NetApp HCI将有力推动客户加速实现数字化转型。区别于传统产品,NetApp HCI是行业首款企业级超融合解决方案,可在简单、高效、高效灵活的架构上为所有应用程序提供可预测的性能。
此次发布进一步扩大了NetApp在中国的业务版图,并确立了NetApp在超融合市场的领先地位与竞争优势。凭借NetApp HCI,企业能够实现计算与存储两个维度上的同时池化和平行扩展,从而充分实现与虚拟化平台的深度整合,打造高效、强大、经济的私有云平台,深入挖掘数据价值,并在机器学习、人工智能(AI)、大数据、高频交易、物联网(IoT)等领域的应用中获取澎湃的数据动力。
NetApp云基础架构事业部副总裁Tim Pitcher表示:“结合了NetApp SolidFire创新技术与NetApp强大数据管理能力的NetApp HCI将能够帮助客户革新传统基础架构,迅速过渡至下一代数据中心,令客户享受无与伦比的灵活性、可扩展性、自动化以及与Data Fabric 集成所带来的优势。”
重要的是,随着大容量闪存的性价比已经到了企业客户所接受的程度,而随着全闪存存储的发展,只用于处理单个性能关键型应用程序的时代即将成为过去。而在闪存市场NetApp具有非常鲜明的特色,这也要得益于对SolidFire的收购。实际上,针对磁盘存储的性能瓶颈,NetApp 早在2015年就对此布局,通过收购 SolidFire,结合NetApp 全闪存AFF与NetApp EF系列的战略定位,NetApp在闪存市场的优势逐渐凸显。
IDC和 Gartner两家的研究数据都显示,在 2017年第一季度 NetApp在全球全闪存阵列(AFA)市场成长速度最快、市场占有率位居第二。这份成绩显然与NetApp闪存系统具备完善的数据连接和管理功能密不可分。比如,NetApp于2017年全新推出的高性能企业级全闪存阵列AFF A700s专为云环境与最高效率要求而设计。其卓越的云环境支持能力可为用户同时在跨云和本地环境中,保持最大的数据可视度与无缝的数据控制。通过NetApp全闪存阵列可以看到,全闪存配合企业业务需求,能够大幅提升IT系统性能,更好的帮助企业释放数据价值。
NetApp HCI的主要优势包括:
NetApp HCI 可帮助客户摆脱第一代超融合架构的束缚,在敏睿、可扩展且易于管理的最小6节点配置组件中实现对计算、存储和网络的支持,提供有保证的性能、自动化以及成熟的集成效率、复制、数据保护和高可用性服务。
NetApp HCI基于NetApp SolidFire分布式块存储技术打造,支持大型企业、中型企业和服务提供商轻松自信地整合所有工作负载,以不会造成资源孤立的方式扩展并满足下一代应用程序的性能需求。
客户可以自信地将NetApp HCI部署于从数据中心边缘到核心的任意位置。NetApp HCI仅需不到 30 分钟便可启动并运行,能够有效消除90%与性能有关的传统问题,并支持通过VMware vCenter直观的用户界面对整个基础架构进行全面控制。
借助NetApp HCI,企业可以充分释放基础架构的全部潜能,还能简化管理并独立地扩展计算和存储资源。NetApp HCI 支持与来自Commvault、Intel、MongoDB Enterprise、Veeam 和 VMware 等合作伙伴的解决方案集成。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。