2020年9月24日,北京——Hitachi公司旗下数字基础架构与解决方案公司Hitachi Vantara日前宣布推出Hitachi Unified Compute Platform (UCP) HC和Hitachi UCP RS的更新,为其超融合基础架构 (HCI) 产品系列提供新的增强功能和性能提升。基于此,客户可获得更多优势,包括借助新的Hitachi UCP Advisor可获得的更快配置速度、经认证的SAP HANA工作负载支持,以及搭载了英特尔最新的Cascade Lake Xenon Refresh处理器而带来的更高性能。同时,增强的生命周期管理还支持无干扰的升级能力。
Hitachi Vantara数字基础架构总裁Bobby Soni表示:“毫无疑问,新冠肺炎疫情将对世界各地的业务开展和人们的日常生活留下持久的影响。对IT而言,这意味着他们需要更加紧密地协作,更加注重基础架构弹性和网络安全并全力以赴加速其数字化转型计划,从而支持他们更大规模的移动和远程工作团队。Hitachi Vantara正在快速升级我们的战略,以更好地帮助和支持CIO们及其团队。在应对当今新常态时,我们的超融合基础架构解决方案可帮助他们简化数字基础架构管理。”
新的HCI解决方案整合了云基础架构管理,并为客户在传统存储、基于HCI的混合云和公有云等环境中提供无缝的互操作性。最新产品组合包括面向混合云的可扩展且简化的基础架构,从而让客户在面临增加数据中心资源的需求时,可快速扩展其数据中心架构设计。
通过增强的自动化和智能化应用设计,在包括混合云、SAP HANA等关键业务应用、虚拟桌面基础架构 (VDI) 和DevOps在内的多种用例中,客户可加速创新,提高生产力,并降低总体拥有成本 (TCO)。Hitachi Vantara更新后的HCI产品组合还带来了经过增强的Day 0 – Day 2的管理性能,其中包括升级后的生命周期管理能力,可对整个HCI堆栈进行无干扰升级 (包括IP和SAN网络交换机等)。
此次更新为客户带来的关键益处包括:
引言
VMware云平台业务部门营销副总裁Lee Caswell表示:“我们与Hitachi Vantara拥有长期的合作关系,基于此,我们已经成功帮助了众多客户实现数据中心的现代化,包括提供更安全、具有更强可扩展能力且合规的数字工作空间基础架构,用以支持SAP HANA等关键业务应用的高密度、高性能超融合基础架构等等。Hitachi Vantara更新的超融合解决方案可以在整个软件定义的数据中心内提供可靠的生命周期管理、基于策略的自动化,以及始终如一的体验。”
Seven System Vietnam JSC公司的IT经理Vo Nguyen表示:“在对多家超融合厂商的解决方案进行了评估之后,我们最终选择了Hitachi UCP HC。UCP HC集成了VMware vSAN,其提供的一体化、单一供应商解决方案能够轻松满足我们公司的性能和可用性需求。随着业务发展,为了确保更经济地增长和扩展,双方达成了这笔交易。”
Gigaom Research分析师Enrico Signoretti表示:“超融合基础架构已经迅速成为了许多数据中心的关键选择,通过将存储、网络和计算进行虚拟化并折叠,从而简化管理。Hitachi Vantara新的HCI解决方案正中要害,提供了最佳的管理工具和集成功能,最大限度地精简初始部署工作,并同时提升Day 2的运营表现。”
Hitachi Vantara企业基础架构产品管理高级副总裁Dan McConnell表示:“客户越来越希望通过超融合基础架构获得收益,但他们往往不希望再应付另一个数据孤岛,或需要时常担心在多层计算之间移动数据带来的复杂性。例如,在客户准备将数据从开发/测试环境转移到生产环境时,他们希望以无缝的方式来实现这一操作。Hitachi Vantara这一经过增强的HCI产品组合以独特的方式提供全面集成的解决方案,可让客户轻松地在不同层级的基础架构之间移动数据,并扩展所需的存储容量,在提高生产力的同时还降低了操作的复杂性。”
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。