随着信息技术的不断提升,举着纸质地图四顾茫然的景象难以再现。导航软件已经能够自动播报实时交通情况,随时提示发生事故的地点,智能优化驾驶路线,避免交通事故。各大地图App厂商的职能,也不再是简单地指出一条可以到达目的地的正确途径,而是根据消费者的出行方式加以变通,提供多元化便捷交通方案,以满足不同人群的需求。
导航系统依赖于大量实时变化的数据流,而这些数据正是由铺设的海量传感器收集,并通过人工智能(AI)加以处理,这就是智能数据将改变现有一切的有力佐证。智能数据不仅会改变消费者的一切,也会改变商业模式。随着非智能数据逐渐退出历史的舞台,企业无法像前几年那样对待数据了,对于智能数据平台的需求将更加迫切,以应对日益严峻的数据增长挑战,并希望借助智能数据平台,从数据中释放业务价值。
闪存时代落幕,智能存储登场
全球知名分析机构IDC的调查报告显示,到2025年,全球将生成175 ZB的数据,其中大部分的数据增长都将来自于物联网设备。在我们需要存储并应用海量数据的时代,将AI应用于存储显得尤为重要。
智能是存储管理的关键,存储超过 90%的问题,都可能需要数十万甚至上百万次模拟关联,这种人力不可为的处理方式,都将交由智能完成。这意味着物联网即将带来一场大规模的数据风暴,每家公司都需要顺应市场潮流,从边缘设备生成和收集数据,通过智能进行存储和计算,最终推动业务发展。
当然,智能数据只是起点,企业需要一种智能数据战略,通过打造智能存储平台,使数据始终保持可接入状态,快速运行,让开发人员能够通过公有云获得自动化、按需和自助服务体验。智能数据平台需要具有工作负载优化的自适应系统,具备数据移动性和工作负载移动性,并包含数据生命周期管理、混合开发、测试等功能。
HPE Primera:重新定义的关键业务存储新平台
2019年6月18日,HPE宣布推出Primera,以卓越的简化性、可用性和性能表现重新定义了关键业务存储。借助业界最先进的AI平台——HPE InfoSight进行操作,实现了多项重大突破,包括减少93%的存储管理时间,预测并预防故障的发生,以及大幅提升了应用性能。
智能存储,不止于快
HPE Primera可提供云的敏捷性,为企业带来随需应变的使用体验。该平台可以在几分钟内轻松完成设置、自我调整和升级,进而将部署、管理和扩展存储的时间减少了 93%,且能够保证100%的可用性。HPE Primera的保持在线能力久经验证,同时由HPE InfoSight提供支持,在应用于任何关键业务时,均能实现出众的速度和无间断的连续存储。
HPE Primera自带嵌入式AI引擎,实时显示是否存在资源争用问题,凭借智能和架构优势,帮助企业快速整合传统和现代化应用,即便是大规模整合也不在话下。此外,HPE Primera使HPE智能存储平台(Intelligent Data Platform)的一系列产品和解决方案更加先进。除提升了应用性能,改变了数据管理的方式,加强了所有云的敏捷性之外,还能实时解锁数据中的隐藏分析,推动业务发展。智能存储平台有效帮助客户利用智能数据,完成从交付存储到解锁业务价值的转变。
颠覆存储体验,拥抱智能未来
每个企业或组织都有着对其业务至关重要的工作负载。这些关键业务工作负载是发掘创新、抢占先机并最终突破现状的关键所在。但是,涉及到进行配置、故障排除和基础设施支持等多方面的复杂工作,IT很难同时满足现有关键业务应用和新的关键任务应用需求,因此,企业不得不选择以牺牲恢复能力为代价换取敏捷性。
鱼和熊掌可以兼得吗?HPE Primera在智能存储时代交出了满意的答卷:告别传统存储的复杂性和隐藏的额外成本,拥抱100%可用性保证,提高用户对关键业务存储的期待;告别屡见不鲜的宕机事件,拥抱为不可预测的应用工作负载提供可预测的性能;告别耗费在管理和升级存储系统上的大量资金与时间,拥抱自助安装,自助调试,自动升级,简化的管理体验,赋予关键业务存储以简单的、消费级用户体验。
智能的时代已经来临,HPE Primera还将带来多少意想不到的惊喜?让我们拭目以待。
新华三是HPE®品牌的服务器、存储和相关技术服务的中国独家提供商。
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。