随着数字经济加速发展,海量数据与丰富应用场景成为新焦点,海量存储更是被高频提及。在数十甚至数百PB的存储系统,已经成为业界常态的今天,“海量存储”的打造要从百PB级谈起。
选好海量存储,重点要考量三个指标。首先,海量存储不是简简单单设备的堆积,而是要解决呈指数级增长的诸多技术难题;其次对应用的深度把握与定制,才可实现对业务的良好支撑;第三是超大规模项目的部署经验与应用支持,通常支持百PB级存储规模和支撑万级别数量客户访问,才能真正体现厂商实力。
曙光打造真正的海量存储
基于自研优势,曙光ParaStor创新打造的Object System(本地对象管理系统)、分布式锁、多协议支持等多项技术,解决了海量存储系统的磁盘稳定性、数据一致性和多种应用支持等技术难题,实现用户建设高价值存储的愿景。
凭借对行业应用的深刻理解,曙光存储可在硬件平台、软件功能、数据IO路径、系统稳定性等方面进行定制开发和优化,让用户更好地致力于业务创新和更高效的成长。
作为国内专注海量存储系统研制的领先厂商,曙光从2009年单套存储系统容量16PB,到2022年单套存储系统300PB,不断突破业内存储容量和性能的极限。曙光存储团队以强烈的责任心和使命感,为客户提供专业的技术支撑。目前,曙光存储已为全国数千家用户提供数EB的存储空间,持续领跑中国海量存储市场。
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。