IBM公司推出最新IBM Storage Scale System(原Elastic Storage System)解决方案家族,特别是Storage Scale System 6000。IBM的这套顶尖云规模全球软件定义数据平台,能够满足对各种数据密集型工作负载和人工智能(AI)类应用的不断增长的现实需求。
作为IBM Storage for Data and AI产品组合的一部分,全新Storage Scale System 6000提供高性能并行文件系统,IOPS高达700万次,数据吞吐量极限可达256 GB/秒。它还专门针对混合环境内存储的半结构化与非结构化数据(例如视频、图像、文本等)进行了优化)。
IBM Storage Scale System 6000集成有IBM FlashCore模块(FCM),能够在提高数据效率与规模经济的同时,带来低于以往闪存驱动器的成本和运行能耗。它还提供内联硬件加速的数据压缩和加密功能。该系统能够通过NVMeoF Turbo层、并行多租户数据隔离和计算式存储驱动器等设计为AI工作负载提速。
这套系统还将数据与多种存储供应商选项的开放生态系统串连起来,包括AWS、Azure、IBM Cloud及其他公有云服务,可提供更快的数据访问速度、吞吐量达到市场平均水平的2.5倍有余,IOPS性能也达到市场同类产品的2倍,可谓遥遥领先于竞争对手。
Storage Scale System 6000拥有高性能并行文件系统,能够从容应对数据密集型AI工作负载。它为只读工作负载提供高达700万次的IOPS(每秒输入/输出操作)和最高256 GB/秒的数据吞吐量。这样的性能水平可确保AI应用得以快速访问和处理数据,从而减少延迟并提高整体效率。
这套系统在设计上还考虑到与流行的AI框架与工具之间的配合使用需求,允许数据科学家和AI研究人员轻松访问并分析平台上存储的数据。而其极高的数据吞吐量和低延迟性能,可以更好地支撑起AI工作负载。
Storage Scale System 6000支持英伟达解决方案,并与英伟达Magnum IOTM GPUDirect Storage(GDS)相集成。这就在GPU内存与存储之间打通了直连路径,有效改善了AI应用程序的数据访问效率。它还支持对接英伟达ConnectX-7网络接口卡的高速网络,可实现节点与GPU之间的高效数据传输。
Storage Scale System 6000属于IBM全球非结构化数据平台的组成部分,允许组织汇聚起来自不同来源的数据,包括核心、边缘和云环境。如此一来,AI工作负载就能访问来自各个位置及来源的数据,促进实时数据集成与分析的顺利实现。
IBM Storage Scale System 6000还提供AI工作负载所需要的高性能、可扩展性与数据管理功能。它具备快速数据访问、高效存储、数据安全保护以及与AI框架和英伟达解决方案的集成能力,足以成为寻求AI加速方案的企业客户眼中的宝贵资产。
IBM Storage Scale System 6000代表着数据管理与AI处理能力的重大飞跃,满足了数据密集型任务和AI驱动应用主导的新时代之下,市场对于高效、高性能存储解决方案的迫切需求。
随着AI技术不断重塑各个行业并推动创新,Storage Scale System 6000将成为其中一股重要的驱动力量。凭借着更高的数据效率、规模经济效应和AI工作负载加速能力,它将推动组织迈向数据发现并驱动决策的全新未来。
凭借新的Storage Scale System 6000,IBM也继续证明其致力于为企业客户提供业务支撑工具,帮助其在当今数字环境下充分发挥AI与数据分析的巨大潜能。
好文章,需要你的鼓励
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。