日立集团 (TSE: 6501) 旗下专注数据存储、基础架构与混合云管理的子公司 Hitachi Vantara 今日宣布,在《2025 年 GigaOm 面向 AI 工作负载优化的高性能存储雷达报告》中,Hitachi Vantara 获评“领导者 (Leader)”与“快速发展者 (Fast Mover)”。这是 GigaOm 雷达报告首次提出该类别的评估,Hitachi Vantara 被列为领导者,彰显了公司提供高性能与企业就绪型基础架构,以满足 AI 和机器学习 (ML) 工作负载的复杂需求的卓越能力。

欲了解有关《2025 年 GigaOm 面向 AI 工作负载优化的高性能存储雷达报告》的更多信息,请访问:https://www.hitachivantara.com/gigaom-ai-storage-radar。
《GigaOm 面向 AI 工作负载优化的高性能存储雷达报告》是对 AI 工作负载管理的高级存储市场的全面评估。入选此报告要求解决方案需满足基本标准,并根据供应商产品的关键能力与特性对其进行评估。其中,“领导者”的评选基于产品当前能力及前瞻性创新方面的出色表现,包括落地可行性、功能完整性与未来就绪性,代表了成熟且在战略上与不断发展的企业级 AI 需求相吻合的解决方案。
Hitachi Vantara 凭借其 Hitachi iQ 这一 AI 就绪型基础架构解决方案组合,在以下关键领域获得积极评价:
GigaOm 现场首席技术官兼分析师 Whit Walters 表示:“Hitachi Vantara 解决方案最突出的优势在于卓越的服务质量与工作负载隔离能力。他们打造的 Hitachi iQ 平台具有高度集成性与可扩展性,并以经过企业验证的存储技术作后盾。这种结合为企业进行规模化 AI 部署提供了强大而灵活的基础架构,尤其当大规模 AI 和 GenAI 工作负载对数据与性能管理提出更高要求时,这一优势将更为凸显。”
报告强调了 Hitachi Vantara 的创新能力,重点提及与 NVIDIA 合作开发的搭载 NVIDIA 数据平台的Hitachi iQ 解决方案。同时,报告着重介绍了该平台的发展路线图,包括 2025 年 3 月最新发布的 Hitachi iQ M 系列 新型硬件与 AI 解决方案。报告还特别指出,该平台通过与 VSP One 的深度集成,实现了 NVMe 闪存与对象存储之间的智能分层管理。
Hitachi Vantara 首席产品官 Octavian Tanase 表示:“AI 不仅正在突破基础架构的能力边界,更在重新定义它们。我们打造 Hitachi iQ 的初衷,是为客户提供高性能基础架构,在简化复杂性的同时加速成果转化,并适应其 AI 使用上的各种需求。通过将 Hitachi iQ 与 VSP One 平台进行整合,我们正在构建一套灵活、智能的存储策略,满足‘从现在到未来’的需求。”
此次评级是 Hitachi Vantara 技术实力获得的最新认可。5 月,公司凭借 VSP One Block 解决方案在推动可持续数据基础架构方面的贡献,荣获 2025 全球科技与人工智能奖 (Global Tech & AI Awards 2025) 下的“可持续技术奖”。今年早些时候,VSP One 混合云数据平台更被 GigaOm 主存储雷达报告评为“领导者”与“表现优异者”。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。