在传统的高性能计算(HPC)领域,平行文件系统的核心任务是为超级计算机的多个处理器高速提供数据。然而,当AI重新定义了需求环境,非结构化数据流变得与文件一样重要时,供应商应该如何应对?
Quobyte公司提供同名的平行文件系统软件,声称其软件是"为AI而设计"。这是因为该软件由曾在谷歌工作的程序员创立的Quobyte公司开发,他们设计的软件能够简单轻松地扩展,并能应对各种故障并保持运行。
首席执行官Bjorn Kolbeck和首席技术官Felix Hupfeld表示,与快速、可扩展且复杂的HPC软件相比,传统企业存储显得简单、可靠但速度较慢。AI文件/对象存储需要结合两者的优势,既要像操作智能手机一样简单,又要具备防弹级可靠性、高速性能、艾字节级扩展能力和超大规模效率。
Kolbeck介绍,Quobyte软件可以在本地部署,既可以在核心数据中心也可以在边缘站点运行,支持x86、Arm或英伟达Grace CPU,可部署在托管站点、公有云或这些位置的混合组合中,并支持GPU服务器上的CPU附加存储,即零层存储。
该软件与硬件无关,将所有硬件视为潜在的不可靠组件。Quobyte声称提供100%的全天候可用性,具备数据中心规模的软件容错能力,无需维护窗口。它专为多租户设计,在租户环境之间提供强隔离和基于策略的数据管理。
Quobyte支持从4台到数万台存储服务器的动态、按需和无缝扩展。数据性能可线性扩展至TB每秒级别,Quobyte声称在MLPerf 3D-Unet测试中拥有最快、最高效的文件系统,支持每台客户端机器最多的GPU数量,并具有每性能单位最低的成本和能耗。
实际上,Quobyte声称比最接近的竞争对手快33%,比其他竞争对手好几个数量级。
该软件采用单层架构,在标准Linux上运行,无需内核模块,不需要数据平面开发工具包(DPDK),使用标准的商用计算、存储和网络硬件,没有特殊要求。管理负担很轻,Quobyte表示,小团队可以扩展到艾字节容量,无需仔细的长期规划。该文件系统几乎像数据库一样,具有端到端可观测性,提供所有组件的指标,支持Prometheus时间序列指标和Grafana数据可视化。
Quobyte成立于2013年。据了解,2014年进行了A轮融资(筹集了7位数欧元),由High-Tech Gründerfonds(HTGF)和Target Partners出资。其他投资者包括Alstin Capital、三星催化基金和Yttrium。2016年进行了B轮融资,筹集了未披露的金额,此后再无融资。Quobyte此后未再接受风险投资,正在有机增长。
客户包括空客、Booking.com、雅虎日本、西门子和Zoox,其中Zoox拥有一个70 PB的系统,存储可供超过4万个客户端使用的自动驾驶数据。
Quobyte为PB到EB规模的工作负载提供高性能文件/对象存储系统软件,没有麻烦,没有大惊小怪,几乎没有营销预算。其竞争对手包括英伟达合作伙伴DDN、Pure Storage、WEKA、VAST Data、IBM Storage Scale,以及戴尔、慧与和NetApp。这些厂商在存储市场的地位举足轻重,拥有庞大的工程和市场推广组织,而Quobyte主要依靠其软件性能、规模、简洁性和可靠性,以及客户的口碑来发展壮大。
我们希望本季度晚些时候能看到Quobyte推出重要的AI相关软件功能新闻。值得关注。
Q&A
Q1:Quobyte文件系统软件有什么特殊优势?
A:Quobyte提供100%全天候可用性,具备数据中心规模的软件容错能力,无需维护窗口。支持从4台到数万台存储服务器的动态无缝扩展,性能可线性扩展至TB每秒级别,在MLPerf 3D-Unet测试中比最接近的竞争对手快33%。
Q2:Quobyte软件在硬件方面有什么要求?
A:Quobyte软件与硬件无关,采用单层架构,在标准Linux上运行,无需内核模块,不需要数据平面开发工具包,使用标准的商用计算、存储和网络硬件。支持x86、Arm或英伟达Grace CPU,可部署在本地、云端或混合环境中。
Q3:哪些知名公司在使用Quobyte的解决方案?
A:Quobyte的客户包括空客、Booking.com、雅虎日本、西门子和Zoox等知名企业。其中Zoox拥有一个70 PB的系统,专门存储可供超过4万个客户端使用的自动驾驶数据,展现了该系统在大规模数据处理方面的能力。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。