至顶网服务器频道 05月31日 新闻消息: 各家高科技企业一直以通过彼此竞争而争夺客户青睐乃至市场份额而闻名,但在时机适合时,其有时也会选择进行联手以实现互利共赢——提升数据中心管理易行性正是这样的时机之一。
正因为如此,微软集团旗下的领英、HPE以及通用电气数字公司开始尝试联合,希望建立起一家新的基金会以帮助企业更国轻松地为其数据中心购买硬件产品。
此组织被称为Open19基金会,其任务在于努力鼓励各企业以更为统一的方式构建数据中心。以这项目标作为起点,该基金会的初期目标将对象设定为数据中心机架——即对这类用于容纳服务器及路由器等设备的框体进行标准化。目前最为常见的机架为19英寸设计,因此Open19基金会希望以此为基础推动标准化工作。
Open19基金会主席兼领英公司全球基础设施架构与战略首席工程师Yuval Bachar在一份声明中表示,“Open19平台代表着面向复杂问题的简单解决方案,因此技术社区对其抱以积极回应亦完全在意料之中。随着基金会的形成以及众多新晋合作伙伴的加入,我们现在已经能够开始引导社区的关注方向,同时建立起Open19开放平台的发展愿景。”
相信很多朋友已经注意到,Open19基金会听起来似乎很像是Facebook公司早已推出的开放计算项目——事实二者也确有共通之处。与Open19一样,开放计算项目亦强调对系统进行拆分、对机架尺寸以及模块化组件进行标准化调整。不过开放计算项目主要针对世界上规模最大且在全球各地运营有数据中心的的各互联网公司(即超大规模企业)。相比之下,Open19同样适合中小型企业,并专注于优化处于任何位置的不同规模数据中心。
有趣的是,微软公司作为开放计算项目的主要支持者之一,如今也凭借着去年对领英公司的收购而同时加入这两大联盟组织。微软与领英公司皆继续运营着自己的数据中心,因此将同时在这两大项目中扮演一定角色。
Open19基金会表示,其初步贡献之一在于推广领英公司的19英寸机架行业规范。根据相关声明,其中规定“推广跨行业通用服务器外形以规范机架、机柜以及预定义网络与供电装置的使用方式,同时面向各类不同规模的运营商提供一套灵活且具有经济性优势的数据中心与边缘解决方案。”
一套面向物联网与边缘计算的新标准?
Open19基金会的初始成员包括两家正在推出新型分布式信息技术基础设施的厂商,旨在支持各类网络边缘应用场景——包括物联网设备与自动驾驶车辆。
通用电气数字公司方面表示,该基金会的规范将成为其Predix物联网软件管理平台标准化部署工作中的重要组成部分。
“作为工业物联网领域的领导者之一,通用电气公司意识到确实需要建立一套标准化、可定制、灵活且具有经济性优势的数据中心设计方案,以最终帮助我们的工业客户充分利用计算机科学发展中的最新成果,”通用电气数字公司Predix云工程师Darren Haas在一份声明当中指出。“通过支持Open19,我们将得以通过其推动未来的解决方案,并利用这些解决方案依托于开放式架构对工业用例加以优化。”
另一家企业则为专注于网络边缘基础设施业务的Vapor IO公司,其主要负责为无线网络运营商提供平台以实现边缘容量的快速部署。
“Open19基金会所提出的方案正是我们过去十年来一直在追寻的机架标准化方案,”Vapor IO公司首席执行官、曾于2013年到2015年出任开放计算项目执行董事的Cole Crawford表示。“Open19能够将塔式边缘计算中心转化为乐高积木。我们可以派遣工作人员前往边缘环境处,例如一座信号塔处,并在数分钟之内建立起一座新的数据中心。”
Open19基金会表示,其生产硬件设计目前正在积极开发当中。该基金会同时指出,其正在积极寻求能够为项目做出贡献的各类新成员,包括企业、个人以及行业合作伙伴。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。