京东方科技集团股份有限公司(以下简称“京东方”)是全球五大液晶面板制造巨头之一,全球三分之一的平板电脑和五分之一的智能手机使用了其制造的屏幕。截至2016年四季度,京东方生产的智能手机液晶显示屏、平板电脑显示屏、笔记本电脑显示屏全球市场占有率列为第一 。
近期,京东还获得了业内持续的关注与热捧,原因是其在10月26日宣布第6代柔性AMOLED(有源矩阵有机发光二极体)生产线提前量产,这是中国首条全柔性AMOLED生产线,打破了韩国企业的垄断,成为“OLED国产化”的重要开端。
此外,这一液晶面板的巨头也正在抓住物联网市场大势,基于公司核心技术加速布局开启新的发展空间。京东方在保持已有显示器件领域的优势之余,还在智慧系统、健康服务等板块持续发力。
因此,不论是针对传统业务还是新拓展的版块,为承载庞大繁复的业务体系及线上运营系统,京东方对IT基础架构提出了更高的需求。目前,京东方使用Citrix VDI桌面虚拟化,共计有20000多个桌面,使用传统SAN和NAS架构。为创新和升级IT基础架构,京东方决定建设一套完全独立的超融合桌面云系统,将桌面逐步迁移到超融合平台,从而满足不断发展的业务需求。如此大胆的尝新之举,京东方魄力何来?
京东方新建的桌面云系统采用Citrix桌面虚拟化技术,为每个用户提供两套办公桌面,包括一套用于普通办公桌面,一套用于云桌面,并通过配置策略的方式将两个桌面之间的数据以及用户权限隔离。但在基础架构建设中,京东方却遇到难解的三个挑战,一是VDI常见的“启动风暴”;二是传统IT基础架构复杂性高、规划时间长、上线交付慢、运维复杂;三是存储资源不能共享,系统扩容复杂,不能按需投资。
此外,京东方现有生产环境采用VMware vSphere虚拟化,以及Citrix XenDesktop桌面虚拟化。在新建项目以及京东方未来的项目规划中,新增资源需要与现有生产环境对接,与底层资源池互通,为未来统一的底层资源池做好进一步的规划。
超融合架构凭借其高性能、高可用、易扩展等特性,已被逐步认可为最适合于虚拟桌面(VDI)场景的IT架构。经过详尽的调研、评估、对比,最终京东方选择利用SmartX软件和一体机,来构建新一代超融合桌面云系统。
京东方桌面云交付示意图
SmartX超融合系统架构图
软硬件配置表
京东方采用一台SmartX Halo 400和一台SmartX Halo 200超融合一体机,共占用4U机柜空间,在每个超融合节点中安装VMware vSphere虚拟化和SmartX ZBS软件定义的分布式存储,通过万兆网络互联,组成一个超融合集群,对外提供一个统一的超融合虚拟化资源池。
另外,SmartX超融合架构针对VMware vSphere集群管理以及Citrix XenDesktop托管资源管理,均与原有生产环境对接,资源池之间可以进行互通互联。未来可按需添加超融合一体机,既可快速扩容,也利于业务快速部署上线。
作为国内超融合领导厂商,SmartX此次为京东方提供超融合桌面云解决方案,是基于其丰富而坚实的技术积累及行业经验,力求以最优配置及定制化方案达成最好成效。
“SmartX超融合系统保障了我们的桌面云快速上线,满足了系统对高性能的要求,同时IT资源灵活扩展、易维护,解决了我们业务快速发展的后顾之忧。”京东方IT负责人表示。
经过长时间稳定运行,京东方超融合桌面云收获了四大显著成效:
企业IT从最传统“服务器+传统SAN和NAS”转变为超融合,这种改变正在越来越多的企业中发生。京东方通过引入SmartX 超融合 “互联网式”IT架构,助力其信息化平台再升级,进一步支持其开拓新业务领域、实施创新布局。
好文章,需要你的鼓励
CPU架构讨论常聚焦于不同指令集的竞争,但实际上在单一系统中使用多种CPU架构已成常态。x86、Arm和RISC-V各有优劣,AI技术的兴起更推动了对性能功耗比的极致需求。当前x86仍主导PC和服务器市场,Arm凭借庞大生态系统在移动和嵌入式领域领先,RISC-V作为开源架构展现巨大潜力。未来芯片设计将更多采用异构计算,多种架构协同工作成为趋势。
KAIST AI团队通过深入分析视频生成AI的内部机制,发现了负责交互理解的关键层,并开发出MATRIX框架来专门优化这些层。该技术通过语义定位对齐和语义传播对齐两个组件,显著提升了AI对"谁对谁做了什么"的理解能力,在交互准确性上提升约30%,为AI视频生成的实用化应用奠定了重要基础。
Vast Data与云计算公司CoreWeave签署了价值11.7亿美元的多年期软件许可协议,这标志着AI基础设施存储市场的重要转折点。该协议涵盖Vast Data的通用存储层及高级数据平台服务,将帮助CoreWeave提供更全面的AI服务。业内专家认为,随着AI集群规模不断扩大,存储系统在AI基础设施中的占比可能从目前的1.9%提升至3-5%,未来五年全球AI存储市场规模将达到900亿至2000亿美元。
乔治亚理工学院和微软研究团队提出了NorMuon优化器,通过结合Muon的正交化技术与神经元级自适应学习率,在1.1B参数模型上实现了21.74%的训练效率提升。该方法同时保持了Muon的内存优势,相比Adam节省约50%内存使用量,并开发了高效的FSDP2分布式实现,为大规模AI模型训练提供了实用的优化方案。