日前,2020全球闪存峰会正式上线,紫光旗下新华三集团与众多行业用户、合作伙伴和业内专家相聚线上,以数字化方式展示新一代闪存产品和智能存储平台。同时,新华三计算存储产品线副总裁徐润安先生在线上与业界分享智能化变革下闪存的革新之道,进一步发掘存储在数字化转型时代的业务价值。
随着新技术的加速应用,闪存正在成为企业构建面向未来全新业务的存储首选。根据全球知名研究机构Gartner的报告显示,SCM介质与NVMe存储协议的结合获得越来越多企业用户的接受,其技术成熟度快速提升,在实际的业务中,SCM甚至让延迟下降50%。徐润安先生认为,对于闪存的理解不能只局限于性能,数字化与智能化变革为闪存的发展指明全新方向。
根据IDC预测,未来2年接近60%的客户会选择私有云架构,但希望享受到类似公有云的服务体验,而企业面对的数据,将会呈现几何级的增长,到2025年达到惊人的175ZB。随着业务、数据、系统、介质协议等的复杂度直线提升,单纯依靠闪存提升性能,已经无法满足客户“即服务”式的体验需求。对此,新华三集团给出的答案是—智能存储平台。
智能存储平台为云而生,将算力与算法深度融合。以智能数据引擎为核心,平台实现了对T0存储、T1存储、二级存储、大数据存储,甚至云存储的支持和管理,为数据库、虚拟化、自动化连接等应用提供强大的存储资源,加速不同部门的业务开展,带给用户“即服务”的体验。
应用智能存储平台,用户可以时刻对闪存阵列的状态进行全局分析,并得到针对潜在故障的预警及故障根因智能分析,提供强大的业务效率;平台还能够预测未来应用对性能需求的发展趋势,帮助用户预防存储因负载过高导致的延迟上升,性能下降,并根据当前实际的业务状态提出存储扩容、数据迁移等方面的建议,保证闪存阵列的负载均衡,业务永续。
随着创新应用的不断涌现,新业务带来了更复杂的存储数据类型以及连接协议,这成为软件定义存储快速成长的契机。根据IDC预测,2021年中国软件定义存储市场总额将超过112亿人民币。伴随着市场的扩大,用户希望软件定义存储应用范围日益扩大,不仅满足对非结构化数据处理的需要,同时在核心应用环境中承担重要角色。
而闪存介质高性能、高可靠、易维护的特性与软件定义存储业务相匹配,诞生出庞大的市场需求。在软件定义存储细分市场,新华三集团进行完善的产品布局,在全闪节点中采用SCM+NVMe架构,满足极致性能和高可用性的需求;在普通节点中,新华三依托NVMe加速进一步提升了节点的性能表现,实现了性能与成本的完美平衡;在归档/云存储中,新华三利用大容量SSD实现了单节点最高PB级容量,满足海量数据的存储需求。
新华三集团已经推出了X10000融合智能存储,为软件定义存储实现虚拟化与AI、闪存介质融合打造经典范例。X10000融合智能存储以融合性的软件架构实现对多种协议类型的支持,覆盖全闪节点、均衡型节点、归档型及云存储型数据节点,在智能加持下进一步实现资源自动调优和业务自动匹配,引领软件定义存储的服务创新和体验升级。
在本次活动中,新华三集团还带来了Primera系列主存储、Nimble系列闪存阵列、3PAR系列存储以及X10000融合智能存储等产品,全方位展示了在智能存储平台支持下闪存介质的无限潜力。
面对行业智能化变革,紫光集团与新华三集团发布了“AI in ALL”的智能战略,实践“数字大脑计划2020”,打造智能数字平台。其中在数字大脑数字基础设施中的存储领域,新华三将会继续推动技术融合创新,以强大闪存产品应对IT环境多样性以及复杂性的挑战,为业务创新和产业升级带来极致效能。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。