2020年11月4日,北京——IBM今日发布了战略性的功能扩展计划,旨在确保客户能够灵活地选择工作负载的部署位置(包括本地环境和IBM公有云),帮助他们推进混合云之旅。新增和增强的解决方案包含通过IBM CloudPaks部署到IBM IT基础架构中的容器化软件,以及面向容器的数据存储方面的最新技术进步。
IBM近期委托Forrester开展了一项名为“有效混合多云战略的关键”的调研,结果显示,85%的受访者正增加对公有云之外的IT基础架构的投资,这表明企业将继续使用本地环境和私有云。
“面对肆虐全球的疫情及其对经济的冲击,企业比以往任何时候都更迫切地需要提高行动速度和灵活性,加速数字化转型计划的实施。”IBMSystems高级副总裁Tom Rosamilia表示,“我们的客户正增加对AI和云计算的投资。他们迅速采取行动,在降低成本的同时,通过机密计算和弹性等方法提高安全性;而IBM的混合多云战略与Red Hat技术则在这场变革中发挥核心作用。”
客户采用这些技术的势头非常强劲:IBM Z和Power Systems的许多主要客户目前都在对Red Hat Open Shift on Z进行概念验证,另有超过100家客户准备开始概念验证。此外,已有超过40家IBM客户将IBM Storage作为高度可用、高度安全的OpenShift永久存储库。客户之所以这样选择,一方面要归功于IBM IT基础架构与Red Hat之间长期的合作,另一方面是他们考虑到过去在IBM Z、LinuxONE、Power和Storage产品上的投资,而这些产品的新功能现在支持业界领先的企业级Kubernetes平台Red Hat OpenShift。
目前,有超过100家新的LinuxONE和Linux on Z客户在混合云中运行任务关键型应用。这些客户的规模各异,既有初创企业,也有大型企业,覆盖医疗保健、零售、交通运输、金融和技术服务以及公共领域等众多行业。
IBM宣布即将推出以下新功能,旨在帮助客户使用IBM IT基础架构实施混合云:
为容器工作负载提供持久存储和数据保护
IBMStorage还为存储和现代数据保护解决方案提供了大量新的增强功能,未来还将不断推出增强功能。目的主要是支持迅速扩大的容器和Kubernetes生态系统,包括Red Hat OpenShift。
目前,IBM Storage Suite for CloudPaks正扩大对Red Hat OpenShift上容器原生数据访问的支持。该套件旨在为经常需要文件存储、对象存储、块存储以及软件定义存储的团队带来最大的灵活性,实现持续集成和持续交付。IBM Spectrum Scale还添加了一个完全容器化的客户端和一个运行时操作程序,支持用户轻松访问任何Red Hat OpenShift集群上的可扩展数据湖。IBM Cloud Object Storage在与Red Hat OpenShift捆绑在一起的对象存储接口中增加了对开源s3fs文件的支持。
“当我们开始通过容器化应用和Red Hat OpenShift对基础架构进行现代化改造之时,我们需要能够以安全可靠的方式支持应用现代化的基础架构。”Porsche Informatik计算和平台服务主管Christoph Buchstätter表示,“我们之所以选择IBM Cloud Object Storage,是因为它可以为容器化应用带来内置的安全性、稳定性以及高可用性。该系统易于管理,便于我们保持对数据的控制。”
这种朝向容器的重大转变对现代数据保护产生了深远影响。当今企业所需的解决方案必须能够在混合云环境中统一数据恢复、保留和复用,并保护关键数据工作负载。
“包括Red Hat OpenShift在内的容器技术是混合云部署的基础,可实现应用和数据在私有云和公有云之间的移植与扩展。”ESG高级分析师Scott Sinclair表示,“IBM能够提供容器原生数据保护能力、持久存储以及扩展的混合云数据保护支持。IBM认识到许多客户在未来几年内将继续运行非容器化的工作负载。因此,IBM的工具同时兼顾容器化和非容器化的环境,这包括通用的数据保护基础架构,以及对非结构化数据的支持,可扩展现有数据海洋,为AI和ML工作负载提供单一‘事实来源’,无论它们在哪个平台上运行。”
为应对这些挑战,IBM计划增强IBM Spectrum Protect Plus,以丰富容器保护功能。IBM Spectrum Protect Plus计划为Red Hat OpenShift环境提供集成式保护体验,首先是使用Red Hat OpenShift Operator将IBM Spectrum Protect Plus Server部署为容器。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。