中国,北京,2021年6月25日——全球领先的数据存储基础设施解决方案提供商希捷科技(NASDAQ:STX)今日举行了“A New Way to Data——数据新径界”希捷科技Datasphere 2021线上峰会。本次峰会中,希捷和业界伙伴探讨了如何存储、传输并激活数据价值,旨在革新数据管理方式,探寻开拓数据新径界。
数据的力量已触达到每个角落,一辆自动驾驶车每天可以产生高达60TB的数据,一个智慧工厂每天可以产出1PB数据,智慧城市每日创造的数据量高达2.5PB……预计到2025年,全球数据量将达到175ZB。尤其是企业数据,正在以惊人的速度增长。仅今年一年,企业数据以42%的速度增长。这意味着,在2021年管理40PB数据的企业,2022年需要应对56PB的挑战。数据增长的势头方兴未艾,面向未来的大容量存储,TB级别的数据架构,无法应付PB量级的数据挑战。
数据价值得到激活的前提是,数据需要得到妥善存储、高效移动、自由融合。当今,全球网络受到带宽的限制无法高效移动越来越海量的数据,但现实需求是,端、边缘以及核心之间的数据流动需求更胜以往,并且来回传输数据需要花费大量资金,这给总体拥有成本有限的企业带来的是无限挑战。他们需要一个有效的方式,来突破低效的数据架构、无法自由流动的数据、高昂的数据管理成本等一系列障碍。
基于企业的需求以及数据趋势的洞见,希捷一直以来不断进行产品和技术创新,通过HAMR和MACH.2等技术实现容量和性能进阶,其开创性的技术为业界数据存储带来了新思路。产品层面,希捷银河(Exos)、希捷雷霆(Nytro)系列企业级存储产品,以及高密度、高效率、模块化与经济性等优势并存的存储系统产品,从不同层面满足了企业的需求,在端、边缘和云之间高效移动数据,打通数据流通的各个环节,让企业为未来无限的数据增长做好准备。值得一提的是,截止到2021年3月,希捷存储产品的总出货量达到了3ZB,极大地解决了海量数据增长带来的存储问题。
希捷还一直专注于数据移动以及数据价值激活的研究。据调研,全球仅有32%的企业数据价值被激活。为了助力企业提升数据存储效率,加速数据流动,希捷每年投入10亿美元进行研发,而Lyve系列解决方案正是希捷带来的破题之解。希捷Lyve打破固有模式的束缚,专为简单安全的大容量边缘数据存储、迁移以及数据传输任务而设计,以创新性的方式解决了当前数据基础架构中的数据移动以及管理等多项挑战。
希捷科技全球高级副总裁暨中国区总裁孙丹称:“数据的价值越来越被重视,而企业挖掘数据价值所面临的挑战正是我们关注的重点。希捷将会持续投入创新和研发,携手合作伙伴,让企业无需在数据存储、管理成本与数据价值之间做出妥协,帮助他们妥善进行数据存储、管理、移动以及数据价值的激活。”
在本次“A New Way to Data——数据新径界”线上峰会,希捷科技中国区客户与合作伙伴代表,包括XSKY星辰天合CEO胥昕、极道科技CEO吴江、信易达计算首席科学家周会群、宸曜科技副总裁董子麒、顺网科技研发负责人彭寿林、UCloud优刻得存储和数据库产品中心总监吴斌炜,表达了他们继续与希捷携手,进一步开发和测试更多产品和技术的意愿,共同促进数据价值的激活,为开拓数据圈的新蓝海而努力。
更多本次线上峰会内容,可通过微信小程序“希捷粉丝俱乐部”持续访问。
好文章,需要你的鼓励
初创公司Positron获得5160万美元A轮融资,推出专门针对AI推理的Atlas芯片。该公司声称其芯片在性能功耗比和成本效益方面比英伟达H100高出2-5倍,并已获得Cloudflare等企业客户采用。Positron专注于内存优化设计,无需液体冷却,可直接部署在现有数据中心。公司计划2026年推出支持16万亿参数模型的下一代Titan平台。
这项由Midjourney团队主导的研究解决了AI创意写作中的关键问题:如何让AI既能写出高质量内容,又能保持创作的多样性和趣味性。通过引入"偏差度"概念和开发DDPO、DORPO两种新训练方法,他们成功让AI学会从那些被传统方法忽视的优秀独特样本中汲取创意灵感,最终训练出的模型在保持顶级质量的同时,创作多样性接近人类水平,为AI创意写作开辟了新方向。
忽视智能体AI的潜力,特别是其对现代化数据基础设施的需求,面临着与忽视互联网的零售商相同的生存风险。关键不在于是否投资,而在于如何确保投资转化为可衡量的现实收益。企业需要超越AI试验阶段,明确业务目标,从治理开始构建ROI模型。成功的组织在整个技术栈中嵌入智能体,从面向客户的应用到内部治理系统。通过强化数据治理、减少重复工具和统一平台,AI的ROI将从理论变为现实。
上海AI实验室联合多所高校开发出VisualPRM系统,这是首个专门用于多模态推理的过程奖励模型。该系统能像老师批改作业一样逐步检查AI的推理过程,显著提升了AI在视觉推理任务上的表现。研究团队构建了包含40万样本的训练数据集和专门的评估基准,实现了在七个推理基准上的全面性能提升,即使是最先进的大型模型也获得了5.9个百分点的改进。