阿斯顿马丁阿美F1车队(AMF1)已完成数据存储系统迁移,目前100%运行在NetApp平台上。
NetApp系统被AMF1车队用于AI驱动的设计、仿真和比赛日策略制定。这些系统支持遥测数据分析,帮助优化比赛策略,并提升赛车在赛道内外的性能表现。这使得设计到制造的周期更快,性能得到改善。据介绍,NetApp通过提供高吞吐量数据存储和跨混合云环境对海量数据集的无缝访问,使AMF1能够更快、更高效地运行复杂仿真。这加速了设计迭代过程,让工程师们能够在赛车上赛道之前就完善空气动力学和策略。
AMF1首席信息官法布里齐奥·皮洛蒂表示:"从CoreWeave风洞仿真和CFD工作负载到赛道边遥测,我们在打造冠军赛车和冠军团队的过程中生成并分析PB级数据。NetApp提供了针对AI能力和其他高性能计算工作负载量身定制的可扩展、安全基础设施,为我们在设计、仿真和比赛日策略方面做出正确的数据驱动决策提供了所需的动力。"
希望阿斯顿马丁赛车能够赢得比赛。希望阿德里安·纽维的加盟能有所帮助。
NetApp存储基于融合基础设施机架级FlexPod系统,配备StorageGRID可扩展、地理分布式对象存储、Kubernetes容器、Astra Trident数据连接和存储编排器,以及VMware,与思科UCS计算服务器、Nexus和MDS网络集成。
该系统采用NetApp BlueXP控制平面,覆盖从英国北安普敦郡工厂到赛道再到公有云的所有工作负载。这简化了管理并提高了数据可用性。
需要了解的是,每个F1赛道以及北安普敦郡工厂都有FlexPod设置。它接收并存储比赛期间AMF1赛车无线传输的遥测数据。遥测数据可以在大约十分钟内传输到工厂,在那里可以通过测试车手将其输入仿真系统,以查看可以更改哪些赛车设置来改善轮胎磨损、车身高度和车身气流等问题。NetApp的SnapMirror技术用于在赛后将数据传输回英国AMF1运营中心。
NetApp首席营销官加比·博科表示:"一级方程式是世界上技术要求最高的环境之一。比赛通过赛道上瞬间的决定获胜,而这建立在前几周数千个设计和工程决策的基础上。阿斯顿马丁阿美车队需要及时访问来自多个来源的海量数据集,而不能在跨不同平台编排数据上浪费时间或资源。"
在2023年之前,AMF1车队的存储系统来自Pure Storage,通过与ServiceNow的合作协议提供,该协议始于2020年。它提供了FlashArray//M全闪存存储系统来管理AMF1车队的数据需求,包括遥测和分析。虽然ServiceNow仍然是AMF1的技术提供商,但存储供应商角色已从Pure Storage转移给NetApp。
现在,在接管AMF1存储提供商职位两年后,NetApp已完成将数据从Pure阵列及其块存储迁移到StorageGRID对象存储系统的工作。
Q&A
Q1:NetApp在阿斯顿马丁F1车队中发挥什么作用?
A:NetApp为阿斯顿马丁F1车队提供100%的数据存储解决方案,支持AI驱动的设计、仿真和比赛日策略制定,帮助处理PB级遥测数据分析和优化比赛策略。
Q2:NetApp如何帮助F1车队提升比赛表现?
A:NetApp通过高吞吐量数据存储和跨混合云环境的无缝数据访问,使车队能够更快运行复杂仿真,加速设计迭代,让工程师在赛车上赛道前就能完善空气动力学和策略。
Q3:F1比赛中的遥测数据是如何处理的?
A:每个F1赛道都有FlexPod设置接收并存储赛车无线传输的遥测数据,数据可在约十分钟内传输到工厂,通过仿真系统分析以改善轮胎磨损、车身高度等性能参数。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。