微信扫一扫,关注公众号

  • 科技行者

  • 算力行者

见证连接与计算的「力量」

首页 激发用户无限创意 戴尔推工作站新品

激发用户无限创意 戴尔推工作站新品

2014-09-05 12:04
分享至:
----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-
2014-09-05 12:04 陶婧婕

很多消费者都把工作站当成了“性能高的PC”,作为计算机产品的一个分支,工作站产品更多的应用在了图形设计、视频渲染等方面,特别是在大型的动画公司,对工作站的要求则更加严格。

昨日,戴尔在京发布了工作站新品,分别是戴尔Precision塔式5810、塔式7810、塔式7910和机架式7910。戴尔Precision工作站全球产品市场总监Patrick Kannar发表演讲,并表示迈克尔·戴尔曾说过“技术永远是为激发人类的潜力服务的”,戴尔公司在15年前推出了Precision(工作站)这个品牌,通过多年的耕耘,戴尔工作站一直致力于激发用户的创造力,并且把这些创意变为现实。

激发用户无限创意 戴尔推工作站新品

戴尔Precision工作站全球产品市场总监 Patrick Kannar

新一代Precision塔式和机架式工作站

戴尔此次发布的工作站新品包括主流和高性能的塔式与机架式工作站,能够满足工程、制造、媒体和娱乐等计算密集型领域客户的苛刻要求。而且它们的定位也各不相同,具体如下:

塔式5810:性能和可拓展性实现完美,平衡的单处理器工作站

塔式7810:机箱小巧紧凑、性能强劲可靠的双处理器工作站

塔式7910:高性能和高扩展性塔式工作站

机架式7910:高性能、高扩展性2U机架式工作站

激发用户无限创意 戴尔推工作站新品

戴尔新一代Precision塔式和机架式工作站采用了英特尔最新的至强处理器和最新的NVIDIA Quadro专业级图形技术,同时搭配了DDR4 RDIMM内存,提供更高的I/O性能和数据可用性,且内存容量是前一代的两倍。新款塔式工作站上的Thunderbolt 2技术则提高了生产力以及对工作流程进行了创新,并支持高达20Gb/s的数据传输速率且允许同时传输 4K的视频文件。

而在戴尔的全球工作站出货量中,塔式和移动工作站无疑是大头,几乎占据了六成和四成的份额,而机架式工作站仅仅占据7%的份额,中国市场则更为传统,约有80%-90%的工作站为传统的塔式工作站,机架仅有2%。

本次发布的机架式7910有了很多创新,其在2U机架内提供塔式7910工作站的所有功能,完全符合资格并支持使用Citrix XenServer和VMware ESX管理程序来进行工作站虚拟化。它还是第一款集成戴尔远程访问控制器(iDRAC)的戴尔Precision工作站,通过在“急速(Lights-Out)”环境中实现全面的远程数据中心管理从而提高安全性。

那些支撑戴尔工作站的先进技术与理念

创新设计:戴尔工作站的外形设计并不是只讲究美观,性能、体验、易用性等元素也融入到了戴尔的Precision工作站产品中。

戴尔拥有大量的产品专家,他们搜集和分析用户需求,了解到用户需要什么样的工作站产品,用户有着什么样的应用需求,戴尔的工程师将这些需要反应到最终的产品设计中。例如现在人们都拥有智能手机、摄像机等设备,戴尔工作站机箱上方就设计了一个凹槽,目的就是为了让用户放置这些电子产品;USB的位置也放在了用户容易触摸的工作站机箱上方,并且USB之间的间距更大,方便用户一次连接多个USB外设。

内存技术:戴尔拥有可靠的内存技术,不仅可以防止内存错误重复发生,还延长了内存使用寿命、减少了宕机时间,RMT技术可以把坏的内存部分剔除、其他的内存条仍可正常运作,避免因为坏内存使得系统变脆弱,导致工作站蓝屏、死机的现象。

可管理性:戴尔工作站从部署、监控到更新有一整套的管理体系。在部署时,利用微软SCCM技术节约每台PC的安装时间;监控过程,通过英特尔vPro extensions提供更多系统健康和状态信息;在更新方面,在系统开机和关机状态下都可以更新系统。

工作站与虚拟化

近年来,一种新的工作站生态形式出现了,通过虚拟化技术,将工作站放置在数据中心中,而利用VDI将桌面交付给用户,用户摆脱了传统机箱+显示器+键鼠的模式,这也将会带来前所未有的协作办公体验。

戴尔为数据中心提供了不同的显卡解决方案,让用户按照不同的使用需求进行方案的选择。

1对1-计算节点:专用移动或者固定工作站

GPU穿透-计算节点:GPU直接分配给用户

虚拟化显卡-更多节点:共享GPU(类似共享CPU和内存)

很多用户对部属虚拟化工作站有一定心理障碍,担心安全、性能等方面相比传统工作站有一定限制,其实这种担心显得有些多余,实际上,从工作站迁移到虚拟工作站,用户只需要克服心理上的担忧。我们可以数数虚拟化工作站的优势:1、用户体验几乎不会发生变化。承载计算的设施完全位于数据中心中,但是终端的用户体验几乎不会发生变化,终端在屏幕上看到的仍然是一台正常运行的工作站;2、安全得到更大体现。建立虚拟化的工作站运行模式之后,所有的数据保存在数据中心中,企业对数据实现了完全的掌控;3、更好的协作办公。利用虚拟化,不论是在平板电脑还是智能手机上,都可以实时演示工程文件,同时由于文件都保存在服务器上,企业内交流零延时;4、支持多设备。虚拟化完全拓展了工作站在终端交付的模式,不仅仅是传统的PC、工作站上可以运行虚拟工作站,在瘦客户机、零客户机,甚至智能手机和平板电脑上,都可以运行;5、更高效的工作流。新的虚拟化模式能够帮助企业建立更有效的管理和运营流程,实现高效的业务流程,缩短业务交付周期。

关于行业应用

在行业应用方面,工作站体现出了强劲的实力,特别是在动漫、设计等行业。就像动画制作,因为对画面的精细度要求较高,每一帧图片的数据量都很巨大,而在对如此多的海量数据进行处理的时候,工作站的优势就体现了出来。

原力电脑动画制作有限公司就是戴尔工作站的忠实用户,原力电脑动画制作有限公司创始人兼首席执行官赵锐表示动画片的1秒钟包括24帧图片,原力平均2天完成1秒的制作(完成时间根据动画片的质量而定),而戴尔的工作站为原力提供了强而有力的支持。

据Patrick Kannar表示,戴尔新一代Precision塔式和机架式工作站组件得到了全面升级,基本保持性能提升价格不变的标准。

分享至
0赞

好文章,需要你的鼓励

推荐文章
  • 南方科技大学等机构联手破解AI推理训练难题:让大模型"一次思考"就学会解题

    南方科技大学等机构联手破解AI推理训练难题:让大模型"一次思考"就学会解题

    本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。

  • 香港科技大学数学系研究者:扩散模型原来是一个"魔法恒等式"拆成了两半

    香港科技大学数学系研究者:扩散模型原来是一个"魔法恒等式"拆成了两半

    这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。

  • 中国人民大学研究团队打造的"AI科学家":让机器自主完成几十小时的科研工程,它是怎么做到的?

    中国人民大学研究团队打造的"AI科学家":让机器自主完成几十小时的科研工程,它是怎么做到的?

    中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。

  • 字节跳动发布GRN:像人类画家一样"边画边改"的AI图像生成新范式

    字节跳动发布GRN:像人类画家一样"边画边改"的AI图像生成新范式

    这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。

----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-