数据是新型经济的货币,而人们对数据的使用,早已从简单的交易记录,变为利用数据预测、分析、进行实时决策以及提出新见解。然而在这个变迁过程中,一股不可小觑的力量来自数据的存储与释放。
9月12日,在HGST全新战略发布会上,HGST公司对数据“存储与释放”进行了全方位解读,发布多款新品,致力于提供能够创造更大价值的软硬件解决方案,推动数据中心和自身转型。
在HGST亚太区副总裁James Ho看来,大多数企业未能释放它们的全部价值。一项来自HGST的调查显示,98%参与调查的首席信息官和IT决策者相信,所有数据都有价值。但65%的中国被调查者承认,他们并未存储所有数据。几乎所有受访者表示,只要有更好的分析工具和存储方案就能改善商业效益,并愿意投入技术和方案上,“存储需要释放出数据的力量。”
HGST亚太区副总裁James Ho(何维荣)
“从数据中挖掘价值的能力将是企业的终极竞争力。”James Ho表示,HGST正拓展其创新范围,以把握数据中心存储基础设施领域中的商机。存储和数据管理是企业取得成功的关键因素,软件和动态归档则是增长机遇。
而对于硬盘市场的常青树HGST来说,创新不成问题。2004年,HGST推出首款5碟企业级硬盘;2008年,HGST与英特尔推出首款JDA、英特尔SATA SSD JV;2010年推出HGST企业级固态硬盘;2011年,第一款具备200万小时的无故障时间的7200转企业级硬盘诞生;2012年发布氦气密封技术;2013年,HGST的第一款6TB氦气密封硬盘开始供货;到2014年,多款新品,开始转型。到目前为止,HGST已拥有7000项专利。
随着数据使用和消费方式转变的加速,数据在被不断地创建和复制,数据总量每两年就会翻一番,这使得存储、保留、访问和转换海量数据成为数据中心的关键所在。而要更好的释放数据的力量,这就需要一套更快捷、更灵活、可访问性更强同时成本更低的解决方案。HGST正在提供这样的解决方案,帮助世界释放数据的力量。
当谈及如何具体释放数据力量的决策时,HGST表示未来将重点发力三个方面:
最高密度构建模块;应用加速;解决方案增强扩展性。
多款新品 推动数据中心的变革
回归到具体产品上,HGST产品营销副总裁 Brendan Collins做了详细介绍:
HGST产品营销副总裁 Brendan Collins
`Ultrastar 7K6000:拥有高磁录密度和最佳单位存储性价比的6TB硬盘,采用标准的3.5英寸设计,采用五碟片式解决方案,每碟片容量1.2TB。经过实践检验的高可靠性平台,着眼于所有传统的和快速增长的可扩展型存储应用,其中包括对象、数据块和文件存储架构。
`Ultrastar He8 :容量最高的主流企业级硬盘,8TB,33%容量提升,23%功耗降低,支持即插即用。不同于叠瓦式磁录技术,采用垂直磁录技术的Ultrastar He8适合任何环境,比如重视容量密度和功效的企业和数据中心应用,大批量横向扩展高密度数据中心等。
`10TB HDD:首款面向云计算和冷存储应用的数据中心级10TB硬盘,为在线冷存储负荷提供具有经济效益的方案,专为云数据中心动态归档类应用设计。
`Ultrastar SN100 PCIe SSD:全新兼容NVMe标准的固态硬盘产品,该系列集成了东芝的MLC NAND闪存并配以简化的PCIe SSD系统。针对PCIe SSD的标准化NVMe协议使得系统具有更广泛的互通性,部署也变得更加简单,从而实现了较低的拥有成本。
随着数据的数量、速度、种类和生命周期日益增长,被调查者正在努力挖掘已存储数据的额外商业价值。数据存档已不再局限于离线存储以及“一次写入”并可能“永不读取”,因此,作为冷存储的一个子类,新兴的动态归档解决方案是应对不断变化的市场动态的法宝。
83%的中国被调查者表示,他们的企业正计划或者已开始部署动态归档解决方案,以满足长期的存储需求。与其它被调查国家相比,此类解决方案在中国的普及率最高。按全球范围的企业规模分析,在所有被调查国家中,每10家大型企业(员工总数超过5000)就有4家正在实施动态归档项目,而计划部署此类解决方案的占比最大的组别是中型企业(65%)。
为了满足市场对动态归档解决方案日益增长的需求,HGST推出了动态归档平台,适合PB级数据中心的新存储平台。每个机架容量实现大约10PB,存储密度和能效能够提升5倍,正在向特定的战略客户提供样品测试。用户可以针对不同存储架构配置动态归档平台,包括面向公共和私有云数据中心的可扩展型对象存储解决方案。
HGST已开始向战略合作伙伴交付动态归档平台的样品,并将于2015年初提供全面的产品细节和规格信息。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。