9月16日至17日,华为云计算大会上,HGST(昱科存储科技有限公司)作为全球企业级云计算应用首选存储解决方案提供商,携旗下存储创新产品亮相该大会,旨在利用创新解决方案,帮助客户释放数据的力量。
大会期间,HGST企业发展及战略高级副总裁,弹性存储技术事业部总经理 DaveTang先生,在“大数据价值发现”分论坛上发表了题为“数据 - 新经济的货币”的演讲,详细介绍了HGST公司全新的Long Live DataTM战略,阐释数据的特性及价值,如何推动数据中心的转型。Tang先生介绍到:“由于数据可转化的特性,变为信息、知识和智慧的过程中提炼价值的能力,是一个企业的终极竞争优势。使用数据导向进行决策的企业相对具有更高生产力,也能够获得更多的利润。数据总量每两年都会翻一番。2014 年,地球上每人每分钟会产生 17 MB 数据。为存储、保留、访问和转换如此庞大的数据,存储必定演变成为现代数据中心的新动力。”
在的“云数据中心”分论坛,HGST硬盘产品营销副总裁Brendan Collins发表了题为“云海领航 - 数据中心存储篇”的演讲。Collins先生介绍说,无论是公共云、私有云还是混合云数据中心,总有三个互相关联且不断增长和创新的领域与云服务的基础设施架构相关联,即物联网、大数据分析和动态归档。若要管理这种增长,在如今规模超大、效率极高的数据中心内,存储不能以统一规格处理。从用于进行高性能计算和实时分析的闪存和 SSD,到用于存储高容量企业级HDD,再到用于高效存储历史数据及分析的冷存储和主动存档,如今的云数据中心架构需要的不仅仅是每TB成本这个指标。
同时,HGST也在展区展示了全系列企业级存储产品,而HGST展位的亮点就是展示液浸式冷却的应用示范以及最新的8TB Ultrastar He8,全新的Ultrastar He8容量增加33%,能耗降低23%,是HGST的第二代氦气密封式硬盘。8TB Ultrastar He8拓展了HGST在技术和创新方面的领导力,提升云计算数据中心、企业、OEM厂商和系统集成商在TCO总拥有成本方面的价值定位。
在过去的几十年里,该行业一直在发展3.5寸空气硬盘。然而,由于设计的限制,生产超过 6 TB 容量的硬盘,难以达到业界要求的高可靠性。数据正在以分钟为单位快速增长,这将推动市越来越多的利用像HGST氦气硬盘这样的技术,以满足日益增加的对存储和高容量硬盘的需求。氦气性能优于空气,原因是氦气能够大幅度增加存储密度以解决数据中心面临的最大挑战,同时,氦气能降低功耗,并需要更少的机架空间。氦气存储标志着存储产业的未来。
目前,数据中心设计者和服务器供应商不断在更小的空间内设计更大的容量,而由于组件温度的升高以及有效空气流动空间的减小,如何有效地冷却成为一个全新的难题。业内的多个厂商一直在探索如何更有效地冷却液体并维持更加稳定的工作温度,因为液体比空气的密度高。然而,传统硬盘并不是密封的,冷却液将进入到硬盘内造成损坏,所以无法浸入到液体中。HGST的HelioSeal硬盘是密封的,既可应用于空气冷却式,也可以用于液浸冷却式系统,是目前唯一提供高性价比的解决方案。
为解决企业存储和云数据中心在提高存储效率以及降低成本方面所面临的压力,HGST长久致力于依靠自身科技领导地位,为全球客户不断带来惊喜。革命性的全新企业级解决方案,可以帮助数据中心在几乎每一个层面上(包括容量、能耗、冷却以及存储密度)显著降低总体拥有成本(TCO)。
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。