
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
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。