
中国,北京,2020年10月29日——全球领先的数据存储和管理解决方案提供商希捷科技公司(NASDAQ:STX)举行了“Let’s Rethink Data”希捷科技Datasphere线上峰会。在本次峰会,希捷科技携手行业专家与生态合作伙伴洞见数据产业趋势,并发布了对象存储软件CORTX以及CORTX开源社区,为企业用户提供更为优化的数据存储架构。
根据希捷赞助、IDC调研的《数据新视界:从边缘到云,激活更多业务数据》报告,未来两年,企业数据将会以42.2%的速度增长。数据,也将成为重要的生产要素。数据治理、数据运营等等成为企业的关键议题。随着新基建的落地、5G、超大规模数据中心、人工智能等领域的加速发展,中国企业的数据运营意识在觉醒,数据管理能力在提升。在应对数据管理的挑战方面,中国企业最为积极进取。
《数据新视界》调研同时显示,在可用的企业数据中,32%被投入使用,剩余的68%并未得到利用。与此同时,在创建的175ZB中,仅有17ZB得以被存储,剩余90%的数据未得到存储。
由于人工智能、IoT等新技术的兴起和普及,越来越多的非结构化数据为企业带来管理难题,企业需要在数据的成本和价值之间进行妥协。为了更好地激活数据,企业需要开放的架构、新的管理策略,来快速地整合并分析海量的、动态的数据。
为了帮助企业实现这样的目标,希捷一直努力不懈,基于40年的技术创新和产品研发,持续在性能和容量两个维度发力,通过HAMR和MACH.2技术去持续提升硬盘的空间和性能。与此同时,希捷推出了100%开源软件CORTX,专为大容量解决方案量身打造,为激活更深层次的数据价值打下坚实的基础。
CORTX是独立于硬件的开源对象存储软件,为开发者和合作伙伴提供针对大容量优化的数据存储架构,其用例广泛,包括人工智能、机器学习、混合云、边缘、高性能计算等非常前沿的领域。该软件可以帮助企业进行超大规模存储架构的应用和普及,实现有效、快速且经济地部署对象存储,打开数据新视界的新征程。
希捷科技全球副总裁暨中国区总裁孙丹称,“数据中蕴藏着无尽的价值,企业的成功与数据价值的挖掘息息相关。希捷持续秉承开放、共享及合作的原则,进行技术突破和产品创新。希捷继续与业界合作伙伴紧密携手,针对市场需求以及应用特点,共同推出更为定制化的、契合需求的解决方案,助力企业的数字化转型征程,为发挥数字生产力的极致价值而努力。”
在本次Let’s Rethink Data希捷科技线上峰会,中国信息通信研究院的副所长魏凯对2020大数据十大关键词进行了解析,IDC研究总监Phil Goodwin带来“善用数据,制胜未来”的话题内容。此外,希捷科技的8家中国客户与合作伙伴新华三集团、同有科技、宏杉科技、UIT创新科、五舟科技、鲸鲨软件、极道科技以及柏科数据等,将就CORTX开源软件与开源社区,与希捷展开更深层次的合作,共同提升对象存储解决方案。
本次线上峰会内容,可通过微信小程序“希捷粉丝俱乐部”持续访问。
好文章,需要你的鼓励
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。
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。
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。