据知名调研机构Gartner分析师声称,超融合基础设施是数据中心硬件市场发展速度最快的一个类别;虽然一些老牌厂商最近纷纷推出了各自的超融合系统,但是它们还是面临错过这条船(错失良机)的危险。这条船已经径直撞向它们在客户数据中心的设备机架。
12月初,在一场数据中心大会现场,两个中型企业用户发表演,一位称已经把整个生产环境迁移到了Nutanix上,而另一位用户表示,正在将以思科Vblock为主的基础设施换成SimpliVity。
其中一个用户是一家名为PITT OHIO的运输及物流公司,它花了六至八个月的时间来比较几种选择。这两个用户在开始这项工作时就感受到了老牌厂商的惴惴不安。
事实证明,这种紧张不安是有其道理的。
据PITT OHIO的新兴基础设施运营支持主管戴夫·旺德利(Dave Wunderley)声称,该公司在项目的第一个阶段就节省了70000美元,从12月初起,即将实现节省25000美元的第三阶段投资回报。 由于从Vblock改用SimpliVity,PITT OHIO提高了计算和存储容量,存储成本降低至只有原先的4%,同时缩短了备份时间,还提高了工作效率,因为基础设施管理变得简单多了。
北卡罗来纳州的Cardinal Innovations Healthcare是美国最大的专业医疗保健机构,它将运营支持时间缩短至原来的20分之一,并将数据中心的占用空间减少了三个机架,Cardinal的IT基础设施主管罗伯特·埃德华兹(Robert Edwards)表示,公司把传统的三层架构换成了Nutanix,结果各方面的性能提升了56%至70%。
这个例子还打破了超融合适用于虚拟桌面基础设施或灾难恢复,但不适合其他工作负载的神话。PITT OHIO和Cardinal都在超融合基础设施上开心地运行整个生产系统。
必然会受到超融合颠覆的不仅仅是硬件厂商。旺德利不再需要为管理备份和复制等任务的软件支付许可费――这种管理功能已经内置到SimpliVity中,而埃德华兹后悔当初没有把Cardinal的整个环境从VMware改为Nutanix自己的Acropolis虚拟机管理程序,后悔没有摒弃他每年承受的“VMware税”。
被问及做出这一转变时面临的最大挑战是什么,这两位IT负责人都表示,那就是超融合改变了企业组织的运作方式。虽然角色变化在这些具体的情况下并没有导致任何人员缩减,但是旺德利承认,在规模比较大的企业组织下,可能会出现缩减人员这一幕。不过,改用超融合基础设施“完全彻底改变了我们运行数据中心的方式,”埃德华兹如是说。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。