如果有一种方式可以让企业的数据中心像云计算一样具有高效和优化的优点,那么组合的基础设施可以胜任这一角色。组合式基础设施的魔力就是让企业内部部署的数据中心具有类似云计算的特性,虽然这并不能得到许多IT专家的产生共鸣。
惠普公司最近将其基于OpenStack的混合云平台Helion Cloud System 10添加到其可组合的基础设施硬件产品Synergy中,这是一个将计算,存储和网络结构池化进行组合化设计的基础设施硬件新产品,可以使用裸机,虚拟机或容器工作负载的服务配置文件和API运行硬件。
Moor洞察战略公司的德克萨斯州奥斯汀分析公司分析师Gina Longoria表示,将Cloud System添加到Synergy可以简化业务流程,并改善客户动态分配资源。结合HPEOneView管理平台,IT专业人员可以更好地使用Synergy产品的内部IT资源,就像使用公共一样,这可能是其成功的关键,Longoria说。
Longoria表示,她认为惠普公司会根据行业人士在公共云的经验改变他们消费IT的方式。“没有Helion,那么Synergy可能与一大群企业IT用户不太相关。”她说。
Longoria说,组合式基础架构需要管理和编排,并将其与分解的硬件和结构进行合并。这创建了一个完整的系统,控制平面绑定到硬件和数据,可以编排和自动化任何想要满足工作负载需求的方式。
戴尔EMC公司高级技术总监Brad Maltz说,“这就是组合式基础设施应该朝哪个方向发展的承诺。”他指出,效率和优化是组合式基础设施的两大优势。
思科公司统一计算的产品营销总监Todd Brannon表示,其中一个挑战是组合基础设施本身。即使是第一个广泛使用这个术语的思科公司,已经远离标签,因为它认为客户可能会发现其比较混乱,并且技术过于复杂。思科已经通过其M系列推动了组合性,但后来放弃了。
该公司的最新产品S系列存储服务器是通过包含模块化组件提供可组合基础设施的重新努力的一部分。
“必须能够分解,并把它放在一起,这正是我们正在做的S系列系统。”Brannon说。
戴尔EMC的Maltz说,戴尔EMC的可组合基础架构计划以RackHD为中心,RackHD是一个开源项目,可将传统服务器转变为可组合的基础架构。
除了Synergy之外,惠普公司还将可组合性转移到其超融合基础设施设备HC380之上。
组合基础设施的价值和用途关键
帮助在仍处于早期阶段的企业IT专业人员意识到组合式基础设施的有用性和价值是(例如HPE,思科和DellEMC)供应商所面临的挑战。
Maltz说,IT专业人员不知道如何更好地应用可组合的基础设施,因为其技术似乎太新或令人奇怪。“这将像VMware公司三至四年前所采用的方式,”Maltz说,“人们可能会在2019到2020年的时间框架内看到这一点。”
惠普公司称,如今约有100家客户在内部使用Synergy,直到2017年1月才能普遍使用。然而,一些IT专家怀疑在组合式基础设施技术将进入企业多年之后,企业的业务仍有可能会转移到公共云。
康涅狄格大学图书馆系统系统管理员Robert Swanson表示,他认为可组合的基础设施可能首先出现在资金充足的组织的数据中心,并且可能在两年内在一些公司使用。但他预测,对于其他公司来说,其应用的时间可能接近10年。
“组合基础设施]必须是常规可用的,它必须是应用过一段时间之后,才被认可,而刚推出的时间,其成本是昂贵的。”Swanson说。
基础设施可组合性的想法引起了位于马萨诸塞州一家天气预报公司数据中心操作经理Charles O'Brien的注意。“你按下一个按钮,移动一个滑动条并调用API给予内部客户。”
他在波士顿召开的虚拟化技术用户组会议上说。他表示,虚拟化是有吸引力的,提供了根据需要启动新的资源,而不是购买和等待新的服务器硬件的能力。此外重要的是,其资源的粒度可能甚至超过了亚马逊网络服务公司。
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。