至顶网CIO与CTO频道 12月11日 北京消息:12月10日, 焱融科技以“Time To Change”为主题在北京威斯汀酒店举办了年度产品发布会。焱融科技发布了分布式文件存储产品YRCloudFile,并与Mellanox、科大讯飞、Rancher等200+客户和合作伙伴,共同探讨IT变革浪潮下的应对之策。
发布会开场,焱融科技CEO王海涛从创业历程、公司理念等方面为大家分享了焱融科技的成长历程。变化是存储行业永恒的主题,对于企业来说每一次变革的到来都孕育着机会。在容器化、云原生等浪潮席卷数据中心的大背景下,以人工智能为代表的新型应用正在影响企业的业务布局和 IT 架构,新平台、新应用在不同维度重塑着存储技术和行业。正如本次产品发布会的主题“ Time to Change”, 存储行业变革的大幕已经徐徐拉开。“我们要做具有全球竞争力的存储产品”,焱融科技王海涛如是说。
焱融科技CEO 王海涛
YRCloudFile——三年磨一剑
焱融科技副总裁黎俊鸿表示,YRCloudFile 产品是焱融科技经过3年的时间打磨,经过持续的企业/用户访问、技术交流、全面测试及版本迭代,正式推出的一款高性能分布式文件存储。
焱融科技副总裁 黎俊鸿
YRCloudFile具有三大特点:
YRCloudfile采用元数据节点集群化、虚拟目录、小文件内联等多种技术,深度优化海量文件读写性能、目录访问热点等问题。
YRCloudFile提供了CSI和FlexVolume接口,支持PV配额、Resize、QoS,分别从容量、IO性能上去对存储资源做了隔离与规划; 通过PV Insight帮助管理员查看存储卷内部数据分布和冷热情况。
YRCloudFile可以在阿里云、腾讯云、AWS等公有云上实现一键部署,在公有云上提供高性能的文件存储服务,并通过冷热数据分层功能使数据在不同层级之间流动,从而降低存储的总体拥有成本。
合作伙伴和客户齐发声,助力焱融科技重塑存储行业
之后,科大讯飞高级架构师徐恩松以“讯飞深度学习在YRCloudFile上的深度实践”为题,为大家分享了科大讯飞在深度学习领域的IT架构实践以及如何利用YRCloudFile存储提高深度学习系统性能,以此满足AI深度学习高性能、高效率、易使用的需求。
科大讯飞高级架构师 徐恩松
焱融科技战略合作伙伴Mellanox亚太区市场开发总监宋庆春呈上了“面向存储的网络计算”的主题演讲。并且介绍了在过去一年多的时间里,和焱融科技联合发布了高性能分布式文件存储联合解决方案,在19年2次的IO500测试中,YRCloudFile联合Mellanox的联合测试结果都取得了业界领先的成绩,展示了优异的存储与网络性能。
Mellanox亚太区市场开发总监 宋庆春
业界领先的容器管理软件提供商Rancher Labs大中华区CTO江鹏做了“Kubernetes无处不在”的主题演讲。 根据调研报告,76%的企业将在3年内标准化部署Kubernetes,并且有状态应用的容器化运行是用户的核心诉求之一。焱融科技与Rancher可为用户提供基于任意基础设施交付有状态应用的解决方案。
Rancher Labs大中华区CTO 江鹏
最后,焱融科技高级解决方案架构师赵振东为大家分享了YRCloudFile的解决方案以及在AI、容器等场景的案例实践应用。
焱融科技高级解决方案架构师 赵振东
经过3年多的时间,焱融科技累计服务80+企业级客户,管理数据量超过30PB以上,并且3年内连续完成3轮融资。王海涛指出,焱融科技将会秉承产品化的目标和客户第一的理念,联手合作伙伴,引领技术创新,为客户提供具有前瞻性及全球竞争力的解决方案。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。