至顶网软件频道消息:在最近有报道称AWS可能会针对数据中心硬件市场推出新网络交换机之后,云计算巨头将朝着这个方向迈出新的一步。
AWS今天宣布为其Snowball Edge设备提供EC2计算实例(Amazon Elastic Compute Cloud服务中的虚拟服务器),该系统配置了1.8千兆赫兹的英特尔至强处理器和100TB的存储容量,整合在一个便携式的、坚固耐用的机箱中,可以长距离运输。
与此同时,Amazon还推出了一批新的功能强大的Z1d实例,用于其云计算母公司或者公有云数据中心运行的服务,并且声称比迄今为止在任何公有云上提供的服务都要快。
Snowball Edge是AWS最初为移动数据打造的设备产品线中的一部分,目标是让客户更容易将大量信息从其内部基础设施迁移到云中。Snowball Edge引入了创建对象存储池和运行Lambda自动计算功能的能力,从而当系统仍在企业内部环境的时候可以处理简单任务。
这次新增的Snowball实例扩大了企业可以在系统上部署的工作负载范围。 Snowball Edge现在提供6种EC2实例选择,最多可提供16个虚拟CPU,存储容量从1GB到32GB,单个系统上的节点最多可以使用24个虚拟CPU和32 GB内存。
AWS瞄准了制造商等企业,因为这些企业需要能够在本地处理重要数据。在工厂和某些其他环境中,由于互联网连接速度较慢,通常无法将信息可靠地发送到云中进行分析。
据AWS称,企业可以使用与云EC2实例的相同工具来管理Snowball Edge部署。这种原生集成将使该系统于相比其他针对远程边缘环境的设备更有优势。此外,这次更新也让AWS相对微软更具竞争力,后者提供的Azure Stack平台让企业能够在本地运行云应用。
Constellation Research分析师Holger Mueller表示,推出Snowball新实例是Amazon的一个明智之举,因为一谈到迁移到云,IT仍然要求有巨大的计算能力和存储容量。
Mueller表示:“数据安全、后网络性能、对现场无机器的普遍不信任,这些是2018年内部部署能力的关键驱动因素。AWS新推出的Snowflake实例是是AWS采取的又一项措施和提出的承诺,能够在本地实现更多下一代应用使用实例。”
Amazon还通过推出新的EC2 Z1d实例来提升在公有云中的竞争力,这些实例针对电子设计自动化、半导体设计和关系数据库工作负载、以及其他用于金融服务等领域的一些高性能计算进行了优化。Amazon首席技术官Werner Vogels周二在纽约举行的AWS峰会上介绍了这些新的实例类型,称其是“公有云中最快的”,并且将在未来几周内推出。
在另一篇博客文章中,Amazon首席布道师Jeff Barr以R5和R5d(设计为内存缓存、数据库和大数据提供更好的每GB性价比)为例进一步介绍了这些实例。R5提供内存优化实例,与Amazon之前的R4实例相比,vCPU高出50%,内存高出60%,而R5d内存优化实例则另外配备了本地NVMe存储。
Mueller表示,这些新的实例类型是AWS针对企业客户在更灵活的计算和存储选项方面需求的一个回应。
他说:“很高兴看到像AWS这样的基础设施即服务厂商加强了实例多样化,并努力打造更强大的选择。例如,改进的R系列将成为SAP HANA内存应用客户的一个有趣选择。”
Barr说,所有这个三种新的EC2实例类型都是通过Nitro系统实现的,Nitro系统是一系列可以以多种不同方式组装的构建块,为设计和快速交付具有更广泛的计算实例、存储实例提供了更大的灵活性、更多的内存和网络选项。
Amazon称,Snowball Edge实例的价格为每10天500美元,长期计划的价格为每年起价15330美元,目前尚未提供Z1d、R5和R5d实例的定价。
好文章,需要你的鼓励
是德科技高级副总裁兼通信解决方案事业部总裁Kailash Narayanan现场指出,算力固然重要,但如果能耗过高,技术的实用性将大打折扣,因此,所有的高速、高性能计算,都必须在极低的功耗下实现,这是AI等技术能否大规模落地的核心前提。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
来自上海交通大学和浙江大学等机构的研究团队开发出首个AI"记忆操作系统"MemOS,解决了AI系统无法实现人类般持久记忆和学习的根本限制。该系统将记忆视为核心计算资源进行调度、共享和演化,在时间推理任务中相比OpenAI记忆系统性能提升159%。MemOS采用三层架构设计,通过标准化记忆单元实现跨平台记忆迁移,有望改变企业AI部署模式。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。