数据编排和GPU数据供给商Hammerspace正在通过采用英伟达的AI数据平台参考设计,为智能体提供数据基础支撑。
Hammerspace实际上是将其"AI随处数据平台"构建在其全球数据环境(GDE)产品之上,该产品可虚拟化客户跨多个供应商存储孤岛的文件和对象数据资产。它拥有单一的全局命名空间,有助于实现基于活动级别的数据放置决策,包括零层级(GPU服务器上本地连接的NVMe闪存驱动器)以及通过GPU Direct向GPU服务器快速供应数据。该公司表示已实现数据目标自动化,集成了Milvus向量数据库、MCP支持,并与智能体紧密集成。据称,其软件确保训练和推理工作负载始终能够立即访问所需数据,无需手动数据移动或复杂的集成层。
Hammerspace战略合作伙伴副总裁Jeff Echols表示:"Hammerspace数据平台消除了传统企业数据孤岛的混乱状况,使组织能够在任何地方立即向智能体提供数据,同时保持完全的控制和治理。"
Hammerspace的AI数据平台基于英伟达的AI Enterprise软件,并与英伟达GPU(如RTX PRO6000 Blackwell产品)和Spectrum-X以太网网络集成。它支持英伟达的NIM和NeMo Retriever微服务。可以将其视为针对英伟达AI数据平台的Hammerspace参考设计,而英伟达AI数据平台本身就是一个参考架构。
该平台作为经过验证的软件系统交付,仅通过Hammerspace的战略渠道合作伙伴提供。据我们了解,Hammerspace渠道计划没有像金牌和银牌这样的具体命名层级。相反,分为普通或一般渠道合作伙伴和战略合作伙伴,后者超越了单纯的交易关系(即仅仅转售),而是共同开发解决方案、扩大市场覆盖范围,并推动AI基础设施开发等事务。
Hammerspace表示,客户可以从小规模开始使用其AI数据平台,例如使用试点项目来验证AI计划。然后,在取得成功的前提下,可以线性扩展到多站点或全球部署。
据我们了解的战略合作伙伴SHI International的战略与解决方案副总裁Jack Hogan表示:"我们很兴奋能在SHI AI与网络实验室展示这一解决方案,客户可以亲身体验它如何简化数据编排并加速AI采用。"
针对英伟达AI数据平台的Hammerspace参考设计将在华盛顿特区的NVIDIA GTC大会上展示,并将于2025年底通过授权的Hammerspace合作伙伴提供。
Q&A
Q1:Hammerspace的AI数据平台主要解决什么问题?
A:Hammerspace的AI数据平台主要解决传统企业数据孤岛的混乱问题,通过全球数据环境虚拟化技术,让组织能够在任何地方立即向智能体提供数据,同时保持完全的控制和治理,确保AI训练和推理工作负载始终能够立即访问所需数据。
Q2:这个平台如何与英伟达技术集成?
A:该平台基于英伟达的AI Enterprise软件构建,与英伟达GPU(如RTX PRO6000 Blackwell产品)和Spectrum-X以太网网络深度集成,支持英伟达的NIM和NeMo Retriever微服务,可以看作是针对英伟达AI数据平台的参考设计实现。
Q3:企业如何开始使用Hammerspace AI数据平台?
A:企业可以从小规模试点项目开始,用于验证AI计划的可行性。在取得成功后,可以线性扩展到多站点或全球部署。该平台仅通过Hammerspace的战略渠道合作伙伴提供,预计将于2025年底正式可用。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。