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
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。
苹果即将发布Apple TV 4K和HomePod mini 2两款产品更新。更值得期待的是三款全新产品:配备7英寸方形显示屏的HomePod Touch将搭载全新homeOS系统,支持Safari、音乐等应用及小组件功能,预计售价350美元;此外还有智能安全摄像头和视频门铃两款配件。这标志着苹果从依赖第三方HomeKit配件转向自主研发智能家居产品的重要战略转变。
UCL研究团队通过分析16万场AI对战数据发现,传统认为"平局代表AI实力相当"的观念完全错误。研究表明平局主要反映问题难度和客观性,而非AI能力对比。当忽略平局进行评分时,四种主流评分系统的预测准确率均提升1-3%。这项发现颠覆了现有AI评估理论,建议未来评分系统应考虑问题特征而非简单的平局语义。