从二十世纪五十年代后期开始,军事强国的导弹武器系统逐步实用化,各种导弹、陆续服役,很快形成一种“导弹至上论”。这种思潮主张“要导弹不要飞机”,认为在导弹漫天飞舞的天空,战斗机和轰炸机都不再有生存空间。这对空中力量的发展产生了重大的影响。受影响最显著的就是英国,在六十年代砍掉了所有高性能战斗机的研发计划,从此让出了航空技术领头羊的宝座,无可挽回地失去了独立研制高性能战斗机的能力。美国空军虽然没有英国那么极端,但也把最终射杀敌机的武器完全押在空对空导弹上,主力制空战斗机上不再装备机炮。
随后的几次局部战争很快让人们清醒了过来。越南战争前期,飞行员受够了空对空导弹的不靠谱后,美军紧急给战斗机重新加装了机炮。而越南使用的苏制地对空导弹也远远没有主宰天空,在美军的综合电子压制下,平均发射70发导弹才能打下一架敌机,根本无法取得制空权。
依靠关羽一人“斩颜良、诛文丑”就能赢得胜利的时代早已过去,现代战争的形态是“体系对抗”。再优越的武器装备,也需要在一个完善的作战体系下才能发挥得淋漓尽致。以色列的战例就很有参考价值。以精锐著称的以色列空军曾经在苏伊士运河上空误入防空导弹伏击圈,遭到埃及地对空导弹的痛击;几年后,在贝卡谷地,以色列空军运用高超的战术,预警指挥机、电子战机、无人机、战斗机和攻击机等兵种默契配合,电子干扰软压制和导弹炸弹硬杀伤双管齐下,用几乎零损失的代价,彻底扫光了叙利亚的地对空导弹部队——其中包括当时最新锐的苏制防空导弹系统。很明显,克敌制胜仍然主要依靠高明的战略战术,导弹或飞机都不能独自决定胜败。
回过头来看IT技术发展,有很多相似之处。IT基础架构的发展,也需要借鉴军事领域“体系对抗”的思想。优化IT基础架构,不可能单单依靠一种技术或产品,也就是说,只有高可用的服务器或只有高性能的存储阵列,远远不够。高性能的设计,需要从存储、服务器和网络一直贯穿到客户端;高可用的保障,也需要从端到端实现无单点故障,逻辑错误和硬件损坏时都能有效保护数据和业务连续性。这样完善的IT基础架构,当然是统一由一个厂家提供产品和集成更为便捷和高效。
这里有一个很好的例子,DELL公司的Fluid Cache for SAN,一种高性能数据中心解决方案。这个完全由DELL的组件构成的解决方案中:
☆PowerEdge 服务器集群提供可以横向扩展的强劲计算能力和高可用性;
☆服务器中支持NVMe协议的PCI-E SSD,极大地提升了数据存取的能力;
☆用Force10交换机构建的40Gb低延时网络,支持高效的RoCE协议,把多个PCI-E SSD连成高速缓存池,实现了大容量和高可用;
☆通过FC SAN连接服务器的SC系列全闪存(或混合闪存)存储阵列,提供了高性能、大容量的数据保存空间,其中的CDP和Live Volume技术实现完善的数据保护,逻辑错误和硬件损坏都不怕;
☆Fluid Cache软件调度数据从服务器的PCI-E SSD缓存池到SC系列存储阵列的自动化流动,不仅使得整体架构在高性能、大容量、高可靠和成本控制等几方面达到极好的兼顾,对应用软件还是完全透明的,只要操作系统保持一致,不需要任何应用软件修改就能从原有硬件平台转移过来。
图1 Fluid Cache for SAN 架构图
Fluid Cache for SAN解决方案的超高性能,可以通过对比淘宝“双11”的峰值处理能力来体现。根据淘宝对外公开的信息,2013年“双11”每分钟可支持790,000交易处理事务,即并发交易数最大峰值13,166/秒;而以仅仅“8台戴尔R720双CPU服务器 + 戴尔SC8000存储系统”为核心的Fluid Cache for SAN套件,对Oracle RAC集群应用加速 (TPC-C)的测试结果达到12,609/秒的并发事务处理值(详情见:http://www.dell.com/learn/us/en/04/videos~en/documents~fluidcache-for-san-tech-video.aspx)——与庞大的淘宝交易处理系统的性能表现相差无几!
在一次数据库系统对比测试结果(详见面下图2)中,DELL的Fluid Cache for SAN方案,在硬件配置明显逊色的情况下,性能表现远远超出用户现有的系统(H公司的服务器+存储),综合测试得分是同样参加测试的W公司全闪存架构的4.48倍、O公司专用一体机的2.24倍!
图2 Fluid Cache for SAN 对比测试结果
在另一银行的高负载业务处理对比测试(详见下面图3)中,DELL的Fluid Cache for SAN方案再次表现优异,总耗时明显少于另外2种备选方案。
图3 某银行高负载业务处理对比测试结果
这样全面优化的IT基础架构体系,就像一个多种先进飞机导弹组成、高效情报指挥控制网络连接的现代化空军,只有产品线齐全的DELL才能帮助实现。不用再纠结“要导弹还是要飞机”, DELL能够帮助用户按需定制,当然高人一筹。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。