栏目介绍
《大数据播报》栏目全新开通!戴尔与中桥调研咨询联手,拿数据说话!
上期我们扒了最近风靡企业IT的新“网红”——融合或超融合架构,今天我们再通过两组数据来看看,这两位“网红”的粉丝都是谁。
大数据播报第五期
数据1. 传统应用更喜欢融合架构
相对于超融合架构来说,企业在数据库、服务器虚拟化、核心系统等传统应用上,更倾向于采用融合架构。比如39.1%的用户表示其数据库应用会部署在融合架构上,而选择部署在服务器虚拟化应用的用户也高达37.9%。
数据2. 超融合架构得到VDI和新应用的拥抱
对于超融合架构,企业更愿意将其部署在VDI/移动终端管理、新应用开发部署等应用上。比如有35.1%的用户表示其VDI/移动终端管理应用会部署在超融合架构上,而有33.3%的用户表示会在新应用开发部署时选择超融合架构。
精品案例赏析
1.戴尔融合架构使创新性↑30%,能耗↓40%
聊城大学借助戴尔融合基础架构推动智慧城市的研究,使创新性提高30%,能耗下降40%,IT管理时间降低一半。
业务需求
为了推动智慧城市的研究项目,聊城大学希望为位于大学综合实验楼的中国智慧城市研究院提升其桌面服务。
解决方案
聊城大学部署了戴尔的融合VDI基础架构,其中包括戴尔PowerEdge FX2机箱以及配备英特尔至强处理器的戴尔PowerEdge FC630服务器模块。学校还在后端部署了采用英特尔至强处理器的戴尔存储、戴尔网络、以及戴尔SonicWALL防火墙,并在前端部署了戴尔Wyse终端。
项目收益
✓ 使IT管理时间下降50%,智慧城市的生产力更为强大;
✓ 数学建模的性能上升30%,增强创新能力;
✓ 融合使IT成本下降20%,提高了效率;
✓ 能耗降低40%,使运营更为环保;
✓ 五年内预估的资本回收率为300%。
聊城大学中国智慧城市研究院信息中心主任于波说:“通过部署戴尔PowerEdge FX融合架构的端到端VDI,我们每年可节省大约30%的能耗。这一点有助于使我们的运营和智慧城市技术目标达成一致,并减少对环境的影响。”
2.戴尔超融合架构使效率↑910%
戴尔超融合VDI端到端方案帮助中通信息打造虚拟云桌面,将TCO降低80%,桌面终端管理效率提升910%。
业务需求
中通信息需要构建一个成本更低、管理更好、安全性更高的虚拟云桌面,解决公司原有的传统PC终端平台资金投入大、管理难度大、安全隐患大的问题;同时,通过自己的先行实践,在公司的IT集成业务中对VDI方案进行市场推广,以云桌面服务运营的方式为最终客户创造价值。
解决方案
中通信息采用了戴尔端到端的云桌面解决方案,包括戴尔XC630-10超融合架构服务器与存储系统、Wyse 3020瘦客户机、Wyse vWorkspace与WSM软件系统、Foglight监控系统,以及3年戴尔关键业务型专业技术支持服务。
项目收益
✓ TCO降低80%;
✓ 桌面终端管理效率提升910%;
✓ 数据安全性得到有效保护;
✓ 业务增长31%。
中通信息服务有限公司网络技术分公司项目经理黄志清说:“戴尔超融合架构VDI方案给用户的体验非常好。我们已经有近百个桌面终端在线服役,员工反应良好。我们同时在市场上推广戴尔的超融合VDI方案,希望以云桌面运营的方式为最终客户创造价值,实际效果非常不错,仅1个月,我们的业务量就比上月增长31%。”
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。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
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。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。