Apache Iceberg 似乎已经掀起了一场（暴风雪）数据世界。它最初由 Ryan Blue（也是 Tabular 的成员，现在是 Databricks 的名人）在 Netflix 孵化，最终被传输到它目前所在的 Apache 软件基金会。

本月早些时候，Amazon 于 12 月 1 日至 5 日在内华达州拉斯维加斯举行了为期 5 天的 re：Invent 大会。如果您从未参加过 re：Invent 会议，那么最能描述它的词是“巨大”——不仅从与会者人数（60,000 人）来看，还从涵盖的主题的广度来看

AWS 最近宣布推出 Amazon S3 表，该功能旨在解决在云中存储和查询表格数据的独特挑战。虽然这听起来可能具有革命性，但仔细观察会发现，AWS 试图克服的限制是他们自己的基础设施所固有的，而不是对象存储所固有的。

MinIO 的提示 API 现在是 AIStor 的一部分。MinIO 的创建是为了支持海量数据集，包括超过 EB 级的工作负载，解决内存、网络、复制和负载均衡方面的挑战，而 AIStor 的创建是为了建立在这些功能之上并解决我们客户的 AI 使用案例。

AIStor 的最新功能之一是广受欢迎的开源项目 Hugging Face 的私有云版本。这篇文章详细介绍了 AIStor 的 AIHub 如何有效地创建一个完全由企业控制的 API 兼容的私有云版本的 Hugging Face。

随着 MinIO 企业对象存储的使用成为云原生工作负载的主要存储，开发人员正在转向对象存储来满足越来越多的用例。这是现代对象存储属性的功能 - 性能、可扩展性、安全性、弹性和为 Kubernetes 量身定制的 RESTful API。

从 Hadoop 到数据湖仓一体架构的演变代表了数据基础架构的重大飞跃。虽然 Hadoop 曾经以其强大的批处理能力统治着大数据领域，但如今的组织正在寻求更敏捷、更具成本效益和现代化的解决方案。

AI 是一头野兽。它需要不断地被喂养。它需要喂什么？当然是数据，而且是大量的。请记住，数据和 AI 是同一枚硬币的两面。人们经常忘记，最初构建 AI 模型的原因是因为它们被馈送到数百 PB 到 EB 的数据

组织管理其数据基础设施的方式正在发生重大转变。越来越多的公司认识到存储和计算分离的优势，从而获得更好的性能、成本节约和可扩展性。这一趋势是由 AI 和 ML 工作负载日益复杂所推动的，这些工作负载需要灵活、高性能的系统

当您考虑对象存储工作负载和存储类型时，数据库正日益成为核心工作负载。这些变化是由两股力量驱动的：高性能对象存储的可用性以及数据（特别是其相关元数据）的爆炸式增长