随着SC4020头顶“戴尔存储”品牌的大旗在全球范围内上市,该公司似乎有意将其原本独立的EqualLogic与Compellent网络存储阵列整理成单一品牌及产品技术。
与此同时,戴尔也正在着手以OEM方式推动其服务器附加存储技术的普及。
根据我们掌握的情况,戴尔旗下的其它存储技术及品牌,例如Ocarina数据压缩与Exanet向外扩展文件管理器等,也将被划归戴尔存储品牌之下。
SC4020是一款2U体积、可容纳24块驱动器的存储区域网络(简称SAN)阵列,其最高原始容量可达400TB。SC4000系列还将包含其它机型,这代表着Compellent技术将被从原本的企业级层面下移至中端市场范畴。它们可以使用磁盘驱动器、闪存与磁盘的结合方案(即混合存储机制)或者纯闪存驱动器。戴尔公司宣称,“客户可以获得令人印象深刻的全闪存性能体验——而其使用成本则比目前市面上的其它全闪存阵列低达72%。”
在SC4020当中运行着的是EqualLogiciSCSI访问堆栈与Compellent Storage Center v6.5软件。戴尔方面表示,目前还没有哪家公司能在SC4020的价格区间内推出光纤通道阵列。
根据我们的理解,目前的状况表明戴尔存储品牌将分三个步骤完成建立,分别为:获取、整合与加速。
获取阶段现在已经完成,我们看到EqualLogic、Compellent、Exanet、Ocarina以及RNA都成为戴尔存储品牌旗下的成员。
整合阶段也已经接近尾声,其中EqualLogic与Compellent产品线被混搭成单一块与文件存储架构。目前戴尔方面还没有放出关于对象存储架构组件的具体消息。
这将使得戴尔最大程度利用其研发投入,同时加快整体开发的实施进度。我们还发现,将多种独立存储产品的相关设施合并成少数几种方案有可能降低戴尔的产品工程及开发成本。
在加速阶段,我们将迎来以下几个步骤:
客户的现有EqualLogic与Compellent产品将获得向融合型技术产品线的迁移指导。
彼此独立的融合型系统
随着EqualLogic、Compellent以及其它戴尔存储技术被合并为单一共享式(即联网)存储产品线,该公司正着眼于外部并利用其OEM合作协议打造出更多专用及应用程序指向型服务器/存储设备。
我们看到的第一个实例就是戴尔宣布即将面世的XC系列向外扩展方案。这套方案被称为超融合型服务器/存储与网络设备,采用Nutanix软件。客户将能够在其上运行任何虚拟机与虚拟机管理程序,这是因为Nutanix的方案并不会对管理程序类型作出要求,而存储机制将被汇聚在一组XC设备当中。
在此之中,我们还发现了戴尔自己的的虚拟SAN产品——目前它已经能够支持VMware的VSAN。
第二款专用设备则是戴尔的Accleration Appliance for Databases(即面向数据库的加速设备,也许会被简称为DAAD),这台服务器采用Fusion-io的ION Accelerator技术——基本上相当于接入多块Fusion的ioMemory卡。该设备能够运行HANA或者SQL Server,其速度表现实在是非常、非常出色。
戴尔目前正通过OEM合作协议将结合了Nutanix软件与Fusion-io硬件/软件的产品推向特定存储利基市场:Nutanix负责处理虚拟SAN存储与超融合任务,而Fusion-io则通过将应用程序负载运行在固态硬盘之上来解决传统磁盘访问延迟过高的难题。
二者都能够与服务器存储机制紧密对接,并与戴尔存储产品线下的网络存储产品保持着定位上的差异。
评论
作为单方面评论,我们认为除了SanDisk这位已经确定的Fusion-io买家之外,戴尔其实也有理由对收购Fusion-io抱持深厚兴趣——虽然这项决议最终遭到了否定。在财务角度上讲,我们认为戴尔公司可能不打算在刚刚投入大量资金进行私有转制之后再掏出10亿美元这笔巨款。
新的戴尔存储方案正在兴起,其一方面坚定采用完全由戴尔自家打造的网络存储架构与技术储备、另一方面则以OEM合作协议为基础构建起丰富的服务器附加存储产品名单。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。