EMC本周四公布了5款规划中的集成解决方案的第一款,源自于EMC联邦多个组成部分的技术,同时也履行了在今年5月EMC World大会上提出的承诺。
这款名为“Federation Software-Defined Data Center”(联邦软件定义数据中心)的初始解决方案结合了EMC和VMware技术为一个灵活的平台,EMC联邦技术可在此基础上进行开发和构建,EMC全球解决方案营销高级总监Bharat Badrinath这样表示。
EMC联邦包括EMC信息技术设施部门、虚拟化领头羊VMware、大数据和定制应用开发者Pivotal、安全技术开发者RSA。
EMC曾在EMC World大会上提到了开发5款集成EMC联邦技术的主要解决方案的计划。首款就是联邦软件定义数据中心解决方案,这将是未来解决方案的基石。
其他几款解决方案预计将在未来几个月内推出,包括:平台即服务,结合来自EMC、VMware和Pivotal的技术;虚拟化数据湖,采用Pivotal技术;终端用户计算,采用VMware和EMC技术;安全分析,将RSA技术添加到虚拟化数据湖中。
Badrinath表示:“我们正在将最佳技术以集成的方式带给客户并满足他们的需求。”
联邦软件定义数据中心解决方案广泛集成了EMC和VMware技术,其中包括EMC ViPR软件定义存储平台;VMAX或者VNX存储平台;EMC Avamar和EMC Data Domain数据保护技术;EMC和VMware集成工作流;VMware vCloud套件;VMware NSX虚拟网络技术;VMware vCenter Log Insight;以及VMware IT Business关键套件。
这款解决方案还可以将VCE Vblock作为一个组件,尽管VCE并不是EMC联邦的成员,Badrinath这样表示。
EMC联邦下的四家公司将提供联合支持,这样任何与联合解决方案相关的问题都将得到任何一方的回答。
只是因为这个联合软件定义数据中心是基于EMC技术,但并不意味着客户不能使用来自其他厂商的组件,Badrinath这样说道。
“客户可以将其他技术带入解决方案中。VMware可以自由地与其他合作伙伴合作。EMC也可以与像微软这样的合作伙伴合作。但是我们相信我们的技术是最佳的。”
这款集成解决方案是在EMC新成立的联邦实验室集成的,这是一个基于VMware校园的物理实验室,专门开发采用各种EMC联邦组件的解决方案,VMware副总裁、全球现场首席技术官Paul Strong这样表示。
“该实验室验证了我们关于总和大于部分的主张。这使得我们能够设计并验证解决方案,这样最终我们推出可以让客户轻松部署的一个解决方案堆栈。”
Strong承认,EMC和VMware已经合作致力于开发类似于联邦软件定义数据中心的解决方案,但是新解决方案需要集成到一个新的水平。
“这是要加速这项技术的采用。一些技术是新技术,但是我们希望在整个软件堆栈上下加速采用。我们提供了现在还没人能实现的集成。”
World Wide Technology是一家总部位于圣路易斯的解决方案提供商,同时也是EMC的渠道合作伙伴。该公司云技术解决方案架构师Curt Stalhood表示,这个联邦软件定义数据中心解决方案是EMC与合作伙伴合作推动企业开始采用软件定义数据中心作为未来平台的一个关键部分。
他认为,这个解决方案将大量EMC和VMware组件融合到一个集成的解决方案中。“一开始你可以采用EMC VMAX或者VNX存储,然后添加VMware的vCloud Automation Center作为端口。vCloud Automation Center可以结合备份即服务和存储即服务,可以自动配置EMC的Avamar和Data Domain技术。”
这简化了能够在VMware、Hyper-V和OpenStack环境下工作的EMC混合云的集成,Stalhood这样表示。
EMC联邦软件定义数据中心解决方案与其他数据中心解决方案的不同之处在于EMC如何将15或者20种不同的产品融入到一个解决方案中,并且只需要几周的时间。
他说:“通常,一款产品配置就绪很简单。但是需要时间添加自助服务端口并通过设计阶段。这款联邦解决方案已经做好了脚本和信息能够帮助快速通过配置过程。”
新的联邦软件定义数据中心解决方案将通过直接和间接销售渠道进行销售,Strong这样表示。
好文章,需要你的鼓励
科技泡沫并非世界末日,从经济角度看,泡沫是押注过大导致供过于求。AI泡沫问题复杂在于AI软件开发节奏与数据中心建设周期的时间错配。甲骨文关联数据中心获180亿美元信贷,Meta承诺三年内投入6000亿美元基础设施。麦肯锡调查显示企业虽广泛使用AI但规模有限,多数仍持观望态度。微软CEO表示更担心数据中心空间不足而非芯片短缺,电力需求成为新瓶颈。
Salesforce AI研究团队构建了首个大规模多模态文档RAG评测基准UniDoc-Bench,包含7万页真实PDF文档和1600个问答对,覆盖8个领域。研究发现文本图像融合检索策略显著优于单一模态和联合多模态方法,为未来AI文档理解系统提供了"分工合作"的设计思路。
Goodfire.ai研究人员首次发现AI语言模型中记忆和推理功能通过完全独立的神经通路运作。研究显示,移除记忆通路后,模型丧失97%的训练数据复述能力,但逻辑推理能力几乎完全保留。令人意外的是,算术运算与记忆共享神经通路而非推理通路,这可能解释了AI模型在数学方面的困难。该技术未来有望用于移除版权内容或敏感信息而不损害模型核心功能。
腾讯研究团队发现AI训练中"推理火花"现象,揭示低概率词汇如"等等"、"不过"等在维持AI探索能力中的关键作用。团队开发的低概率正则化方法通过精准保护有价值的低概率词汇,在数学推理任务中实现60.17%准确率,比传统方法提升2.66%,为AI创造性思维研究开辟新路径。