思科与IBM将于今天晚些时候公布“VersaStack”项目,这是一套集成化基础设施参考设计方案,主要是将思科的UCS服务器及交换机与IBM的Storwize 7000存储阵列结合起来。
这款新设备在很大程度上近似于思科此前曾经参与构建的集成化堆栈,例如NetApp的FlexPod。VersaStack项目的出发思路听起来也同样似曾相识:在项目正式公布之前的简短说明当中,思科与IBM方面的代表解释称这套预筹备设计方案已经能够顺利运行ESXi 5.5,且采取模块化机制并因此得以拥有可扩展能力。
此外,不出意外的话该方案将采用思科的UCS Director作为控制机制,这样的设计是为了帮助终端用户能够以更为快捷的方式启动并使用虚拟机,而紧密的集成体系旨在确保用户能够将大部分时间用于真正具有附加价值的工作上、而非浪费在管理系统本身当中。
对于刚刚上手的用户,两家公司为VersaStack专门设计了一套配备两台IBM Storwize 7000阵列的现成方案。不久之前,IBM方面还将把DB2与WebSphere在多台设备上的运行机制纳入认证范畴,预计随着时间推移、VersaStack还将集成更多其它软件产品。根据我们了解到的情况,ESXi是目前惟一获得支持的“首发”虚拟机管理程序,不过本次Web会议并没有提到其它操作系统环境。
双方企业并没有解释这台设备与其它集成化基础设施方案的区别体现在哪里,只是表示Storwize 7000与其它同类集成化基础设施设备所采用的阵列有所不同——这种差异主要体现在实时压缩与存储分层方面。
VersaStack特性示意图
VersaStack项目的实验性阶段引入了15家规模可观而且与IBM及思科双方都有往来的合作伙伴,而客户的反馈则不吝溢美之辞。两家公司认为这代表着双方能够在彼此业务基础之上迎来新的业务发展机遇:IBM认为其存储客户将对此表现出兴趣,而思科则认为部分UCS设备使用者会对此类集成化特性的引入抱有期待。两家公司的销售渠道也同样对此充满信心:他们能够自主构建并销售此类设备,甚至可以在必要的情况下为其提供一级支持方案。
对这套设备的出现感到最为恼火的恐怕就是NetApp公司了,毕竟其FlexPod在大多数方面都与VersaStack都非常相似。
EMC方面则不必太过担忧:其VSPEX集成化设备虽然与VersaStack也没有太大差别,但其子公司VCE的vBlock一直以利基市场为主要业务阵地、这台新设备并不会对此构成威胁。
此次介绍当中值得关注的内容之一在于一项承诺,即VersaStack将帮助企业将原本的资本支出转移到运营支出。尽管并未就具体转移方式作出解释,但思科却在其网站上准备好了一套标题为“VersaStack财务方案”的空白页面——相信未来会在某种程度上就这一承诺提供具体说明。
感兴趣的朋友也可以点击此处查看VersaStack设计指南(PDF格式),其中披露了大量实际细节。
那么VersaStack到底是否重要?从思科多年以来的表现来看,他们一直在寻找一种能够切实提升UCS服务器设备销量的途径。而在彻底退出了x86业务市场之后,蓝色巨人眼中的x86服务器销售则不再是什么需要侧重考量的要务。然而这位集成化基础设施新成员的出现为IBM的存储产品找到了一条新路,而且不像其它颠覆性技术那样需要彻底改变以往的业务根基——听起来颇具可行性。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
香港大学研究团队提出LightReasoner框架,通过让小型"业余"模型与大型"专家"模型对比,识别关键推理步骤并转化为训练信号。该方法在数学推理任务上实现28.1%性能提升,同时将训练时间、样本需求和词元使用量分别减少90%、80%和99%,完全无需人工标注。研究颠覆了传统训练思路,证明通过模型间行为差异可以实现高效的自监督学习,为资源受限环境下的AI能力提升提供了新路径。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
马里兰大学研究团队开发了MONKEY适配器,一种无需额外训练的AI绘画控制技术。该方法通过"两步走"策略解决了个性化AI绘画中主体保真与背景控制难以兼得的问题:先让AI识别主体区域生成"透明胶片",再在第二次生成中让主体区域听从参考图片、背景区域听从文字描述。实验证明该方法在保持主体特征和响应文字要求两方面均表现出色,为AI绘画的精细化控制提供了新思路。