传统观点认为,得到风投支持的技术型初创公司通过收购或者首次公开募股成为成功的独立公司。然而,当面对主流厂商对这种成功做出的反应,有五家幸存下来的全闪存阵列初创公司也许不会有这么好命。
暂时先退一步,想想上一轮存储阵列初创公司的命运吧,3PAR、Compellent、EqualLogic、Isilon、LeftHand、Nexsan、Storwize等等。
基本上,好公司都被收购了,剩下Nexsan还在坚持,未能通过IPS,最终被Imation收购。现在,通过管理层的变动,情况是:
- 戴尔收购了Compellent和EqualLogic
- EM收购Isilon
- 惠普收购3PAR和LeftHand
- IBM收购Storwize
然而,在全闪存阵列领域却不会发生相同的模式,在这里四家主流厂商已经设计出他们自己的闪存阵列技术,三家通过收购,一家新的企业存储阵列提供商相同,看起来就剩下五家主流全闪存阵列初创公司在那里了。
- 思科收购Whiptai和Invicta阵列,现在暂时“冬眠”
- 戴尔实现了Storage Center(Compellent)阵列的全闪存化
- EMC收购XtremIO和DSSD,有了全闪存版本的VMAX.VNX阵列
- HDS通过HAF模块实现了VSP和HUS阵列的全闪存化
- IBM收购TMS,从而获得了它的FlashSystem产品线
- NetApp实现了E系列和FAS阵列的全闪存化,正在开发自己的FlashRay技术
- WD收购Skyera,使得子公司HGST可以进入该市场
剩下的Kaminario、Nimbus Data、Pure Storage、SolidFire、Syneto和Violin Memory作为另外一个闪存阵列提供商群体,正在试图通过用自己的闪存系统取代磁盘阵列取得成功。
Syneto拥有欧洲这个心脏地带,可以在这里做得很好。那么剩下的五家小型提供商面临着另外七家更大一些的主流提供商,外加HGST。
现在主流存储阵列提供商都不缺一个全闪存阵列,这意味着他们不需要再收购一家新公司。这对于尚独立的提供商来说,收购可能不是一个可行的策略。Violin Memory已经IPO,另外四家也必须成功IPO,这样他们的支持者才能获得回报。
他们有什么机会?
Kaminario,我们认为它已经融资1.23亿美元,其中6800万美元是去年获得的,它正在扩展销售渠道。它必须以增长态势和能够达到6800万美元的前景说服最近一轮融资的参与方。
Nimbus Data没有获得风投资金,最近比较安全;最近一次的新闻发布还是在8个月前。
Pure Storage拥有大量资金,大约是4.6亿美元,正在积极招募EMC销售人员。
SolidFire融资1.5亿美元,刚刚宣布产品升级,推出了针对超大规模环境的软件,宣布提供无限制的闪存损耗保障。SolidFire称其收入同比增长了50%。
Violin Memory已经上市,管理层焕然一新,产品线升级。它每个季度的收入大约在1800万美元到2500万美元之间。EMC表示,XtremIO的收入规模大约是12亿美元,也就是每个季度3亿美元。
那么问题来了。Kaminario、Niumbus Data、Pure Storage和SolidFire都成成功IPO么?
几乎所有主流存储阵列提供商都在自己的客户群中寻找全闪存阵列的需求。独立的全闪存阵列厂商中至少有四家都表示,他们的销售情况不错。那么当现有性能型磁盘阵列到闪存阵列过渡快要完成的时候,会发生什么?
这要多长时间?当完成的时候,任何独立厂商是否能够应对主流提供商在渠道方面的优势,以及他们将全闪存阵列与自己产品组合整合的能力?
而且同时还有来自混合阵列初创公司Nimble、Tegile以及Tintri在磁盘阵列替换/更新方面发起的竞争,他们的增长态势都不错,其他美国存储提供商进入全闪存阵列市场前景不明,结果似乎也是不可避免的。
还有太多的全闪存阵列厂商。除非独立管理以获得并维持相比主流厂商的技术优势,后者可以保持他们的客户群持续购买以及客户数量增长,而这些全汉村阵列厂商无疑将看到他们的收入增幅放缓,业务进入者的成熟速度远比十年前快得多。
因为主流阵列提供商快速地对全闪存阵列初创公司作出回应,所以对于剩下的独立厂商来说,未来似乎不那么光明。
有些人可能会说,他们最好希望能快速IPO,在2017年或者2018年之前,否则就要面临他们冉冉升起的明星逐渐黯淡下来,客户群被主流阵列提供商所吞噬。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。