超融合市场已经开始变得“拥挤”了,但是从2015年的情况看,想要从中分一杯羹的不仅仅是存储厂商。
超融合市场一度由初创公司“霸占”,然而受到收购和合作关系的影响,IT界不同领域的公司都获得了参与这个游戏的机会。像EMC和DELL这样的主流存储公司都在通过与VMware EVO:RAIL建立合作关系进而向超融合市场扩展,而DELL同时还与Nutanix保持着合作关系。与此同时,虚拟桌面厂商Citrix通过收购存储软件公司实现了向这一领域的靠拢,而服务器供应商Lenovo则通过搭伙StorMagic推出了一款低端的超融合设备。
让我们一起来看下2015年超融合市场的大事记吧。
Nutanix推出专用的虚拟化管理软件
超融合厂商Nutanix在其Miami的用户峰会上发布了他们的新产品——Acropolis,这款全新的超融合系统包含了一套基于Linux KVM的原生虚拟化管理软件。客户可以将VMware或者Hyper-V与这款管理软件结合使用,并在其间进行数据移动。Nutanix的这个动作给虚拟化管理软件巨头VMware带来了不小的压力,因为他们的产品不需要使用权限——这种潜在的省钱方式对客户来说还是具有很大吸引力的。
VMware推出VSAN 6,但仍然缺少对数据去重的支持
在VMworld 2015上,VMware推出了VSAN超融合软件的第三代版本,新版本中增加了一些很重要的升级。VSAN 6作为第二代产品,为客户提供了全闪存的选择并且将单集群中的节点数量上限从32扩大到了64。VMware还将其支持的虚拟机数量进行了翻倍。VSAN 6.1提供了一些额外的功能,例如数据同步和VMware Site Recovery Manager,但是有一个功能仍然没有出现:数据去重。VMware方面向客户保证,在接下来的版本升级过程中,存储使用效率依旧会是他们关注的重点,而对于数据去重和纠删码的问题,也请客户放心,他们已经着手准备了。
Lenovo通过搭伙StorMagic在超融合产品的研发上愈发深入
Lenovo为了在其从IBM收购的服务器平台上运行超融合软件,已经与多家厂商建立了合作关系。Nutanix、SimpliVity、StorMagicand Pivot3的软件产品都将支持Lenovo ThinkServer或者System x。其中Lenovo与Nutanix的合作关系最为紧密。Lenovo为Nutanix的超融合系统定制了一套特定的销售策略,而Nutanix方面也在计划进行系统的跨平台研发和性能改进。
VDI厂商Citrix进军超融合市场
在2015年起初的几笔存储相关的收购案例中,虚拟桌面公司Citrix收购了scale-out存储软件公司Sanbolic。Citrix计划通过将Sanbolic的Melio软件揽入怀中,进而在参考体系架构中就可以允许客户自行搭建超融合系统,毕竟Melio一款可以实现存储虚拟化并具有数据管理和保护功能的产品。
EMC首次公开其EVO:RAIL产品
去年2月,在VMware发布了VSAN 6之后一天,EMC就联合其他几家主流存储厂商推出了其令人期待已久的EVO:RAIL最新版本。EVO:RAIL是一款超融合参考架构,该产品允许存储厂商与VMware合作进而将他们的存储硬件与VSAN超融合软件进行打包销售。EMC方面宣称,这款产品——VSPEX Blue——有别于其他EVO:RAIL,原因在于客户可以自行下载EMC的应用,例如RecoverPoint for Virtual Machines、VMware Data Protection Advanced以及EMC CloudArray Gateway。但现在的问题是:哪款超融合产品会在DELL-EMC的合并中幸存下来。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
查尔斯大学和意大利布鲁诺·凯斯勒基金会的研究团队首次系统性解决了同声传译AI系统延迟评估的准确性问题。他们发现现有评估方法存在严重偏差,常给出相互矛盾的结果,并提出了YAAL新指标和SOFTSEGMENTER对齐工具。YAAL准确性达96%,比传统方法提升20多个百分点。研究还开发了专门的长音频评估工具LongYAAL,为AI翻译技术发展提供了可靠的测量标准。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
印度理工学院团队构建了史上最大规模印度文化AI测试基准DRISHTIKON,包含64288道多语言多模态题目,覆盖15种语言和36个地区。研究评估了13个主流AI模型的文化理解能力,发现即使最先进的AI也存在显著文化盲区,特别是在低资源语言和复杂推理任务上表现不佳,为构建文化感知AI提供了重要指导。