在Forrester Research本周发表一份新的报告中,Nutanix、SimpliVity和Pivot3被列为蓬勃发展的超融合基础设施市场中的领导厂商。
在这份题为《Forrester Wave报告:超融合基础设施(HCI)》的报告中,Forrester评估了12家超融合基础设施技术提供商,从EMC、思科和HPE这样的大型传统厂商,到Nutanix、SimpliVity和pivot3这样的小型初创公司。
被Forrester列为领导者的三家公司分别是位于加州圣何塞的Nutanix、位于马萨诸塞州韦斯特伯鲁的SimpliVity、以及位于德克萨斯州奥斯汀的Pivot3。
Pivot3虽然在规模上要比Nutanix和SimpliVity小,但是在两年前创建的时候就出货了超融合基础设施解决方案。Pivot3已经有超过1600家客户,Forrester在研究中发现,它是全球两大超融合数据存储集群之一的核心。
Forrester称Nutanix是能够提升一些最大型(有超过100个节点)、受管理的集群的领导厂商,并提到了Nutanix的易用性、简化管理以及无中断等能力。Forrester估计,Nutanix大约2亿美元的年收入使其成为收入方面最大的超融合基础设施提供商。
Forrester还提到,SimpliVity提供的解决方案虽然局限于24个节点,但是有强大的多站点能力,连接集群的总原始容量达到1.3PB。
在Forrester Wave提到的这三个领导这种,Nutanix和Pivot3据称都可能会计划IPO上市。上周Pivot3公布自己在2016年上半年的收入比2015年上半年增长了103%,新增了超过400家客户。Pivot3还表示,2016年上半年自己的员工人数增加了40%。
Nutanix和Pivot3都拒绝就Forrester Wave报告发表评论,理由是Forrester禁止谈论该报告,截稿时SimpliVity也没有回应。
Forrester Wave是评估市场的领导者,类似于知名的Gartner魔力象限。在Forrester Wave中,拥有特定技术的厂商被分为领导者、抢眼表现者、竞争者和挑战者,依据是他们在战略以及现有产品方面的表现。
在报告中,Forrester将超融合基础设施定义为“一种技术型基础设施的方式,将服务器、存储和网络功能封装到一个模块化的单元中,并增加软件层跨多个单元快速且轻松地发现、池化和重新配置资产,无需深度技术技能。”
在2016年上半年的超融合基础设施Forrester Wave中,Forrester根据产品供货、厂商会议、参考客户评估以及解决方案展示对厂商进行分类。Forrester Wave中的解决方案和厂商必须也“赢得了Forrester客户的浓厚兴趣”,Forrester在报告中这样表示。
在今年的Forrester Wave中被列为“抢眼表现者”的厂商包括位于加州山景城的Atlantis Computing;位于加州山景程的Gridstore,上个月重新命名为HyperGrid;位于马萨诸四周霍普金顿的EMC;位于以色列的Stratoscale;位于加州帕洛阿尔托的VMware;位于加州圣何塞的思科;位于加州帕洛阿尔托的HPE;以及中国厂商华为。
位于印第安纳波利斯的Scale Computing被Forrester Wave列为竞争者。
好文章,需要你的鼓励
新加坡人工智能机构与阿里云发布全新大语言模型Qwen-Sea-Lion-v4,专门针对东南亚语言和文化特色进行优化。该模型结合阿里云Qwen3-32B基础模型和大量东南亚地区数据集,在东南亚语言模型评估榜单中位居开源模型首位。模型支持119种语言,能在32GB内存的消费级笔记本上运行,采用字节对编码技术更好处理非拉丁文字,并具备3.2万词元上下文长度,可执行文档级推理和摘要任务。
中科大联合快手等机构推出VR-Thinker技术,首次实现AI视频评判员的"边看边想"能力。该系统通过主动选择关键画面、智能记忆管理和三阶段训练,在视频质量评估准确率上达到75%-82%,特别擅长处理长视频场景,为AI视频生成的质量控制提供了突破性解决方案。
AI智能体是下一代业务自动化工具,不仅能对话交流,还能执行复杂任务。与ChatGPT聊天机器人不同,它们可在最少人工干预下规划并完成工作。文章介绍了五个高影响力应用:自动化客户服务解决方案、销售CRM管理、合规自动化、招聘筛选与排程、市场情报报告。这些应用都具有重复性工作流程、依赖结构化数据、遵循可预测规则等特点,能够释放员工宝贵时间用于更有价值的工作。
微软研究院发布BitDistill技术,通过三阶段优化将大型语言模型压缩至1.58位精度,在保持性能的同时实现10倍内存节省和2.65倍速度提升。该技术包括模型结构稳定化、持续预训练适应和知识蒸馏传承三个关键步骤,解决了模型量化中的性能衰减和规模化问题,为AI模型在资源受限设备上的高效部署提供了新方案。