IDC发布统计图表,企业存储市场状况不容乐观。
企业存储竞赛到底出了什么问题?
今年早些时候,我曾经就IDC存储追踪报告中的结论与Calvin Zito在惠普Discover大会上进行过讨论。
Calvin在博文中谈到了服务器与存储市场的细节走向。他强调称,惠普企业业务公司目前在总体企业系统存储销售领域高于EMC。不过需要注意的是,这里并不包括外部存储阵列销售额(惠普在这方面表现稍差),而仅仅代表随同存储方案一同售出的服务器总量。
令我好奇的是,存储市场近年来是否发生了整体规模上的变化,因为我怀疑从营收角度(而非存储容量出货量)来看,市场规模应该是基本持平。为了验证这一猜想,我对IDC发布的《全球企业存储系统季度追踪》报告中的数据进行了分析。IDC追踪了各主要厂商以及市场总值,所使用的数据则分别来自相对厂商及客户反馈。
免责声明:我所使用的各项数据来自多个来源,因此无法保证数据完全准确。另外,部分数据并非以独立类型存在,即厂商可能对其内容进行了删节或者活力。
截至目前,我统计了2011年第一季度到2016年第一季度的数据,而2007年第一季度到2010年的数据则仅进行了部分整理。对于各个阶段,我设置了两项指标——总体企业存储系统营收数据(其中包含服务器与存储)以及外部企业存储——即存储硬件。下面来看结果。
第一季度数据最为完整,因此这里专门绘制了图表以显示其内容。
IDC数据图表一
趋势线显示出存储系统市场总额有所增长,而外部存储阵列市场则遭遇缩水。我觉得这一点并不令人意外,毕竟基于SDS(即软件定义存储)的解决方案正逐步增加,因此外部阵列必须有所下滑。
如果我们把个别厂商单独拿出来统计(如图二及图三),则结果更为有趣。截至2016年第一季度,EMC公司在企业系统领域拥有最为可观的营收占比。惠普企业业务公司则拥有良好的发展走势,且增长速度要显著高于EMC。EMC的数字在外部与系统两类业务层面皆大幅下跌。IBM业务堪称暴跌,NetApp则有所下降。
IDC图表二
我本来以为EMC公司的外部与总体数据在早年间应该基本持平,毕竟其并不直接销售服务器产品。然而,我发现基于SDS的解决方案与超融合产品才是其中的关键。根据结果,可以看到EMC要么压根没有销售任何(或者极少)与硬件配套的SDS解决方案,要么就是相关数据没有被纳入报告。我认为后者可能性很低。然而在审视惠普企业业务公司的存储系统增长数据时又出现了新的问题——这部分容量到底被用在了哪里?
IDC 图表三
另一项需要指出的要点在于,EMC公司的外部存储业务发生下滑,这应该是受到全闪存阵列的影响。如果全闪存能够以一定趋势增长,那么传统阵列及其它产品是否正好失去了对应的市场份额?
下面再来看年度数据,我汇总了从2011年到2015年的市场趋势,这一阶段的数据非常完整。通过图表四可以看到,系统市场有所增长而外部存储市场则小幅缩水。
IDC图表四
显然这些趋势本身非常直观且没有考虑通货膨胀的影响(我认为可以忽略不计),但可以看到外部存储系统已经不再具备可观的增长空间。
再来看个别厂商数据(从图表五开始,为企业存储系统数据)。可以看到EMC公司位于峰值,惠普企业业务公司持续复苏,IBM呈现自由落体之势,戴尔在扭转颓势而NetApp则小幅下滑。
IDC图表五
在外部存储市场方面(图表六),各家供应商皆遭遇下滑——除了惠普企业业务公司。
IDC图表六
需要注意的是,这里并没有计入日立与戴尔,因为其数据并没有明确到各个季度,因此被纳入了“其它”类别当中。
IDC方面提供的数据只能作为参考,但其实际上提供了与市场动向相关的有趣结论。作为独立类别,外部存储正随着企业客户更多采用超融合与SDS解决方案而转化为利基市场。传统阵列供应商必须适应不断变化的市场需求,并通过其它渠道实现业务收入提升,从而抵消目前的停滞或者下滑趋势。与此同时,指向外部阵列的竞争性方案则持续涌现,特别是全闪存类解决方案。
存储系统领域的总体硬件营收确实有所增长,但没有具体数据证明存储软件市场的发展速度,因此其整体规模也仍然存疑。值得注意的是,硬件销售量未来可能将不再成为决定一家存储厂商是否成功及其市场运营状况的主要依据。
考虑到存储行业的日益多元化,我们应当持续关注各大分析企业所使用的针对性分析模型。总而言之,未来对各存储厂商生存状况的分析恐怕会变得更加复杂。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。