作为首个文件存储和公有云存储加速器提供商,Avere在E轮融资中获得了2700万美元,其中Google提供了部分资金。
创建于2008年的Avere,通过使用多层介质的方式加速对NAS阵列中文件的访问速度,并且区别对待不同的IO类型——例如读和写、连续和随机——来优化系统以加速访问。
除了现有的投资方——Menlo Ventures、Nowest Ventures Partners、Lightspeed Venture Partners、Tenaya Capital以及Western Digital Technologies——之外,还有新增的投资方例如Google,而且这次并不是通过融资部门GV(Google Ventures)进行投资的。
根据最初报道金额是1400万美元,但是在资金绒布之后,这轮融资的投资者又增加了一笔额外资金,使得金额达到了2700万美元。
Avere表示,希望利用这笔新的资金推动产品创新,推动扩展自己的混合云产品。
Avere公司首席执行官、总裁和共同创始人Ron Bianchini表示:“仅在2016年,Avere的云业务就增长了97%,增幅几乎是上一年的一倍,2016年结束之后云产品占年订购量的近一半。”
这件创建有11年时间的公司,开发的技术可以运行在远程办公和分支办公环境中,然后是前端公有云存储,以及扩展自己的软件运行在公有云中。
Avere看到自己的客户正在混合使用私有云和公有云存储以及计算设施,这正是他们关心的混合云。
Avere在2009年的A轮融资中获得1500万美元,在2010年的B轮融资中获得1700万美元,在2012年的C轮融资中获得2000万美元,在2014年的D轮融资中获得2000万美元,在最新的E轮融资之后,总融资金额达到9700万美元。
我们向Bianchini提出了一些关于这一轮融资的问题。
提问:公司距离盈利还有多远?
Ron Bianchini:我们目前的预期显示,我们将会在2018年实现盈利。
提问:你们将把E轮融资自己用于哪些混合云的功能?
Ron Bianchini:我们现在还没有准备好谈论新的云产品;不过,对我们来说,持续关注的重要领域包括简化在公有云中的部署,提升在云中的性能表现,改善可扩展性。
提问:你们有计划在产品中利用3D Xpoint或者其他存储级内存介质吗?这种存储介质适合于你们硬件中哪些现有的介质层?
Ron Bianchini:现在还没有路线图,但是我们倾向于把我们的架构看作是存储介质无关的。当一种介质的生命超过其价值,那么从技术上来说就没有理由不被其他更好的介质所取代。
提问:你支持哪些公有云,哪些是在路线图上的?你将使用哪些协议访问公有云?
Ron Bianchini:我们支持Google、AWS和Azure(只支持云爆发),目前路线图上暂时没有其他公有云——这三个公有云目前占到了超过90%的市场份额。我们利用S3访问云和NAS协议的存储部分以应对云爆发。
提问:你有多种云战略吗,这样你的可以就可以同时使用两种或者更多公有云?
Ron Bianchini:是的,这是Avere解决方案的优点之一,让客户能够在采用FlashMirror产品的多种云之间镜像存储。对于那些希望避免锁定于单一云提供商的客户来说,这是一个很受欢迎的功能。
提问:现在Avere有关注任何物联网边缘设备吗?
Ron Bianchini:我们对支持任何与我们采用相同协议语言的设备都很感兴趣。
评论
我们认为,2700万美元是一笔健康的资金,其中一部分将用于软件开发以增强云中产品的性能和可扩展性。
我们还认为,私有的FXT套件将能够更简单地与公有云交互,而且不需要非常专业的人员去操作。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。