难以置信,希捷正在把自己的ClusterStor HPC阵列产品线出售给Cray。
ClusterStor L300
这周早些时候,我们还将希捷的磁盘阵列业务(ClusterStor和Dot Hill)叫“玩具”时,我们竟想不到希捷将至少出售ClusterStor及产品线给超级计算厂商Cray公司。
Cray将可以把自己的Sonexion阵列基于该产品之上。现在Cray尚未公开的对ClusterStor产品线的收购金额和条款:
希捷和Cray将围绕在未来的ClusterStor产品中使用希捷技术进行合作。
Cray总裁、首席执行官Peter Ungaro表示:“基于我们的长期战略和惊人的数据增长,存储在我们的市场中变得越来越重要。随着百万兆计算的推进,以及人工智能、深度学习和分析的爆炸式增长,把计算和存储集成到超级计算系统中的能力正在变得比以往更为重要。”
“将希捷的ClusterStor产品线增加到我们的DataWrap和Sonexion存储产品中,这将让我们能够为客户提供更加完整的解决方案。”
希捷存储系统副总裁、总经理Ken Claffey表示:“2012年Cray成为我们的首个OEM合作伙伴,这个合作关系持续多年,已经成为我们最大的、最有战略意义的ClusterStor合作伙伴。今天的公布是对双方在HPC领域持续的、独有的合作的完美演变。作为超级计算市场中的领导者,Cray将是ClusterStor业务、员工、客户和合作伙伴的非常好的归属。”
Cray预计这次交易的影响将在2018年的盈亏平衡范围内,预计交易将在第三季度末完成。
分析
希捷在2013年12月以3.74亿美元收购Xyratex驱动器阵列和磁盘驱动器测试业务。Cray当时已经是Xyratex ClusterStor HPC存储机架的客户。
后来希捷开发了新的阵列,并在2014年11月设立了一个云系统及解决方案部门“在我们领先的磁盘驱动器业务之上,为OEM和DIY群体提供云系统和解决方案”。此外,希捷还新增了一个Hadoop连接器,希望在大数据分析领域让ClusterStor占有一席之地。
希捷的想法是从磁盘驱动器垂直向上集成,并且把驱动器阵列作为组件售卖给HPE和NetApp等使用ClusterStor和2015年8月收购的Dot Hill OEM驱动器阵列业务的存储阵列提供商。这耗资6.94亿美元,意味着希捷花费了超过10亿美元打造磁盘驱动器阵列业务。
2015年1月,希捷公司首席执行官Steve Luczo提及ClusterStor时表示:“我认为今年这项业务将达到10亿美元规模。”
希捷在2015年1月赢得HP作为ClusterStor的净销售。SGI成为ClusterStor OEM合作伙伴。IBM的Spectrum Scale并行文件系统软件也被添加到ClusterStor中。
但是希捷的想法遇到了收入下滑的打击,Xyratex位于英国Havant的工厂于2016年7月关闭。
现在,Steve Luczo也卸任成为执行主席,COO Dave Mosley成为CEO,并宣布裁员600人。
卖掉ClusterStor可能意味着希捷将结束向上的垂直集成。Dot Hill业务的未来现在可能也是个未知数。希捷转型得突然,但这仅仅是为了应对短期压力,还是计划着重启增长的引擎?
Mosley在希捷担任高管多年,现在接替了将去担任执行主席的Luczo。他是否能够扭转局势让希捷再次向前迈进?
好文章,需要你的鼓励
法国人工智能公司Mistral AI宣布完成17亿欧元(约20亿美元)C轮融资,由荷兰半导体设备制造商ASML领投。此轮融资使Mistral估值从去年的60亿美元翻倍至137亿美元。英伟达、DST Global等知名投资机构参投。作为欧洲领先的AI开发商,Mistral凭借先进的多语言大模型与OpenAI等美国公司竞争,其聊天机器人Le Chat具备语音模式等功能。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
VAST Data收购了成立仅数月的初创公司Red Stapler,该公司由NetApp资深团队创立。Red Stapler创始人兼CEO Jonsi Stefansson将担任VAST云解决方案总经理,负责超大规模云战略。Red Stapler拥有6名开发人员,开发了跨SaaS交付、API集成、监控等功能的云控制平面和服务交付平台,将加速VAST AI OS在超大规模和多云环境中的部署,深化与全球领先超大规模云服务商的合作关系。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。