除了上市之外,接受收购对于存储阵列企业而言也不失为一种选择。
好了好了,我们买Tegile,行不行?
在投入14亿美元以收购西数-东芝闪存代工合资企业中的东芝股份之后,西部数据方面又将收购的“魔爪”伸向Tegile存储阵列公司。同样值得一提的是,西数公司还于昨天以1亿美元的惊人价码将消费级云存储企业Upthere收入囊中。
Tegile公司一直在以IntelliFlash为品牌出售混合闪存/磁盘以及全闪存阵列产品,而不久之前该产品线刚刚迎来NVMe驱动器技术的加入。
这家年轻的公司诞生于2010年,总融资金额为1.78亿美元——其中部分来自西部数据方面。双方已经就西数收购Tegile签订了最终协议,按照五倍投资回报率来计算,则西部数据需要为其掏出高达8.9亿美元的真金白银。将Upthere与Tegile合并计算,西数此轮收购活动的总金额很可能超过10亿美元。
西部数据公司将通过此次收购获得Tegile旗下的产品线与员工,外加超过1700家新客户。收购完成后,Tegile将被并入西部数据的数据中心系统(简称DCS)业务部门,由高级副总裁兼总经理Phil Bullinger负责管理——在此之前,其曾经负责过ActiveScale以及Active Archive阵列等大数据级对象存储产品的销售工作。
西部数据为什么要拿下这家存储阵列厂商?
西部数据公司总裁兼COO Mike Cordano在一份声明当中解释称,“对Tegile的收购完全符合西部数据公司的长期发展战略,即提供高价值解决方案以满足客户快速变化的存储需求。Tegile公司的技术成果与人才团队将显著推动我们达成目标的速度,具体包括帮助客户解决其在获取、保存、转换以及访问数据方面所面临的各类重大挑战。”
Bullinger同时补充称,“通过将Tegile的创新型存储系统与西部数据的全球业务以及组件与系统方案相结合,我们预计数据中心系统部门将能够在闪存阵列市场之上占据可观份额。西部数据公司专注于系统业务,而此次收购将成为推动我们长远战略的重要一步。”
Tegile公司CEO Rohit Kshetrapal则指出,“西部数据公司已经成为Tegile的一位关键性合作伙伴兼长期投资方,同时在工程技术整合、HDD/SSD供应链效率、市场化举措以及客户支持等方面为Tegile提供有力协助。”
简而言之,西部数据认为此次收购能够加速其数据中心系统业务部门的营收增长——这主要是考虑到Tegile掌握的高价值、高增长闪存阵列能够补充现有数据中心系统产品,同时为西部数据的全球客户提供更多解决方案选项。
竞争关系
全部现有内部存储阵列系统(硬件与软件)供应商皆将面对来自西部数据加Tegile的竞争挑战,具体包括:
算上西部数据-Tegile,目前市场上已经存在十家主流一级数据存储阵列供应商,七家NVMe架构级阵列供应商以及至少五家其它供应商。
而内部存储阵列市场还面临着其它威胁势力,其一为超融合型系统,其二为公有云存储方案。另外,总计22家厂商对于内部阵列市场来说,无疑显得太过拥挤。
在我们看来,未来这一领域将掀起一股合并风潮,其中较弱的厂商将遭到吞并,而更为强大的厂商则能够借此强化自身产品线。我们认为IBM与HDS有可能通过这种方式提升自家产品线,而Infinidat、Kaminario以及Tintri都将成为其潜在收购目标。
西部数据-Tegile收购案计划于2017年9月4日当周完成,但实际时间应视具体情况而定。
好文章,需要你的鼓励
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。