安全软件提供商赛门铁克将把105个诺顿数据中心应用迁移到微软的Azure云中。
这些应用包括声誉评分、安全遥测、高级威胁保护。赛门铁克将把自己的电子商务系统带入Azure,并计划针对一些内部IT服务使用,包括容器、机器学习和平台即服务。此举将在2018年3月前完成。
核心财务应用和其他应用仍将保留在内部,赛门铁克采用了一种混合云的战略,称迁移到Azure不仅将解决成本,还会提高性能和安全性。
这对微软来说也是一个好消息。赛门铁克将把大部分IT负载迁移到微软的云中,这意味着赛门铁克不再需要运行这些应用的服务器和存储。
赛门铁克全球25座数据中心中的6个即将关闭。这对赛门铁克的服务器和存储提供商、这些服务器上运行的软件的提供商来说都是一个坏消息。
对于全体服务器和存储提供商来说都是一个坏消息,因为赛门铁克刚刚告诉所有自己的企业客户说,把应用迁移到公有云是一件很好的事情。相信部分企业客户将会跟随赛门铁克的脚步,将应用迁移到公有云缩减他们的本地数据中心资产。
接下来,服务器和存储销售将会减少,市场将会缩水,将会出现涟漪效应。
同时,面向云提供商的服务器和存储销售量将会增加,但是这些提供商倾向于购买组件来搭建他们自己的系统,主流提供商可能不会从中受益。
假设在接下来的几年中,企业服务器和存储市场将有20%迁移到公有云,那么这将会带来怎样的影响。
市场将会萎缩,无法容纳下现在这么多的提供商。我们预计占主导的主流提供商将会更加(相对来说)主导,实力弱一些的厂商将会受到冲击,意味着这些厂商可能会被收购,成为较小规模的、可生存下来的利基提供商,或者消失。
在服务器和超融合基础设施一体机市场,我们看到HPE和Dell是两大提供商,接下来是白盒提供商(浪潮、超微等),以及一系列其他提供商,华为、联想、Nutanix、思科、富士通、日立、Scale等等。我们在这里故意把服务器和HCIA放在一起,是预计规模较小的提供商会有一些整合。
在存储方面,因为整合程度不如服务器领域那么高,所以会有相对较大型的提供商。不过我们预计接下整合的步伐会加快,因为HCIA(服务器SAN)将占领更多存储市场。
较大型的厂商包括Dell、HPE、NetApp和IBM,其次是一系列较小型的厂商例如Pure Storage、Vantara(以前的HDS)、Kaminario、Tegile、Tintri、华为、富士通、NEC、DDN、Infinidat、Oracle、Panasas和一些初创公司,Apeiron、E8、Exceleto、Formation、Pavilion、Vexata等。
然后还有一些软件存储提供商(例如Datacore、Nexenta、Scality、Cloudian等),备份/数据保护提供商,元数据提取厂商,拷贝管理器和HSM重新创建厂商,大数据分析厂商,容器数据存储厂商,云网关/复制和归档厂商……这里有太多太多的厂商。
如果赛门铁克因为采用公有云而关闭近1/5数据中心的举动成为企业IT范例,那么对服务器和存储行业的整合压力将会增加。如果这个比例上升的话,压力将会进一步加大。
提供商在日益萎缩的本地TI市场中引导服务器/存储开发的方向,这个能力将变得只管重要,因为如果引导错误将会让厂商陷入困境,想想Violin Memory、Imation、Data Gravity、Coho Data,为我们敲响了警钟。
但是还有很多市场利基厂商实现了对市场的主导。这回归到老式的商业游戏规则——变大、变专、或者被淘汰。想想Dell(变大)、DDN(变专)还有Data Gravity/Coho(被淘汰)。
好文章,需要你的鼓励
VSCO今日更新VSCO Capture应用,新增视频拍摄功能。用户现可在拍摄照片和视频时应用并调整VSCO的50多种滤镜预设,包括经典胶片到现代创作风格。新版本还推出胶片颗粒滤镜,可动态控制纹理强度、大小和色彩。用户能将颗粒滤镜叠加到Film X滤镜上,结合柯达、富士和爱克发胶片风格,保存个性化胶片配方。
瑞士ETH苏黎世联邦理工学院等机构联合开发的WUSH技术,首次从数学理论层面推导出AI大模型量化压缩的最优解。该技术能根据数据特征自适应调整压缩策略,相比传统方法减少60-70%的压缩损失,实现接近零损失的模型压缩,为大模型在普通设备上的高效部署开辟了新路径。
Instagram负责人Adam Mosseri表示,AI生成内容已经占据社交媒体主导地位,预计将超越非AI内容。他认为识别AI内容的技术效果不佳,建议转而为真实媒体建立指纹识别系统,由相机制造商在拍摄时进行加密签名。Mosseri还指出,创作者应优先发布"不完美"的原始图像来证明真实性,因为精美方形图片的时代已经结束。
弗吉尼亚大学团队创建了Refer360数据集,这是首个大规模记录真实环境中人机多模态交互的数据库,涵盖室内外场景,包含1400万交互样本。同时开发的MuRes智能模块能让机器人像人类一样理解语言、手势和眼神的组合信息,显著提升了现有AI模型的理解准确度,为未来智能机器人的广泛应用奠定了重要基础。