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
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。