Nutanix提出了One Click、One OS、Any Cloud的理念,推出了一系列新服务来跨多种云,私有的和公有的、虚拟化计算和对象存储。
当然,这是假设本地部署的IT是以公有云的方式运行。Nutanix的观点是,几乎一切都是数字化的,当然也包含公有云。换句话说,软件抽象层会虚拟化并提供对底层物理资源与虚拟资源的访问,以及两种资源之间的移动性。将会有一个集中控制平面来运行这个分散的系统,这Nutanix。
Nutanix推出了三款针对Acropolis Hypervisor(AHV)的、面向开发者的服务:Acropolis Object Storage Service、Acropolis Compute Cloud (AC2)和Nutanix App Marketplace。
Acropolis Object Storage Service
该服务兼容S3 API接口,将嵌入到Nutanix的Enterprise Cloud OS中。换句话说,Nutanix正在向AHV中添加对象存储。
这么做旨在提供一个按需对象存储工具,用于收集、保存和管理单一命名空间内的数十亿个对象,针对像归档这样的应用,将采用公有云的消费模式。
Nutanix表示,这将为多云存储设施提供基础,带有对数据对象的生命周期管理和跨云分层功能。
Acropolis Compute Cloud
AC2将成为Enterprise Cloud OS的一部分,支持Nutanix部署中的纯计算节点,用于CPU密集型应用,例如分布式分析工作负载、前端Web服务、Citrix XenApp部署和内存分析。
Nutanix表示,IT经理将能够以一种可消费的、纵向扩展的、向下扩展的资源形式把计算交付给应用开发团队。
Nutanix App Marketplace
App Marketplace服务添加到Nutanix多云应用、自动化和编排工具Calm中。可通过基于标准的蓝图进行定义,然后发布到Marketplace中。然后应用团队可以在他们的开发中使用这些服务。
此外还将推出针对基础设施和开发者工具——例如Kubernetes、Hadoop、MySQL、Jenkins和Puppet。
评论
未来我们将看到,在运行时,开发代码会使用(S3访问的)对象存储服务和可用的计算服务,这都是AHV自带的,或者VMware、Amazon、Azure、Google计算、Cloudian、Amazon S3或者其他S3访问的对象存储。
在尼斯举行的Nutanix .NEXT大会上,Nutanix公司首席执行官Dheeraj Pandey表示:“云不是一个物理的目的地,它也可以数字化。云是一个高度数字化的数据中心。”他喜欢隐形的数据中心和消费级简化性等这些理念。
通过使用你可以提供访问的软件抽象层,以及这之间的移动性,很多你已经抽象的实例,不管是物理服务器、物理存储还是公有云服务。这避免了锁定问题,提供了服务消费模式的灵活性。
AHV v5.5
即将发布的AHV v5.5将包含Citrix Provisioning Service (PVS),这是一项针对VDI部署的技术,支持虚拟GPU。
这将帮助Nutanix AHV客户加速在高分辨率医学成像、3D地理空间应用等领域的图形渲染。
Nutanix的Enterprise Cloud OS软件将支持现在已经在Nutanix一体机中的Skylake CPU,来自Dell EMC和联想等OEM合作伙伴的服务器平台,以及来自HPE和思科的认证服务器。
这些功能正在开发中,对HPE和思科售卖的至强Skylake服务器的认证正在进行中,定价细节将随后公布。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。