既然HPE已经收购并且正在“消化”SimpliVity,那么HPE现在是怎么看待超融合基础设施(HCI)的呢?
特别是HPE带有聚合组件的超融合产品,如何契合HPE Synergy可组合式基础设施的理念?Synergy采用分解的组件,这些组件在运行的时候组合成为各种平台。
我们采访了HPE软件定义和云部门营销副总裁Paul Miller,来探讨HPE的想法。
HPE是否认同HCI将成为本地IT主流架构这一观点?
软件定义基础设施正在迅速成为本地架构的实施标准。HCI属于软件定义基础设施这一类,而这一类覆盖从HCI到可组合的基础设施。
客户正在他们的环境内追求简单性、敏捷性、弹性、安全性和可预测性。每个客户将选择他们自己的路径来满足他们独特的业务要求。对于一些客户来说,这将是100%的HCI。对于其他人来说,他们将混合采用HCI与可组合式基础设施。
HPE是否认为HCI必须拥抱混合IT,并且做公有云的集成?
是的,如今混合IT已经占有一席之地。客户运行的多种云将提供一系列跨公有云和本地基础设施的服务。很多HCI解决方案只是把一个HCI孤岛扩展到单一的公有云。这并不是混合IT。
HPE的New Stack项目提供了一种开放云的方式,面向云中的任何云和任何服务,结合本地HCI以及可组合式基础设施,从而统一了客户的混合体验。
HPE是否认同HCI是一种虚拟SAN、但是容器即将来临?
我们看到,客户希望在他们的HCI环境中既能运行虚拟机也能运行容器。我们与Docker、Kubernetes以及Mesos等容器领导厂商都有密切的合作,我们将致力于在HCI和可组合式基础设施上对容器进行优化。
HCI与可组合式基础设施有怎样的关联?
HCI和可组合式基础设施是软件定义基础设施的一部分。HCI为虚拟化环境提供了简化性、敏捷性、弹性、安全性和可预测性,可组合式基础设施也为裸机、虚拟机和容器提供了相同的特性。注意,可组合式基础设施既能运行软件定义存储也能运行传统SAN存储。
HCI应该是完全采用商用硬件、没有额外的ASIC/FPGA组件?
客户希望得到性能和简化性,他们不会问在Azure中上面运行虚拟机的服务器是否采用了FPGA。最终结果,是要为客户以具有吸引力的价格提供一个整体的解决方案。
微软在Azure服务器中部署FPGA,英特尔以167亿美元收购Altera,GPU市场在过去几年内一直在扩张。HPE SimpliVity采用FPGA来提供像可预测性能这样的独有能力,这一点我们可通过始终在线的重复数据删除和压缩来保证。没有其他HCI解决方案可以保证性能——至少目前是这样的。
NVMe驱动器、NVMe over Fabric和存储级内存(例如Optane,也就是3D XPoint)会给HCI系统带来怎样的影响?
这些技术肯定会影响到HCI市场。HCI系统需要随着技术市场的变化而发展。HPE SimpliVity从第一天开始就被设计成为介质不可感知的,将发展成为一个100%闪存的产品组合,因为这样就会为客户提供最高的价值。随着存储级内存、高速互连以及高速介质持续步入主流,HPE将继续在HCI市场保持我们的技术领导力。
评论
在某种程度上,我们可以将Synergy视为一种在运行中的动态组合式超融合基础设施,然后在不需要的时候将服务器、存储和网络硬件返回到资源池中。
但是,HCI也是对客户在购买、安装、集成、操作和管理服务器、存储、网络以及系统软件各种独立应用堆栈中遇到的各种难题的一个回应。购买一个SKU,对其进行横向扩展,这是对这个难题的一个简单回应。
如果客户能够使用通用商用在组件获得可组合式的基础设施堆栈,理论上,对于HCIA的需求就不复存在。HPE对Synergy完成这一任务寄予厚望。
好文章,需要你的鼓励
尽管芯片厂商不断推出性能更强的神经处理单元,声称比上代产品快30-40%,但大多数AI功能仍依赖云端处理。专家指出,云端AI模型拥有数千亿参数,而手机NPU只能处理约30亿参数的模型。本地AI处理虽然在隐私保护和可靠性方面具有优势,但受限于内存容量和处理能力,目前主要应用于特定场景。业界正致力于优化模型压缩技术,实现云端与本地AI的混合处理模式。
NVIDIA联合多所高校开发的SpaceTools系统通过双重交互强化学习方法,让AI学会协调使用多种视觉工具进行复杂空间推理。该系统在空间理解基准测试中达到最先进性能,并在真实机器人操作中实现86%成功率,代表了AI从单一功能向工具协调专家的重要转变,为未来更智能实用的AI助手奠定基础。
Hammerspace通过现有NVMe存储最大化GPU使用率。随着AI计算在混合云和多云环境中扩展,基础设施团队面临着加速洞察时间同时最大化GPU投资的压力。Hammerspace Tier 0将GPU服务器集群内的本地NVMe存储转换为超高速共享存储层,性能比传统网络存储提升10倍,减少检查点时间,提高GPU使用率,改善推理响应时间,无需额外存储系统,节省数百万美元成本。
这项研究解决了现代智能机器人面临的"行动不稳定"问题,开发出名为TACO的决策优化系统。该系统让机器人在执行任务前生成多个候选方案,然后通过伪计数估计器选择最可靠的行动,就像为机器人配备智能顾问。实验显示,真实环境中机器人成功率平均提升16%,且系统可即插即用无需重新训练,为机器人智能化发展提供了新思路。