提到Nutanix,我们首先想到了是超融合,没错,作为超融合领域的引领者,Nutanix在近几年的发展中,可谓是大放异彩,并于2016年成功上市。可以毫不夸张的说,在超融合领域中,Nutanix是行业先驱者+颠覆者。不过,在未来Nutanix可不单单是超融合的标签了。
众所周知,其实超融合基础设施并不是最新的数据中心技术,但它可以说是业内最火热的技术之一,随着市场的不断洗牌,目前国内市场中也逐渐形成了以Nutanix为首的超融合市场。
在近期的媒体沟通会上,作为Nutanix中国区董事总经理,陈满恒对当下Nutanix的发展信心满满,并提到了2018财年第一季度收入,他表示:"在第一季度中,我们的全球经济增长向好,全球收入高达2.76亿美元,同期增长46%,而中国市场的增长速度远比全球增长还要快"。

可以看出,Nutanix在其领域中取得不错的成绩,而陈满恒却告诉我们,超融合只是一个必要条件,就如虚拟化是云的一个必要条件一样,接下来,Nutanix将有一个重大转型,即正式提出Software Choice(纯软件选项)概念,向软件层面转型,以此来配合用户自己选择硬件平台,提升用户体验。
转型路途 Nutanix如何靠云吸引用户?
我们知道,近几年,超融合基础架构的发展已经驶入快车道,已经在市场广泛接受。无论是从医疗、金融、教育、制造、零售等传统行业到如今的互联网行业等,越来越多的行业开始积极拥有超融合,面对生机勃勃的超融合市场,Nutanix在稳固超融合市场市场地位后,逐步开始向企业云转型。那么,在转型过程中,Nutanix将靠着怎样的核心优势吸引用户再次选择?
对此,陈满恒表示:"随着云服务的逐渐深入,用户在未来不仅仅需要一个云服务,私有云或者混合云的多云战略将会是用户很重要的一个方向。因此,在2018年我们将会推出XI的云服务,将来无论是公有云亦或是私有云,Nutanix希望可以把用户体验的差距拉到同等,通过整体部署管理,按照自己的业务需求来来选择不同的云服务。"
Nutanix 中国区技术总监夏峰补充道:"基于如今数据中心的模式,Nutanix不忘初心,从技术上解决应用的根本问题,即可以运行在阿里、AWS,也可以运行在数据中心我们或其它任意虚拟化平台。用户可以把Nutanix看作一个接口、产品或硬件资源去管理。"
显然,对于超融合,Nutanix有着自己的理解与定位,而对于云服务,Nutanix更是与其它厂商不同,强调的是为用户提供多种灵活的选项。可以说,在数字化转型的大趋势下,各大IT企业都在考虑其业务模式和生产方式,我们目前面临的IT时代,计算无处不在,云更是呈现出全新的分布状态。在这个过程中,其实Nutanix的想法是从企业的核心到分布式,用超融合的手段把云的体验带给用户。
Nutanix=超融合的概念或将被改变
正如正文开头中所说,提到Nutanix,大家首先想到的是超融合,毕竟在这个领域,Nutanix的标签是根深蒂固的,也是凭借其成为推动者。而如今面对多云的数字化转型时代,Nutanix的转云之路也希望是循序渐进的,并且超融合也是提供云解决方案中的一部分。"我们从来都是一家软件公司,在未来的各种活动中,我们也会通过不同渠道分享企业的战略定位。事实上,随着行业技术的不断迭代,企业自身功能的增强也促使这个行业在转型,从超融合到企业云,Nutanix依旧会提高应用的运行效率及性能,给客户更多的选择性。"陈满恒提到。
在超融合领域中,Nutanix交出了一份骄傲的答卷,而在未来的旅途中,Nutanix企业云的发展令人期待!
好文章,需要你的鼓励
随着员工自发使用生成式AI工具,CIO面临影子AI的挑战。报告显示43%的员工在个人设备上使用AI应用处理工作,25%在工作中使用未经批准的AI工具。专家建议通过六项策略管理影子AI:建立明确规则框架、持续监控和清单跟踪、加强数据保护和访问控制、明确风险承受度、营造透明信任文化、实施持续的角色化AI培训。目标是支持负责任的创新而非完全禁止。
哈佛、MIT联合研究揭示人类语言理解的神经机制,发现大脑通过"信息出口"将语言从核心系统传递至专业脑区实现深度理解。研究提出浅层与深层理解的区别,为人工智能发展提供重要启示,表明真正智能需要多系统协作而非单一优化。该发现可能改变我们对语言认知的理解。
英国正式推出DaRe2THINK数字平台,旨在简化NHS全科医生参与临床试验的流程。该平台由伯明翰大学和MHRA临床实践研究数据链开发,能够安全传输GP诊所与NHS试验研究人员之间的健康数据,减少医生的管理负担。平台利用NHS现有健康信息,安全筛查来自450多家诊所的1300万患者记录,并使用移动消息系统保持试验对象参与度,为传统上无法参与的人群开辟了研究机会。
腾讯混元等团队开发出革命性的AI视频生成自我评判系统PAVRM和训练方法PRFL,让AI能在创作过程中实时评估和改进视频质量,无需等到完成才反馈。该技术使视频动态表现提升56%,人体结构准确性提升21.5%,训练效率提升1.4倍,为AI视频生成质量带来质的飞跃。