Nutanix中国用户大会北京站本周举办,Nutanix 创始人兼CEO Dheeraj Pandey公布公司的发展目标,到2021年实现软件产品及相关支持营收30亿美元。为实现这一目标,仅仅靠超融合概念已经远远满足不了市场扩张需求。
在中国用户大会上,Nutanix传达出来的意愿是让市场认知到Nutanix不仅仅是超融合厂商,还将以超融合为基础打造适合多云环境的企业云解决方案。而明显的是在不久前,Nutanix宣布收购Frame,这样Nutanix就能够为客户将提供多云环境下的桌面应用即服务(DaaS)。
从早期Nutanix希望让传统企业用上Google、AWS等互联网企业的数据中心架构理念,到现在为企业提供企业云服务。2018年Nutanix一直谈到概念是让企业计算隐形。“化繁为简,让计算隐形”成为Nutanix的发展方向,而通过超融合、分布式存储技术对基础架构和数据中心变革,能够实现运算隐形,从存储隐形到数据中心隐形再到云隐形,让复杂不可见。
在采访现场,Nutanix首席营收官Lou Attanasio谈到Nutanix服务转型,不是放弃硬件业务,而是根据用户的需求提供。
“我们所谓的从硬件向软件的改变,如果对我们客户而言,它有硬件的要求,我们仍然会向它销售硬件,对于软件这部分业务而言,我们是逐步地要采取订阅式,以及云的方式。所以,我们更核心的一个理念就是我们要提供给客户所要求的东西,他们究竟需要的是什么。”
Lou Attanasio认为转型,需要整个团队对企业战略的理解以及为客户提供更好的完整的体验、
具体来讲:
第一让团队能理解Nutanix要提供的这种转变以及现在所提供的这些产品它究竟是什么,要赋能给销售团队和技术团队,让他们充分地理解我们赋能给他们的东西是什么。
第二点,关于科技方面的。要继续保持,能够让客户体验到他们过去之所以选择Nutanix作为一个硬件公司他们所体会到的特别喜欢的用户体验。要把他们非常认知和喜欢的用户体验继续延续到所提供的软件以及云的产品上面。
第三点,所提供的这些服务,包括云,我们一定要保证它是整合性的。“也就是说,无论它是在本地的,还是以云端呈现出来的,从用户的角度而言,它完全是属于一站式的,并且是可视化、简单易行的操作。也就是说,如果它是本地,无论是公有云,还是私有云,我们最终要在科技让它的操作是非常简易的。如果说想要在最终的客户端做到简单易行,我们在最终后台的程序端要做非常多的科技上的突破和努力,才可以做到客户端的简单易行。”Lou Attanasio分享到。
Nutanix 中国区总经理David Chan表示,中国在过去这一年的时间有着非常健康的增长。总部给我的要求就是比全球增长高。我们在不同地区都会加强投入,不管是从销售,对代理销售的覆盖、培训,还有我们的售后服务,因为售后服务是重中之重。
Lou Attanasio也表示出对于中国区的期待。他认为在中国市场,无论是从机会的角度,还是从营收的角度,在这里以后是蕴藏着巨大潜力的。因此Nutanix要做的是持续的在中国区雇佣更多的员工,更加密切地和业务合作伙伴一起工作,保持与最终的用户有着很好的关系。未来,我们期待我们的团队能够以全球每个季度50%的增长率继续保持增长。
同时对于包括在国内市场与联想等厂商的合作,Lou Attanasio表示,中国市场整体规模将超过100亿美元,在这样一个巨大的市场上有足够的空间容纳不只一个竞争者,Nutanix要在中国市场上继续发展自己的合作伙伴关系,此次中国行和联想已经见了面,今后和联想的合作要比现在还要更深入、大很多。同时,我们也继续和戴尔、惠普、Ctrix合作,因为我们可能会发展更多的卖方的合作伙伴。这是我们今后的一个战略。
“所以我们会建设一个大的生态,在这生态圈中,有时我们是合作伙伴,但同时我们也是竞争对手。”Lou Attanasio最后谈到。
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。