中国北京,2019年4月10日 —— Hewlett Packard Enterprise (HPE) 和Nutanix (NTNX)今日宣布,双方将开展全球性合作,为市场提供混合云即服务 (aaS) 一体化解决方案。该方案将利用Nutanix企业云操作系统软件(包括Nutanix的免费内置AHV管理程序),通过HPE GreenLake向客户提供完全由HPE管理的混合云服务,大幅降低客户的总体拥有成本,加快实现价值。
此外,根据协议,Nutanix将推动其渠道合作伙伴直接出售安装Nutanix企业云操作系统软件的HPE服务器,确保客户可以购买到一体化集成设备。
如何推动创新、加快数字化转型是当今企业持续面临的挑战。混合IT领域的传统方案存在很多问题,例如复杂的系统需要配备大量的IT操作人员,软件许可和运行费用日益上升,厂商锁定引发客户担忧等。因此,在一个注重多样性和敏捷性的时代,企业反而在逐渐失去灵活性。
通过此次合作,HPE与Nutanix将推出一种极具吸引力、可降低成本和复杂性的替代方案来解决上述挑战。这一综合性解决方案将提供完全可控的混合云基础设施即服务,部署在客户的数据中心或主机托管设施。
HPE GreenLake和Nutanix企业云操作系统软件的结合为希望利用Nutanix(包括其AHV虚拟化技术)支持各类应用案例的客户提供了最佳选择。
相关应用案例包括关键任务型工作负载和大数据应用程序:SAP、甲骨文、微软等顶级企业的虚拟化工作负载,以及Splunk、Hadoop等虚拟化大数据应用程序的支持等。
HPE GreenLake aaS方案可在以下方面为客户带来益处:
HPE总裁兼首席执行官Antonio Neri表示: “HPE通过HPE GreenLake构建了新型的本地部署消费即服务市场。目前,全球有数百家客户使用HPE GreenLake获得与内部环境的安全、治理和应用性能相结合的云服务,并根据实际使用情况进行付费。目前,HPE正在为寻找敏捷度更高、成本更低的混合云替代方案的客户提供更多选择,以扩大自身在该市场的领导地位。”
Nutanix创始人、首席执行官兼董事会主席Dheeraj Pandey表示: “客户告诉我们,应用程序对他们而言至关重要。此次与HPE的合作将为Nutanix的客户带来更多选择,实现基础架构隐形。这样,客户可以将注意力集中在业务关键型应用程序上,无需关注底层技术。我们很高兴与HPE达成合作,让为自身业务寻找合适的混合云解决方案的企业受益。”
HPE GreenLake是行业领先的本地IT消费即服务解决方案。它支持客户根据工作量或资源使用量的实际计量结果进行付费,可在客户出现容量需求之前迅速完成扩展,并具有企业级管理和支持功能。客户可通过数据中心或主机托管环境体验HPE GreenLake的云服务。
凭借HPE一流的合作模式和不断扩展的合作伙伴生态系统,客户可以利用自己选择的技术设计并轻松使用IT解决方案,通过减少超量配置降低资本支出,提高IT资源的使用效率,推动关键IT项目更快地实现价值。4
今后,Nutanix将推动其渠道合作伙伴直接出售安装Nutanix企业云操作系统软件的HPE服务器,确保客户可以购买到一体化的设备。
两家公司此次合作推出的解决方案将兼具安全性和创新性的ProLiant和Apollo服务器(HPE打造的全球最大的安装基础)与Nutanix首创的企业云操作系统软件相结合,全面实现了一体化。Nutanix的客户可以利用直接由HPE工厂提供的方案实现数据中心环境的现代化,并在其首选的硬件和软件平台上获得支持服务。
搭载Nutanix企业云操作系统软件的HPE GreenLake和在HPE 服务器上安装Nutanix软件的一体化集成设备预计将于2019年第三季度上市。
今年,HPE和Nutanix将在各自的客户大会上展示两家公司合作打造的解决方案。Nutanix的客户大会(Nutanix .NEXT)将于2019年5月7-9日在美国加利福尼亚州阿纳海姆举办。HPE的客户大会(HPE Discover)将于2019年6月17-19日在美国内华达州拉斯维加斯举办。
备注:
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。