美国硬盘厂商西部数据已经决定退出存储系统业务,并于昨晚发布公告,表示将把IntelliFlash阵列单元出售给DDN公司。
经证实,西部数据公司同时还计划放弃其AcgtiveScale归档存储阵列业务,并表示保留这些部门需要大量的“精力与资金”,但业务本身似乎很难带来相应的回报。
西部数据公司COO Mike Cordano在一份声明中指出,“扩大并加快IntelliFlash与activeScale产品线的业务发展,必须辅以额外的管理精力与资金投入,只有这样才能确保其获得长期成功。”
这一出乎意料的逆转,距离西部数据2017年8月收购Tegile公司并获得IntelliFlash(具体交易价格不明)刚刚过去两年。到今年7月,西部数据才开始在入门级NVMe机型当中引入IntelliFlash技术——这是一台容量更高的SAS存储阵列,通过实时数据集迁移功能与S3连接器。
西部数据公司超过八成的收入来自面向OEM厂商与消费者买家的磁盘驱动器与SSD产品,并在这两方面保持着相当稳固的竞争地位。
西部数据在一份声明中解释称:
西部数据的战略意图,在于放弃由IntelliFlash与ActiveScale业务组成的存储系统。公司正在探索ActiveScale的可行战略选择。相关举措将使西部数据能够围绕核心存储平台业务优化自身数据中心产品组合,包括OpenFlex平台与光纤连接存储技术。
DDN公司联合创始人兼CEO Alex Bouzari则发布了这样的回应:“我们很高兴能够将西部数据的高性能企业级混合、全闪存以及NVMe解决方案,与DDN的……大规模数据管理产品组合结合起来。”
IntelliFlash部门的员工将加入DDN,后者目前在全球范围内拥有超过1万家客户。西部数据与DDN将携手合作,以不间断的产品可用性与支持连续性方式完成客户过渡。据了解,DNN方面计划投入资金以继续支持IntelliFlash产品线的发展路线图。
这笔交易还包含一项双方全球采购协议,其中西部数据将成为DDN的IntelliFlash客户,外加DDN的首选磁盘驱动器与SSD供应商,但双方均未透露具体的财务数字。
有心的读者朋友可能还记得,总部位于加利福尼亚州的DDN公司曾于2018年9月以6000万美元收购濒临崩溃的Tintri公司,并于今年5月以数额不明的价码买下Nexenta。现在,这家非结构化数据与大数据系统领域的先驱厂商终于凑齐了当年的三大存储后起之秀:Tintri、Nexenta以及Tegile。
上个月,DDN公司已经开始将Nexenta文件功能添加至Tintri系统当中。
总体来讲,Tintri与IntelliFlash属于竞争对手,二者同样属于企业级存储阵列,也都提供混合与全闪存两种型号,但Tintri方面一直缺少虚拟服务器集成功能。现在,这项软件功能可以由IntelliFlash OS负责提供,我们也可以期待Tintri与IntelliFlash共同衍生出一套通用型硬件存储系统。
除非DDN能够找到极具说服力的区分方式,否则这两大产品线可能会被合并。
ActiveScale是一款归档存储阵列,西部数据进军归档阵列市场的历史可以追溯至其对HGST的收购。而再向前探寻,可以看到磁盘驱动器制造商HGST也是在2015年通过收购Amplidata,才将ActiveArchive归档系统招至麾下的——ActiveScale后来由此诞生。
ActiveScale最初亮相于2016年年底,并很快成为一款领先的归档产品。但DDN方面对它似乎不感兴趣,毕竟DDN已经拥有自己的WOS对象存储产品线以及Nexenta对象存储软件。
按照正常情况推断,DDN-西部数据的交易预计将于今年晚些时候结束。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。