Pure Storage今天宣布收购数据服务平台Portworx,希望借此涉足到面向云原生和Kubernetes存储服务这个不断发展的市场。
Pure Storage表示,将以3.7亿美元现金的形式收购Portworx,预计于本月底完成交易。
Pure Storage是一家数据存储服务领先提供商,主要以基于闪存的硬件和软件产品而闻名。与此同时,Portworx还提供Kubernetes数据服务平台,可以为托管在云中的软件容器提供持久存储、高可用性、数据保护、安全性和云移动性。
容器用于托管现代敏捷型的软件应用的组件,而Kubernetes则是用于管理这些容器的开源软件。
Pure Storage表示,这是该公司有史以来规模最大的一笔收购,将有助于Pure Storage加速向支持容器和Kubernetes的多云数据服务市场的扩张。
Pure Storage董事长兼首席执行官Charles Giancarlo在接受采访时曾表示:“这将让现有的传统硬件和应用环境与容器这种新环境相匹配。我们看到Portworx内部的逻辑非常类似于Pure Storage无处不在构建云的理念,无论是在私有数据中心还是在公有云中,看起来都是相似的。我们二者的整合,将为客户创造一个非常一致的环境。”
Pure Storage战略副总裁Matt Kixmoeller在接受媒体采访时表示,Pure Storage将在首席执行官Murli Thirumale的带领下,围绕Portworx成立一个新的云原生业务部门,使得Pure Storage可以提供一整套部署在云端或者本地环境、由Kubernetes编排的数据服务。
Pure Storage援引Gartner的研究结果称,市场对云原生存储服务的需求将是很大的。Gartner研究预测,到2025年全球将有85%的企业会在生产中使用容器。而问题在于,传统的存储平台并不适用于容器应用,因为这些平台无法提供这些应用所需的数据弹性、移动性、安全性和备份功能。
Moor Insights&Strategy分析师Steve McDowell表示:“容器面临的挑战是,这项技术最初是设计用于支持DevOps工作流的临时工作负载,而不是用于需要长期持久存储的企业应用。将容器与存储结合仍然是很麻烦的,还没有企业存储厂商可以向容器市场提供无缝的数据服务体验。”
McDowell说,交付对于Pure Storage来说非常重要,因为Pure Storage的策略是跨本地、按需和公有云为工作负载提供统一的存储体验。但是Pure Storage面临的问题是,在云原生容器化环境中,它能做的事情并不多。McDowell说:“CSI驱动程序只能做到目前这样,这是每个存储OEM都面临的挑战。”
Kixmoeller说:“传统存储解决方案最初并不是针对跟上Kubernetes和容器的发展变化速度而设计的,所以目前这个领域还是非常碎片化的。”
Portworx提供的技术可以克服很多此类问题,Portworx软件通过将商用服务器硬件转换为可跨集群扩展并自动配置自身的融合存储节点,为容器工作负载提供可扩展的存储,这让企业可以更容易地配置容器应用所需的存储资源,用户可以管理每个容器的存储要求。
Portworx产品和市场战略副总裁Michael Ferranti表示,Portworx是最早意识到需要改变对存储的要求以兼容云原生容器应用的公司之一,并于2017年推出了相应产品。Portworx因此吸引了很多风投方的关注,最近一次是2019年初在C轮融资中获得2700万美元,总融资金额超过5500万美元。
McDowell说:“Portworx致力于将数据服务直接引入Kubernetes世界,这是能够引发共鸣的,Portworx在云市场和本地市场实现了显着的增长。”
Kixmoeller说,Portworx在容器存储市场是领先者,尽管Pure Storage朝着将产品以即服务的方向转变,但Portworx从一开始就是如此,“我们有机会建立一个广泛的平台”。
Ferranti说,Portworx将从这次收购中受益,这意味着可以获得更多的受众和更多的资源开发自己的产品。
“感觉两个团队是很契合的,我们的创始团队对现代存储和数据服务平台抱有远大的抱负,因此加入Pure Storage是我们获得更多受众的一种方式。”
McDowell认为,此次收购对两家公司来说都是有意义的,而且成效很快就会显现。他说,两家公司的产品几乎没有重叠,这意味着只需要进行少量的集成就可以了。
McDowell说:“具有竞争力的是,这对Pure来说是一个巨大的推动力,让市场覆盖面远远超出存储阵列所能覆盖的范围。最终,这让Pure能够扩展到传统硬件存储市场之外的企业领域。IT的未来既是软件定义的,也是以云为中心的,因此,像Pure这样的公司要不断发展,就必须积极地向这些新领域扩张。”
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。