数据存储厂商NetApp今天在NetApp Insight线上大会期间表示,将发布一系列新服务以简化和优化面向数据软件应用的多云管理,帮助企业更好地应对向远程办公模式的过渡。
这些新服务中最重要的一项是Spot Storage,NetApp称其称为“无服务器和无存储”的解决方案,用于承载运行在任何地方的现代应用组件的软件容器。
该服务将与现有的Spot Ocean产品相结合,后者可对面向容器的云基础设施实现自动化,两者将共同帮助企业在Kubernetes上构建、部署和运行基于微服务的应用,而不必担心为其提供存储和数据服务。
NetApp表示,这款产品之所以引人关注是因为基于云的容器应用,其速度和敏捷性很大程度上被云环境中的可用性、容量、性能和成本等管理带来的新挑战所抵消了。“解决这些要求给云基础设施和运营团队造成了沉重负担,但如果不这样做,就会浪费云资源、导致基础设施变得脆弱、难以满足SLA等。”
Spot Storage通过实时监控和高级分析自动优化了底层存储基础设施,从而解决了这些难题,其工作原理是确定并部署理想的存储资源组合,确保每个应用都能足够快地访问所需的数据,并通过利用每个存储厂商的最优定价模型,最大限度降低成本。
NetApp谈到了“无存储”基础设施与“无服务器”基础设施。借助无服务器,开发人员只需部署他们的应用,即可在最理想的基础设施上运行,以满足可用性和可扩展性的要求。无存储的功能大致相同,只是要考虑到存储方面的一些注意事项。NetApp表示,现代应用具有更高的敏捷性,总拥有成本也更低,同时,开发人员也有更多的时间专注于开发可随应用扩展的产品。
NetApp表示:“无存储技术让团队能够构建和运行应用,而不用保持吞吐量、维护和容量配置始终不变。Volumes as a Service几乎可用于任何类型的应用或后端服务,具有高可用性运行和扩展应用程序所需的一切。”
今天发布的另一个相关产品名为NetApp Cloud Manager,是一个可用于管理混合云和多云数据服务的自主云卷平台。NetApp Cloud Manager为管理员提供了全面的可见性,简化了数据同步、数据备份、数据分层、文件缓存和合规性服务的控制,无论存储是在本地还是托管在公有云中。
Moor Insights&Strategy分析师Steve McDowell认为,NetApp知道容器数据模型不适用于传统存储,因此需要调整产品以适应这种发展趋势。他说,纯存储厂商正在尝试通过抽象化并消除Kubernetes中底层存储与数据管理层之间的紧密耦合来实现这一目标。
McDowell说:“这绝对是正确的方法,而且对于存储人员来说,确实是唯一可行的方法。”
他说,现在判断NetApp是否解决了问题还为时过早。他说,整个容器存储领域有各种创新,但到目前为止还没有主导厂商出现。即便如此,NetApp绝对是雄心勃勃的。今天NetApp发布的公告表明,NetApp不仅要解决容器存储问题,而且还涉及更广泛的容器编排问题,从而让自己与VMware和IBM等厂商齐头并进。
“NetApp的举措是积极的。在新一届高管的领导下,我们看到这家厂商正在重新调整自己的重点和精力。这不再是一家害怕自我颠覆的公司,它将继续在企业中扮演重要的角色。”
最后,NetApp宣布了一项新的基于云的虚拟桌面管理服务,帮助企业扩展基础设施资源,以满足远程办公不断增加的需求。通过这项服务,NetApp为企业提供了一个门户用于处理跨公有云和私有云环境的远程桌面部署,对很多以前必须手动启用的远程桌面服务进行自动化和编排,例如设置SMB文件共享、启用某些Windows功能、安装应用、防火墙等等。
今天公布的更新进一步推动了NetApp的发展。NetApp以数据存储厂商的身份而闻名,但是在AWS等公有云提供商带来的巨大压力下,近年来NetApp已经将更多精力转向了软件和服务。如今,NetApp遵循“云优先”的战略,让客户能够访问任何位置的数据,就像这些数据在本地文件系统中一样。
NetApp首席执行官George Kurian表示:“要在新常态中蓬勃发展,数字化转型已经成为当务之急。要取得成功,企业需要优化他们的混合多云IT架构。”
就在公布这些新数据服务的一周之前,NetApp刚刚发布了对其云数据管理软件进行的一些重大更新。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。