数据存储巨头NetApp今天宣布推出一项新服务NetApp Astra,全面实现Kubernetes应用的可移植性愿景。
NetApp Astra是一项全面管理的、应用可感知的数据管理服务,针对基于Kubernetes的应用,旨在帮助企业保护、恢复和移动在部署在Kubernetes上的应用,无需下载、安装、管理或升级任何软件。
Kubernetes是一种开源工具,用于协调大型软件容器集群,这些集群托管了可以运行在任何计算基础设施上的现代应用组件。过去几年中,这项技术迅速普及,但是也给企业带来了很多问题,因为有分析师认为,容器化应用需要最佳性能才能发挥持久存储的作用。
Moor Insights&Strategy分析师Steve McDowell认为,问题在于软件容器与传统企业存储搭配不佳。他解释说,容器工作负载的短暂性,要求存储管理操作难度增加了一个数量级,超出了裸机和虚拟化环境的能力范围。
此外,容器应用还需要在此之上的抽象层来存储数据。McDowell说,缺乏这些存储功能会导致一些非常尴尬的IT管理问题。
“容器也会生成数据,需要存储和管理,从容器映像到Kubernetes状态信息再到配置数据,这是数据的爆炸式增长。”
NetApp试图通过NetApp Astra管理这些爆炸式增长的数据。NetApp Astra是去年公布的Project Astra计划的成果,该计划首次为Kubernetes工作负载带来了新的数据管理功能,具有使用常规快照保护数据的功能。因此,如果数据被意外删除或损坏,用户可以将Kubernetes集群还原到之前快照的状态。
NetApp Astra还通过远程备份实现灾难恢复。因此,团队可以对应用及其当前状态进行完整备份,并使用此备份将应用及其数据还原到位于单独区域中的另一个Kubernetes集群中,以满足数据恢复的需求。
最后NetApp说,这项新服务通过“主动克隆”简化了应用的可移植性和迁移,这意味着整个应用及其数据都可以从一个Kubernetes集群移动到另一个集群,不管位于何处。
McDowell说,NetApp是最早发现云原生数据管理问题的存储厂商之一,并且已经尝试解决了很长时间,这从最近的一些收购(例如Talon Storage Solutions和Spot)中可以明显看出。尽管NetApp在开拓市场方面有一些错误的开端,但他说,这些尝试让NetApp清楚地知道了哪些是奏效的,哪些是不成功的。
McDowell说:“NetApp在将Astra推向市场方面采取了一种非常有针对性的、经过客户验证的方法。Astra提供了IT部门部署容器工作负载所需的功能,它提供了一种集成的管理体验,使存储和Kubernetes可以相互感知。我认为,部署Astra的NetApp客户会很满意。”
NetApp公有云服务产品管理副总裁Eric Han回应了McDowell的这些观点称,备份、克隆、灾难恢复、数据生命周期操作、数据优化、合规性和安全性对于运行Kubernetes应用的企业来说,都是至关重要的功能。
“这些挑战加在一起增加了复杂性。这与Kubernetes让应用开发和部署更简单、更快、更灵活的目标是相互矛盾的,而后者正是NetApp Astra有望实现的愿景。”
McDowell表示,NetApp Astra的发布让NetApp与竞争对手Pure Storage一起成为了云原生存储市场的领导者,后者通过去年收购的Portworx达到了这一目标。但是他说,两家厂商都需要充分利用这一领先优势,因为其他厂商很可能会在未来几个月内推出他们的解决方案。
McDowell说:“这个市场中的每个人都必须有解决容器数据管理问题的方法,这将成为一个重要赌注。我预计随着市场争相满足这一需求,今年将是竞争相当激烈的一年。”
Constellation Research分析师Holger Mueller表示,他也希望有更多解决方案来解决这个问题。“可移植性的关键在于数据,而数据却无法被轻松、快速、频繁地移动。这标志着生态系统的迅速成熟,像NetApp这样以前是存储厂商的公司,正在致力于解决Kubernetes工作负载的数据可移植性问题。”
NetApp表示,NetApp Astra现在已经在Google Cloud上可用,而且很快会在AWS、微软Azure和本地环境中得到支持。
好文章,需要你的鼓励
TPU与GPU之间的竞争正在重塑AI硬件市场格局。GPU基于并行处理,能处理多样化任务,而TPU专门针对张量矩阵运算进行优化。谷歌TPU采用类似RISC的设计理念,通过限制功能来提升特定运算效率。随着Meta计划在2027年采购数十亿美元的TPU芯片,Anthropic宣布使用百万TPU训练Claude模型,TPU生态系统正在获得发展动力,对英伟达的GPU霸主地位构成挑战。
Meta与华盛顿大学联合研究团队开发出无需人类标注的AI评判官自我训练框架。该方法通过生成合成对比数据、自我判断筛选和反复学习,使110亿参数的AI评判官在多项视觉语言任务中超越GPT-4o等大型模型,成本仅为传统方法的1%,为AI自主学习和评估开辟新路径。
本文提出2026年AI发展十大预测,包括AI估值修正、投资泡沫持续、AGI不仅依赖大语言模型、AI代理将加剧工作替代等。作者强调社会接受度对技术发展的重要性,认为成功企业将重构运营模式以AI为核心,同时指出政府仍将重视STEM教育而忽视社会科学的价值。
华中科技大学团队开发出4DLangVGGT技术,首次实现AI系统对4D动态场景的语言理解。该技术突破传统方法需要逐场景训练的限制,能跨场景通用部署。系统结合几何感知和语义理解,不仅能识别物体还能描述其时间变化过程。实验显示在多项指标上超越现有方法1-2%,为机器人、AR/VR、智能监控等领域提供重要技术支撑。