Sardina 希望通过价格优势,将仍在使用 SUSE Enterprise Storage (SES) 的用户吸引到 FishOS 平台上——无论存储容量多大,每个核心的许可费仅为 1 欧元。
Sardina Systems 自 2014 年起推出其 FishOS 云管理平台,该平台整合了 Openstack、Ceph 和 Kubernetes。此次推出特殊的 1 欧元优惠正是针对 SUSE 正在逐步退出 Ceph 存储市场这一趋势。
2020 年,SUSE 收购了 Kubernetes 领域的知名公司 Rancher Labs,不久后在 2021 年初,SUSE 决定取消其基于 Ceph 的 SUSE Enterprise Storage 产品。SUSE 退出 Ceph 存储领域的步伐仍在继续:Sardina 指出了一封近期在 Ceph 用户邮件列表中出现的邮件,该邮件中不仅提到了 openSUSE 中 Ceph 客户端维护者退任的消息,还对 SLE 客户发布了如下公告:
9.3 ceph client 包已被废弃,并将在 15 SP7 中移除
Ceph 是一款开源存储工具,正如 Register 的姊妹网站 Blocks & Files 经常报道的那样。最直观的理解是,可以将 Ceph 看作是 RAID 在广域集群中的延伸:RAID 能够将一台机器上的多个硬盘组合成一个更大的虚拟硬盘,而 Ceph 则通过将多台存储服务器集成为一个存储池,为您的网络提供存储支持。Ceph 的一大优势在于,这些服务器并不需要集中放置在同一地点——它们可以分布在一个国家、一个大陆,甚至全世界各地。
SUSE 曾尝试推出一款名为 Aquarium 的基于 Ceph 的更简化替代存储工具,但该方案未能获得市场青睐,其 Github 仓库也已于 2023 年归档。目前,SUSE 的存储产品仅面向 Kubernetes 用户。
SUSE 发言人在一份声明中告诉 The Register: “SUSE Storage 是 SUSE 目前推出的存储产品,基于 Longhorn 项目,代表了一种面向未来、容器原生的进化方向。它取代了已结束生命周期的 SUSE Enterprise Storage——后者是一种更传统、范围更广的软件定义存储解决方案。SUSE 正与所有客户共同努力,为其当前和未来的软件定义存储需求寻找最佳解决方案。”
当然,还有其他几家公司也乐意为您提供类似的存储产品——但价格却远不便宜。这毕竟是企业级产品,其官网通常不会公开标价。如果您是规模足够大的客户需要此类产品,价格谈判往往会从“您心中预期的金额是多少?”等问题开始。
Red Hat 更侧重于竞争对手 Gluster 存储技术,其费用大约为每节点每年 4,500 美元。Red Hat 也提供 Ceph 产品,但对于 12 个节点来说,年费用大约在 32,000 美元左右。
相比之下,每节点 1 欧元的价格显得十分划算。FishOS 看起来完全能满足需求;我们也发现了一些正面的评价。Sardina 的公告中提到了一个涉及德国云服务供应商 Grass-Merkur 的案例研究,OpenInfra Foundation 也对此给予了积极报道。Sardina 过去曾在平台停运之际提供迁移支持,例如,当以色列初创公司 Stratoscale 数年后关闭业务时,Sardina 就主动协助客户迁移至 FishOS。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。