如果问今天的企业级市场有哪些风口,超融合应该算其中之一。根据IDC全球融合系统季度追踪报告显示,2017年第三季度全球融合系统市场收入同比增长10.8%达到29.9亿美元,新出货存储容量为1.96EB,同比增长30%。这个数字虽然落后于同期服务器的销售(同样是IDC的数据:2017年第三季度全球服务器市场的厂商收入同比增长19.9%达到170亿美元)。不过,其中的超融合市场依然表现靓丽,同期超融合系统销售同比增长68%,销售额为10亿美元,继续保持强劲的增长态势。
超融合市场的这一表现并不令人意外。这些年来,在Nutanix、SimpliVity、VMware等厂商的带领下,超融合逐渐被认可开始进入主流市场,市场也一直在增长过程。
市场成长的背后是超融合提供的一种更为简化的部署和运维方式。本质上,超融合提供的是一种有别于传统存储的更高效的存储方式,让存储贴近计算,从而大幅改善用户体验。由于超融合将硬件和软件整合到一个设备,并同时提供网络、计算和存储等多种功能,在大幅降低投资的同时简化了管理和运维,并且高度可扩展,因而受到了市场的广泛认可。
因超融合而成名的Nutanix去年上市,目前还处于亏损之中。不过,投资者很看好。因为其2017财年第四季度创下新高,收入达到2.261亿美元,超出了上个季度2.15-2.2亿美元的收入。另一个超融合的主要厂商VMware的VSAN这几年也进入高速增长。
受到这些厂商的鼓励,这两年在中国市场超融合设备有如雨后春笋般出现。除了国际大厂,如Nutanix、新华三/HPE、戴尔/EMC、VMware之外,中国几乎所有服务器厂商和大多数存储厂商今天都有超融合设备。实际上,这年头做数据中心硬件设备的没有超融合设备都不好意思在圈子里混。
其中一个重要原因在于大家看好这个市场。超融合一个主要的应用场景是取代传统存储。由于初期用户还有担心超融合的可靠性,但至少作为备份存储是完全可行的,其实这是很多存储厂商做超融合的主要原因之一,也是今天很多真正下单的超融合设备的主要应用场景。不过,对那些志存高远的超融合厂商而言,超融合是希望要作为云平台存在的,而不是只是做存储,这个以Nutanix最为典型。这两年Nuntanix一直在淡化对其超融合的定位,而取而代之以新一代云平台。不过,相较于第一类应用场景,这个要求用户高度认可厂商的理念,更多的适用于全新的应用系统。同时,对厂商的要求也会更全面,不止是有超融合软件能力,还需要有云平台的管理和整合能力。另外有必要指出的是,对于超融合到底能多大程度上取代现有IT架构,用户还心存疑虑,从这个角度说,超融合的市场普及工作还有必要。
超融合设备繁荣的另一个原因在于超融合设备的"低门槛"。之所以说低门槛是因为随着开源软件的流行,一些厂商可以基于开源软件(比如Ceph/Gluster)来搭建自己的超融合一体机,这个门槛并不高,难的是系统的优化以及满足客户的定制化能力。实际上,在市场的确有不少超融合设备就是这样出炉的。专家提醒,由于这类开源原本并不是专门为超融合设备而设计的,因此在能力上有天生不足,比如在系统整体性能上和一些更高级的用户定制功能(比如秒级 RPO 的异步复制)上都需要优化。有鉴于此,用户在采购超融合设备时有必要考察厂商的技术实力。即使是从开源软件起步,也只有真正具有技术实力的厂商才能"玩得转"超融合。
实际上,已经有业内人士指出,随着厂商纷纷进入超融合市场,市场面临洗牌,这个时间也不会太远。因为这个市场容不下这么多厂商。根据IDC的数据,尽管市场处于高速成长中,但就整个IT市场而言,全球一个季度10亿美元的销售额并不太高。到洗牌之时,一个真正有技术实力同时能很好地满足用户需求的厂商生存下来的可能性无疑会高得多,而仅仅是站在"风口"是不够的。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。