有Dell EMC合作伙伴表示,Dell EMC的重组举措肯定会给与竞争对手思科合作的Vblock融合基础设施关系带来压力。
有合作伙伴表示,重组本质上使戴尔处于一个更加强大的地位,将服务器、存储和网络产品紧密捆绑在一起,向思科发起挑战。
周四获悉,Dell EMC将结束其融合平台和解决方案部门的运营,并将超融合和融合基础设施团队转移到戴尔的核心服务器和存储业务部门。Dell EMC的HCI和高性能计算团队正在转移到服务器部门下,而其融合基础架构团队将成为Dell EMC核心存储部门的一部分。
位于辛辛那提的RoundTower Technologies,是一家与思科和Dell EMC有合作关系的解决方案供应商,该公司执行经理Rob Steele表示,重组可能会导致更多的戴尔服务器、存储和网络产品在VX产品线上进行整合。
RoundTower基础设施业务负责人Steele表示:“你将会看到VX产品线将会有更多戴尔的技术和产品。戴尔的网络产品线也是如此。我知道VxRack已经基本上主要是戴尔的硬件。他们仍然有思科的架顶式交换机,但是未来很可能就看不到了。”
融合基础设施Vblock解决方案是由VMware、思科和EMC VCE子公司在2009年共同开发的,是基于VMware虚拟化、思科计算和网络、以及Dell EMC存储作为一种预打包的融合平台。
有解决方案提供商表示,虽然思科和戴尔在2016年戴尔以670亿美元收购EMC之后承诺或会保持VCE合作关系,但Dell EMC现在在完成复杂整合、作为一家合并公司的方面迈出了一大步。
位于美国马萨诸塞州沃尔瑟姆市的Winslow Technology Group,是Dell EMC的大型合作伙伴公司,该公司总裁Scott Winslow表示:“他们继续销售Vblock解决方案,这是一个以思科为中心的解决方案,但我认为很可能他们正在用自己的IP和可能不同的SKU来增强这个解决方案。”
截至记者发稿时,思科没有回应做出评论的请求。
Dell EMC策略和计划高级副总裁Matt Baker表示,重组是为了精简和改进公司构建和交付系统的方式。Baker否认此举会影响与思科的关系。
Baker表示:“这并不意味着我们与思科的关系和/或者思科在我们融合基础设施系统中的重要性将会发生任何变化。”
作为重组的一部分,Dell EMC存储部门高级副总裁兼总经理Jeffrey Boudreau现在将负责融合基础架构产品组合以及Dell EMC与思科的合作关系。网络业务负责人Tom Burns将领导VxBlock和Vscale产品的运营和研发。目前,Vscale利用思科LAN和SAN交换机以及可选的软件网络技术。
总体而言,有合作伙伴表示,内部重组显示Dell EMC的新基础设施领导者、产品和运营副董事长Jeff Clarke正在开始崭露头角。
Winslow表示:“我们开始看到Jeff正在进行第一波举措。他非常清楚,他所做的这些是为了简化投资组合、创新和上市时间,这是他希望承担新职责之后给公司留下的印象。他正在将超融合产品——VxRail、VxRack、XC系列——调整到服务器部门,他为什么要这样做?共同之处在于,所有这些解决方案都是由Dell PowerEdge服务器驱动的,这是底层技术。这是有道理的,是符合逻辑的……我看到Jeff正在做的事情。”
位于纽约州霍尔布鲁克的解决方案提供商Future Tech首席执行官Bob Venero表示,他认为重组将消除两家公司之间的“模糊的界限”。他说:“这确实有助于确定你应该参与哪些部门和哪些部门合作,我认为这将是推动超融合销售的关键。”
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
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。
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。
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。