今儿帝都天气不错,蓝天蓝天,谁一贱你就笑?
作为一个严肃的业内新闻点评栏目,我为过去一周里多次提及微软、VMware并牵连到亚马逊AWS而感到……没办法,谁让这几家近来分外活跃呢。
这不,VMware刚刚宣布,在主机托管商Carpathia的帮助下,通过了美国政府的FedRAMP(Federal Risk and Authorization Management Program,联邦风险和授权管理程序)的认证,从而可以推出基于vCHS(vCloud Hybrid Service)的vCloud政府服务(vCloud Government Service)。AWS很早就具备了FedRAMP的资质,微软Windows Azure大约在半年前加入,HP也有,而Google和Rackspace还没有。据IDC预测,今年美国联邦私有云的支出就会超过17亿美元。
作为众矢之的,AWS继续稳坐钓鱼台,由Red Hat出面宣布,其Red Hat Enterprise Linux(RHEL)现在可用于AWS GovCloud(美国区域)。微软,你在看嘛?(参见2月28日的“今日至顶”)
微软可能还真没顾得上看,新任CEO纳德拉着手重组核心团队,产品部门忙着加入社交功能。本周召开的微软SharePoint 2014大会上,微软介绍了Office Graph,并引入代号为“Oslo”的应用,借鉴社交网站的方式,加强员工协作。在这里,不要试图摆脱同事们哦!
Google也不是没有收获。默多克旗下新闻集团的澳大利亚分部抛弃了微软Outlook,将在接下来6个月内改用Google Mail和Calendar,据悉每年的许可费用约70万美元。更换的原因?应该和邓文迪发错邮件没啥关系……新闻集团在澳洲的竞争对手Fairfax Media在2012年就做了类似的事情。
玩软件的在云上这么活跃,搞硬件同样没闲着。目前硬件圈里,能博得几乎所有人认同的,大概只有SSD(固态盘)了。硬件嘛,首先拼的就是硬功夫。Nimbus Data最近发布的Gemini X系列全闪存阵列,在2U机架内提供96TB容量。单从这个密度来看没啥,Skyera去年发布的SkyEagle,1U就可以提供500TB的容量——虽说今年下半年才能GA吧。
Gemini X系列的特点在于,用24个4TB固态盘做到了这一点。目测固态盘的规格是2.5英寸,不管接口是不是PCI Express(从带宽考虑颇有可能),2.5英寸规格能提供4TB容量,是硬盘都还没做到的啊。
独立的固态盘(SATA/SAS/PCIe)厂商现在日子都不好过,全闪存阵列领域的众多初创公司却颇为活跃,混合阵列又是其中的新贵。混合阵列初创公司Nimble Storage正在准备IPO,其2014财年第四季的营收环比翻番,亏损的增长幅度只有30%,前景可期的样子。
有活力的领域,对人才也更有诱惑力。尽管IPO之后的表现有点儿麻绳拎豆腐,全闪存阵列先锋厂商Violin Memory还是从EMC挖来了Eric Herzog(企业级和中端系统部营销SVP,负责VMAX、VNX和VNXe),担任CMO和业务拓展SVP,直接与老东家的XtremIO竞争。
更值得关注的人员变动是2012年12月辞去Dell企业存储VP职务的Darren Thomas,加入Micron(美光)担任存储业务部VP。闪存大厂弄潮企业存储已是大势所趋,传统存储厂商高管的经验正是他们所需要的。
Open Networking Summit仍在举行,NEC推出了一款“控制器的控制器”产品。SDN控制器大家都很熟悉——NEC在2011年就进入了这个市场,而控制器的控制器听过的人可能就没几个。新产品的名称为UNC(Unified Network Controller,统一网络控制器),它可以控制十台OpenFlow控制器,并且它们可以分散在多个数据中心之中。
好文章,需要你的鼓励
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
谷歌发布基于Gemini 3的快速低成本模型Flash,并将其设为Gemini应用和AI搜索的默认模型。新模型在多项基准测试中表现优异,在MMMU-Pro多模态推理测试中得分81.2%超越所有竞品。该模型已向全球用户开放,并通过Vertex AI和API向企业及开发者提供服务。定价为每百万输入token 0.5美元,输出token 3美元,速度比2.5 Pro快三倍且更节省token用量。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。