现在真的是群雄乱战云计算啊,今天又有一些关于云的新鲜事儿。
红帽(Red Hat)宣布其PaaS(Platform-as-a-Service)云平台OpenShift开始支持微软的.NET和SQL Server,原因很简单,因为红帽发现几乎每一个企业级用户环境里或多或少都存在一些.NET。
在这之前,OpenShift的主要竞争对手是Pivotal的Cloud Foundry和Rackspace的Solum,但就在前几日IBM、HP、SAP以及Rackspace都加入了Cloud Foundry的基金会,再加上Pivotal的母公司VMware和EMC,羽翼已丰。看着昔日差不多处于同一起跑线的对手开始慢慢朝前远去,这让红帽情何以堪?
当然OpenShift支持.NET和SQL Server也许是逼不得已,因为Cloud Foundry早在几年前就已经开始支持。这不管是对红帽还是其用户而言,都显得意义重大。而对于微软而言,可能其更加想要的是红帽的RHEL认证,可惜……不过微软最近似乎没空想这事儿,因为其正在英国大张旗鼓地宣传Cloud OS。
Cloud OS尽管名字不那么“高大上”,其功能还是比较丰富的,也比较接地气。至少看起来比SAP最新推出的“HANA云平台”更容易获得。HANA云平台号称拥有10PB RAM,怎么看都觉得很“高帅富”,其价格自然也不菲。
据称,HANA云平台提供四种硬件配置,最低配置128GB RAM和1.28TB存储空间,每月费用1595美元。最高可配置1TB内存,但价格也水涨船高——每月6495美元。这其中不包括软件的授权费用。如果已经购买了软件许可,可直接在HANA云平台使用。
再来看看另外一个销售“高帅富”产品的公司——VCE,据国外同行报道,VCE未来将添加全闪存阵列Whiptail、Nexus 9000和EMC ViPR到vBlock产品中去。不过VMware、EMC和思科这三家公司的关系就有点乱了……
在软件定义存储方面,EMC有ViPR,VMware有vSAN;在软件定义网络方面,VMware有NSX,思科有ACI;在全闪存方面,思科有自己的全闪存阵列供应商Whiptail,EMC有XtremIO;在服务器闪存卡方面,思科和EMC都有各自产品线……贵圈真的很乱!
看来闪存确实是大势所趋,进入数据中心指日可待。最近东芝就宣布,已经开始试水全闪存数据中心,并在日本三鹰市构建了一个中等规模的数据中心,全部180个机架,共73PB存储容量转换为闪存。据称节省了近一半的物理空间,并降低了40%的能耗。
当然全闪存数据中心的概念,Fusion-io也提过,不过其是为了卖闪存产品,尽管从各方面来算,闪存优势已经开始体现了,但仍不是人人都用得起的。比如OpenText将其云产品带到澳大利亚,并购买30个机架设备构建本地数据中心以降低访问延时。我敢打赌,这肯定不是一个全闪存数据中心,成本还是比较重要滴。
说起数据中心成本,那做到极致的无疑是谷歌和Facebook,不过有消息传出,Twitter也开始效仿这一行为,其CTO将到访台湾,并约见广达、富士康以及英业达等ODM,这无疑是要定制服务器的节奏。
说起定制,可能OEM心里满满都是伤。因为用户根据实际需求自行设计服务器,然后绕过OEM,直接向ODM下单生产,OEM们损失都是钱啊。话说自行设计服务器,可不像DIY电脑那样简单,而是一群极客工程师们自行设计各种组件,甚至可能还会动用到车床。在本文的最后,就来看看Facebook工程实验室的工程师都是怎样设计服务器的。
好文章,需要你的鼓励
科技巨头IBM今日宣布推出新的区块链数字资产平台,专为金融机构和受监管企业设计。该平台名为"数字资产避风港",将为银行、企业和政府提供比特币、以太坊、稳定币和代币化资产的安全管理服务。平台由IBM与数字钱包基础设施提供商Dfns合作开发,支持超过40个公链和私链的全生命周期管理,并集成第三方身份验证和反洗钱合规工具。
上海AI实验室等机构联合提出FrameThinker框架,革命性地改变了AI处理长视频的方式。该系统采用"侦探式"多轮推理,先快速扫描全视频获得概览,再有针对性地深入分析关键片段。通过两阶段训练和认知一致性验证,FrameThinker在多个视频理解基准测试中准确率平均提升10.4%,计算效率提高20倍以上,为AI视频理解领域带来突破性进展。
机器人可执行多种任务,但每个动作都需要专门训练,难以适应现实场景。Mbodi开发了云边混合计算系统,利用多个AI智能体协作,帮助机器人更快学习任务。用户可用自然语言下达指令,系统将任务分解为子任务并快速训练机器人。该公司入选TechCrunch Disrupt 2025创业大赛20强,目前专注于拣选包装领域,正与财富100强企业合作概念验证项目。
复旦大学团队创建MedQ-Bench基准,首次系统评估AI模型医学影像质量评估能力。研究覆盖五大成像模式,设计感知-推理双层评估体系,意外发现医学专用AI表现不如通用AI。结果显示最佳AI模型准确率仅68.97%,远低于人类专家82.50%,揭示了AI在医学影像质控应用中的现实挑战和改进方向。