Dell Technologies 今天发布了其分解式基础设施策略,旨在为企业提供将传统三层架构的灵活性与超融合基础设施(HCI)的简便性相结合的“双赢”方案。
在本周拉斯维加斯举行的 Dell Technologies World 之前的媒体简报会上,Dell Technologies 基础设施集团高级副总裁 Varun Chhabra 阐述了公司如何改进其核心数据中心产品组合,以满足从人工智能(AI)到传统企业应用等现代工作负载的需求。
这一举措针对了客户的一个关键痛点:不断变化的工作负载组合——既有传统的虚拟机(VM)和数据库,也有容器、裸机 AI 和边缘计算等新型工作负载——往往会给现有的基础设施模型带来压力。
例如,虽然三层架构通过独立扩展计算、网络和存储提供了灵活性,但通常这种模式需要依赖多个供应商,这使得维护变得复杂,容易产生技术债务,同时部署流程冗长、升级耗时。
而超融合基础设施可以通过整合计算、存储和网络简化运营;然而,这也使企业被锁定在单一的虚拟机监控程序中,从而在面对不断变化的业务需求时限制了灵活性。
Chhabra 表示:“我们从客户那里听到,他们所期望的是一种分解式基础设施模型,它真正将 HCI 的简便性与三层架构的灵活性融合在一个模型中。”
Dell 分解式模型的核心是全新的 Dell Private Cloud,该产品设计上旨在提供类似设备的用户体验,同时通过开放生态系统和简化的基础设施生命周期管理实现灵活性。
Chhabra 指出:“Dell Private Cloud 是为分解式世界而构建,给予客户灵活性,使他们能够挑选符合需求的最新 Dell 计算、网络和存储解决方案。同时,它也为他们提供了开放生态系统的选择,使客户可以选择合适的虚拟化或云生态系统。”
依托于 Dell 自动化平台,Dell Private Cloud 将为主流云服务和虚拟机监控程序提供经过验证的基础设施蓝图。公司估计,与手动部署相比,此举可将部署私人云的步骤减少多达 90%,并在大约 2.5 小时内交付适合工作负载的集群。
在数据保护方面,Dell 同时推出了 PowerProtect Data Domain 全闪存设备。Chhabra 指出,该设备在性能和效率上都实现了显著提升,例如数据恢复速度可提高至原来的四倍,而数据复制则快两倍。
Chhabra 称:“这一切在功耗降低 80% 和机架空间利用率降低 40% 的情况下,使其成为客户数据中心确保高性能、高效率下实现网络安全韧性的完美补充。”
作为补充,PowerScale 网络安全套件也通过集成 AI 驱动的勒索软件检测、隔离式存储金库以及改进的灾难恢复能力得到了增强,同时这些功能可与诸如 ServiceNow 等现有的事件响应应用整合。
针对边缘环境,Dell 的 NativeEdge 平台也迎来了更新,包括对第三方硬件的支持、虚拟机导入功能以及诸如主动安全漂移控制等增强型安全特性。公司表示,这些改进能够节省多达 79% 的边缘基础设施部署和管理时间。
此外,Dell 还增强了其面向 Nvidia 环境的 AI 数据平台,以便为客户简化 AI 的采用。该平台提供了一个集成机架,将 Dell 的基础设施与数据引擎和 Nvidia 的代理智能工具包等诸多功能融合在一起。
Chhabra 总结道:“Dell AI 数据平台并非一刀切的解决方案。它基于分解式架构构建,使企业能独立扩展计算、存储和网络,并分别处理这些资源,从而使客户能够根据需要定制平台,比以往任何时候更快地实现 AI 转型。”
好文章,需要你的鼓励
在技术快速发展的时代,保护关键系统越来越依赖AI、自动化和行为分析。数据显示,2024年95%的数据泄露源于人为错误,64%的网络事件由员工失误造成。虽然先进的网络防御技术不断发展,但人类判断仍是最薄弱环节。网络韧性不仅是技术挑战,更是人员和战略需求。建立真正的韧性需要机器精确性与人类判断力的结合,将信任视为战略基础设施的关键要素,并将网络韧性提升为国家安全的核心组成部分。
南洋理工大学团队开发了Uni-MMMU基准测试,专门评估AI模型的理解与生成协同能力。该基准包含八个精心设计的任务,要求AI像人类一样"边看边想边画"来解决复杂问题。研究发现当前AI模型在这种协同任务上表现不平衡,生成能力是主要瓶颈,但协同工作确实能提升问题解决效果,为开发更智能的AI助手指明了方向。
自计算机诞生以来,人们就担心机器会背叛创造者。近期AI事件包括数据泄露、自主破坏行为和系统追求错误目标,暴露了当前安全控制的弱点。然而这种结果并非不可避免。AI由人类构建,用我们的数据训练,在我们设计的硬件上运行。人类主导权仍是决定因素,责任仍在我们。
360 AI Research团队发布的FG-CLIP 2是一个突破性的双语精细视觉语言对齐模型,能够同时处理中英文并进行精细的图像理解。该模型通过两阶段训练策略和多目标联合优化,在29个数据集的8类任务中均达到最先进性能,特别创新了文本内模态对比损失机制。团队还构建了首个中文多模态评测基准,填补了该领域空白,为智能商务、安防监控、医疗影像等应用开辟新可能。