两年前我们曾评测过VirtualZ公司的Lozen IBM大型机数据访问产品和PropelZ大型机数据提取产品。如今该公司又推出了两款新产品FlowZ和Zaac,并开始探讨人工智能与大型机数据的结合。是时候再次关注这家公司了。
大型机存储着大量高价值数据,其中部分数据需要贡献给企业的通用数据池,以便x86服务器、GPU服务器和云处理实例能够利用这些数据。Lozen可实现对IBM z大型机数据的实时、读写、点对点访问,而PropelZ则可一次性复制Z系统中的结构化数据,并传输至本地或公有云数据库。两款新产品扩展了VirtualZ的产品组合,FlowZ可将大型机存储的文件移动到目标本地或公有云目的地,Zaac则通过外部SAN或公有云扩展大型机存储容量。
让我们详细了解一下这两款产品。
FlowZ产品特性
通过FlowZ,大型机与本地X86服务器/公有云应用程序可以实现双向文件(非结构化)数据访问。大型机用户可以打开、关闭、读取和写入这些文件,无需编写额外代码。管理员在JCL中配置输出文件名,FlowZ会透明地将本地大型机文件操作映射到外部存储。
这可以支持以下功能:
无需暂存的云备份
分布式团队/混合应用程序的文件共享
为AI训练/推理提供非结构化数据
替代FTP/手动流程以满足合规/归档需求
Zaac产品特性
该软件驻留在大型机中,充当大型机应用程序的双向网关,将本地NAS/SAN和云块存储呈现为本地DASD(直接访问存储设备,即磁盘或SSD)或磁带。这意味着大型机应用程序或外部应用程序可以快速启动并使用它。与购买额外大型机容量相比,这种方式成本显著更低,配置速度也更快。VirtualZ表示,它可以"将实时大型机数据输入AI管道和混合分析平台"。当这些外部应用程序将数据存储到Zaac存储中时,大型机应用程序可以像访问本地数据一样访问这些数据。
Zaac软件可在几分钟内安装到Z系统上,无需更改应用程序软件,并且与公有云无关,支持AWS S3、Azure Blob或Google对象存储。它使大型机应用程序能够直接访问云原生数据、AI生成的数据集或外部来源的数据,支持无中介的读写操作。大型机应用程序通过标准JCL或API与外部数据交互,将远程存储视为本地存储。
数据实时双向流动,内置zIIP卸载优化以最小化MIPS成本。Zaac支持无限制的LPAR(虚拟大型机分区)和站点,配备云无关驱动程序以实现无缝集成。
Zaac这个名称来源于Z(IBM Z大型机)以及其提供对任何数据、云或平台访问的目标。
VirtualZ表示,FlowZ和Zaac都可以为AI管道贡献大型机数据。
补充信息
VirtualZ已经完成六轮融资,总计筹集约700万美元。该公司在2023年10月(270万美元)和12月(220万美元)筹集了490万美元,用于帮助开发FlowZ和Zaac产品并扩建销售团队。2024年8月又筹集了210万美元,用于研发、团队扩展,以及扩大运营规模以满足混合云集成日益增长的需求。
其竞争对手包括2023年4月收购Model 9的BMC Software,以及初创公司Geniez。
Q&A
Q1:FlowZ产品的主要功能是什么?
A:FlowZ可以实现大型机与本地X86服务器/公有云应用程序的双向文件数据访问。大型机用户可以打开、关闭、读取和写入这些文件,无需编写额外代码。主要支持无需暂存的云备份、分布式团队文件共享、为AI训练提供非结构化数据,以及替代FTP流程满足合规需求。
Q2:Zaac软件如何帮助大型机扩展存储容量?
A:Zaac软件驻留在大型机中,充当双向网关,将本地NAS/SAN和云块存储呈现为本地DASD或磁带。它支持AWS S3、Azure Blob或Google对象存储,使大型机应用程序能够直接访问云原生数据和外部数据,实现实时双向数据流动,成本比购买额外大型机容量更低。
Q3:VirtualZ公司的融资情况如何?
A:VirtualZ已完成六轮融资,总计筹集约700万美元。2023年10月和12月筹集了490万美元用于开发FlowZ和Zaac产品,2024年8月又筹集了210万美元用于研发、团队扩展和运营规模扩大。其主要竞争对手包括BMC Software和初创公司Geniez。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。