ZDNet至顶网软件频道消息:就在上个月末,AWS推出了一套面向VMware vCenter的管理门户,旨在管理虚拟化数据中心。AWS还集成了单点登录机制并在其管理门户中结合了与vCenter相统一的外观与使用感受。AWS的vCenter管理门户现在已经在vSphere应用程序当中提供下载与安装。
随着这套方案的出台,AWS应该能够更轻松地构建起混合数据中心。最终,虚拟机向AWS EC2的迁移难度将大大降低,从而让更多企业加入到实施云实验方案的阵营中来。
AWS此举到底有多重要?从VMware方面的反应来看,Amazon的管理控制台明显触动了对方的神经。在一篇博文中,VMware公司CTO Chris Wolf表示AWS的vCenter控制台可能会让云架构方面的问题变得更加复杂。
Wolf在文章中写道:Amazon公布了面向vCenter的AWS管理门户。该工具能够帮助管理员将虚拟机导入Amazon环境并通过Vmware vCenter执行基本管理任务。
然而正如我之前所说,虚拟机是整个体系中处理难度最低的环节。考虑到管理工作的依赖性以及与第三方方案的集成效果,如果大家希望把这些工作负载迁移或者单纯运行在其它AWS尚未涉足的实例当中,例如外包环境、其它云服务供应商或者自有数据中心当中,各位可能会发现由迁移或者全新部署所带来的成本及复杂性将远远超乎想象。
该服务堆栈可能会被限定配合专有API,而且全部或者大部分第三方管理以及操作软件都必须被替换下来。有鉴于此,大家将面临沉重的全新疑难问题而且很可能需要重新采购相关产品。
Wolf随后还表示,客户应当对AWS门户的战略价值提出疑问,其中第三方集成、软件许可、工作负载可移植性以及调控手段都将成为考量的重点。
换句话来说,VMware认为AWS的门户方案有可能破坏现有解决思路。
曾经将自家CloudMapper应用程序迁移为云工作负载的ScienceLogic公司表示有话要说。该公司CTO Antonio Piraino指出,AWS此举可谓正中VMware用户的下怀,而各虚拟化厂商自然也感受到了由此带来的巨大威胁。Piraino认为,这套混合管理工具真正给企业用户提供了将工作负载迁移至AWS的理由。与Wolf一样,Piraino也强调了从VMware环境将工作负载迁移至AWS所面临的复杂挑战。不出意外,Piraino旋即将话题转移到了CloudMapper身上。
总结来讲,AWS有可能像挤占其它大型技术企业市场份额那样给VMware带来沉重打击。在计算与存储任务不断涌向云厂商环境中的过程中,硬件成为了阻碍这一趋势的绊脚石。VMware并不是一家硬件厂商,但该公司需要确保自己的软件切实运行在其它售出的设备之上。
瑞士信贷公司分析师Kulbinder Garcha指出:关键因素在于,Amazon工作负载可以在内部环境中创建而后迁移至外部环境,这就大大降低了企业用户对自有资源的需求量。很明显,这一特性平衡了内部与外部之间的互操作性,而且需要在实践过程中发挥效力;但它也让我们看到了AWS给传统IT支出与定价机制带来的破坏性影响。
AWS在持续创新、规模增长以及价格削减方面作出了大量努力,这与前景黯淡的IT支出形成了鲜明的对比。我们担心Amazon的产品会不断挤压传统IT供应商借以生存的市场空间,并在无声无悄之间夺取大量IT预算。
Garcha同时补充称,AWS虽然对IBM、思科、惠普以及NetApp来说威胁更大,但EMC、也就是VMware的母公司同样面临着巨大压力。
VMware公司vCloud混合服务副总裁兼首席技术专家Simone Brunozzi对Garcha的说法则并不买账。Brunozzi曾经供职于AWS,他在见识到公有云方案的局限性之后毅然将全部精力投入到了混合数据中心方案领域。他还指出,VMware拥有良好的发展前景、因为这家公司能够在简化依赖性以及实现公有与私有云间互操作性方面扮演重要角色。
现实情况是,VMware与AWS都拥有可观的未来发展空间。不过这两位也可能以云管理工具为导火索、在某些特定领域发生碰撞。
总结来讲:AWS对于VMware来说确实是一种威胁,而后者的最佳战术则是让混合数据中心具备胜过公有云的精简化优势。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。