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
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
Google DeepMind最新研究发现,视频生成AI模型Veo 3展现出惊人的零样本学习能力,能够在未经专门训练的情况下完成图像分割、边缘检测、迷宫求解等多种视觉任务。研究团队通过18,384个视频样本验证了这一发现,认为视频模型正朝着通用视觉智能方向发展,可能引发类似大语言模型的行业变革。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
北航团队开发的GeoSVR技术突破了传统3D重建方法的局限,采用稀疏体素表示和体素不确定性评估,无需依赖初始点云即可实现高精度表面重建。该方法通过智能的深度约束和体素协同优化策略,在DTU等标准数据集上取得了最佳性能,为VR/AR、文物保护、影视制作等领域提供了新的技术选择。