ZD至顶网软件频道消息:去年IBM和VMware建立了战略合作伙伴关系,以促进将VMware环境扩展到SoftLayer共有云中。但是合作伙伴很快失望地发现IBM Cloud for VMware对于渠道来说是个“禁区”。
而本周情况发生了转折,IBM在PartnerWorld Leadership Conference大会上宣布已经授权商业合作伙伴转售此前仅为自己内部服务部门保留的集成混合云方案。
“这确实为合作伙伴开放了一个全新的市场,面向全球所有VMware的装机群,而且还有很多,”IBM Bluemix营销副总裁Meg Swanson在谈到IBM渠道计划变动时表示。
借助VMware自己的vCloud Air公有云逐渐过时,而且与AWS的关系也存在不确定性,IBM的集成代表着VMware唯一的混合云声音。
作为IBM全球增值经销商网络中的云分销商,Avnet现在正在与这些合作伙伴合作利用这套集成解决方案,Avnet高级战略副总裁Sergio Farache这样表示。
Avnet已经提供了自己的工具和白牌服务以帮助合作伙伴在SoftLayer上部署VMware环境,IBM基础设施即服务平台最近被打包到Bluemix品牌下。但是这个过程要比去年IBM专门创建自己的服务部门更繁琐、成本更高。
Farache这样表示,向渠道开放VMware就绪的能力,这将加速我们在SoftLayer裸机基础设施上已经做的事情。
IBM的解决方案通过IBM Marketplace简化了配置,增加了迁移、自动化和管理能力,并集成了计费功能这样合作伙伴就不需要单独去获取许可。
Farache还表示,“IBM是第一家为合作伙伴建立具有这种集成和透明度的完整模式的厂商,的确是对合作伙伴有利的。当然其他厂商也有公布,但并不真的会助力合作伙伴。”
作为行业领导者,AWS在10月宣布与VMware签订合作协议,将VMware的虚拟化技术带入公有云中。但是IBM Cloud for VMware相比AWS的优势是真正地投入市场中,而不是一款没有实际定价、没有正式发布日期的概念性产品,IBM Cloud首席营销官Quincy Allen这样说。
而且IBM的解决方案是与VMware所有工具和接口相兼容的,这是合作伙伴一直呼吁的,Allen说到,“刚开始他们对于无法使用这个方案是感到很失望的。”
与此同时,IBM意识到有全球数千家渠道合作伙伴将会快速扩展在Bluemix上的VMware部署规模。
Allen说,“客户们正在尝试进入云中。这是他们希望做的,但是很快会发现一个事实,那就是他们不只是重新开始,上云的最快方式就是利用你现有的东西。”世界各地的企业都已经拥有的是VMware虚拟化的私有云。
Avnet的Farache表示,合作伙伴希望能够提供满足企业需求的综合混合解决方案,而不是捆绑于特定厂商的。很多专注于私有云的厂商已经开发编排和自动化技术的技术,寻找机会扩展到公有云领域。
“他们对于混合的需求越来越强烈,现在IBM能为他们提供的就是简化这个过程。”Allen表示,解决方案提供商现在可以在几乎任何超大规模云上安装任何软件,正如Avnet此前在VMware on SoftLayer所实现的那样。但是这样一款通过市场售卖、得到正式渠道计划支持的简化产品,激励着合作伙伴在市场中建立真正的价值主张。
最后,Allen认为,对于企业客户来说,IBM凭借着安全、冗余、全球数据中心覆盖的形象让它的混合方案更具吸引力。
好文章,需要你的鼓励
微软将在今年夏季晚些时候推出Windows恢复力计划,著名的Windows蓝屏死机将被新的黑屏替代。这一变化是微软对2024年7月CrowdStrike故障事件的回应,该事件导致约850万台Windows设备瘫痪。作为Windows恢复力计划的一部分,微软正在重新设计Windows代码,让安全软件在内核外运行,以提高系统稳定性和恢复能力,减少因第三方安全软件问题导致的系统崩溃。
香港理工大学研究团队开发了突破性医学AI系统GEMeX-ThinkVG,让人工智能在分析胸片时能像医生一样详细解释诊断过程。该系统不仅能准确回答医学问题,还能标注具体的影像区域并提供完整的推理链条,解决了传统医学AI"黑盒子"问题。通过创新的强化学习训练方法,仅用八分之一数据就达到了传统方法的性能水平,为可解释医学AI开辟了新方向。
随着GPU成为AI工作负载训练和运营的关键,越来越多的云服务提供商开始提供云GPU实例。这为希望避免部署GPU硬件费用和复杂性的组织带来好消息。云GPU实例可按超大规模与专业化提供商、通用与专用实例、共享与独占服务器进行分类。选择时需考虑工作负载类型、GPU类型、成本、延迟和控制级别等因素。
希腊雅典理工大学团队开发CultureMERT-95M多文化音乐AI模型,通过两阶段持续预训练和任务算术方法,让AI系统学会理解希腊、土耳其、印度等非西方音乐传统。该模型在非西方音乐分类任务上提升4.9%准确率,同时保持西方音乐理解能力,为构建更包容的全球音乐AI系统奠定基础。