SUSE虽然没有获得Red Hat Enterprise Linux(RHEL)或Canonical Ubuntu那样的成绩,但它仍然是一个很好的Linux服务器发行版。现在,SUSE在服务器数据中心中又迈出了一步,即将于7月中旬发布SUSE Linux Enterprise Server(SLES)15。

届时SLES 15将在x86-64、ARM、IBM LinuxONE、POWER和z Systems上推出。因此,无论你的首选服务器架构是什么,SUSE都可以与你合作。
与此同时,SUSE还将以SLES 15作为多模式操作系统。它将把基于云的平台与企业服务器集成在一起,把容器化的开发与传统开发相结合,把传统应用与微服务相结合。
SUSE通过在环境中使用"公共代码库"在SLES中做到这一点,并为你的目的添加适当模块。
其中一些只是品牌重塑。例如和以前一样,SUSE Linux Enterprise Desktop(SLED)由核心遗留代码库和桌面代码库组成的。但不止于此。例如,对于微服务来说,你使用SUSE Container as a Service (CaaS) Platform的旧代码库,以及为了私有云添加SUSE OpenStack Cloud。使用这种方法,你还可以在内部服务器和软件定义基础设施(如AWS、Google Cloud Platform以及微软Azure)上使用SUSE Linux Enterprise Bring-Your-Own-Subscription (BYOS)轻松部署SLES。
另外,还有两个其他SLES版本,第一个是SLE High Performance Computing 15,针对x86和ARM架构的全套支持工具,满足了HPC市场不断增长的需求,其中包括slurm工作负载管理器;你选择的mrsh、pdsh或者conman进行集群管理;用于性能监测的神经节。
然后是SLES for SAP Applications。此版本包含无磁盘数据库的非易失性双列直插式内存模块(NVDIMM)支持,以及用于IBM Power Systems增强的高可用性功能。一项名为"工作负载内存保护"的新功能提供了一种基于开源且可扩展的解决方案,以保持SAP应用的高性能水平。
总的来说,SUSE想要做的是打造一个Linux,不仅仅是为了服务器和传统的IT角色,还是为了DevOps和持续集成和开发(CI/CD)。
SUSE首席技术官Thomas Di Giacomo解释说:"随着全球各地的企业将其企业系统转变为拥抱现代化和敏捷技术,这就需要针对不同工作负载和应用的多种基础架构。而这通常意味着将基于云的平台整合到企业系统中,将容器化开发与传统开发相结合,或者将传统应用与微服务相结合。为了弥合传统和软件定义的基础架构,SUSE构建了一个多模式操作系统--SUSE Linux Enterprise 15。"
SUSE正在做一些工作。IDC计算平台高级研究分析师Stephen Belanger写道:"Linux已经成为云计算和现代云本地应用开发的首选平台,以及大多数独立软件开发商的首选开发平台。今天Linux正在被广泛用于托管传统应用和下一代应用,覆盖裸机、虚拟机和基于容器的传送方式托管模式。SUSE Linux Enterprise成为SAP应用、大型机、高性能计算和其他以关键Linux企业级应用为核心的用例的首选。"
最后,SUSE还发布了最新版本的SUSE Manager,在该版本中通过添加新功能构建了其原生服务器管理能力,这样你就可以对基于物联网、云和Kubernetes的容器基础设施使用相同的平台。通过SUSE Manager 3.2,SUSE承诺你可以管理一切,从基于Raspberry Pi的物联网设备到SUSE CaaS Platform的所有内容。
如果你希望在旧IT服务器与现代化的云、容器以及编排功能之间架起一道桥梁,那么一定要看看SUSE的新操作系统家族。
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。