谷歌今天终于公布了外界期待已久的Google Cloud VMware Engine服务,该服务让客户可以轻松地在谷歌公有云基础设施平台上运行本地VMware应用。
Google Cloud总经理June Yang在介绍这项新服务的一篇博客文章中称,很多客户的IT环境都是基于VMware的,这些客户渴望将他们的VMware工作负载转移到谷歌云中,Google的云中,从而可以更轻松地采用他服务。
Google Cloud VMware Engine服务提供了一个完全托管的VMware Cloud Foundation堆栈,该堆栈由vSphere、vCenter、vSAN、NSX-T和VMware HCX等核心组件构成,托管在谷歌的云基础设施专用环境中。
“这项服务让你可以直接通过Google Cloud Console连接到VMware环境,从而在几分钟之内将本地工作负载迁移或扩展到Google Cloud。你让你可以无缝迁移到云,避免了重构应用的成本或者复杂性,并与本地环境一致地运行和管理工作负载。在Google Cloud上运行VMware工作负载,可以帮助你减轻运营负担,同时让你受益于规模和敏捷性,保持现有工具、策略和流程的连续性。”
Google Cloud VMware Engine已经酝酿有一段时间了。去年夏天,谷歌首先宣布在其云上支持运行VMware工作负载,随后又收购了一家名为CloudSimple的公司,使其能够提供完全集成的基于VMware的服务。
Google Cloud VMware Engine的推出,让谷歌与公有云竞争对手AWS以及微软保持同步,AWS和微软都有他们各自的竞品——VMware Cloud on AWS和Azure VMware解决方案。
Yang表示,这项新服务让客户可以在“几分钟内”就能在Google Cloud上启动VMware软件定义的数据中心环境,这意味着客户可以按需扩展最关键的业务应用。该服务还通过了VMware Cloud验证——对VMware云服务的最高级别的验证。
“Google Cloud VMware Engine让企业组织能够在Google Cloud中快速部署VMware环境,提供规模、敏捷性和对云原生服务的访问,同时充分利用对VMware工具和培训方面的熟悉度和投资,”VMware高级副总裁、云提供商软件业务部门总经理Ajay Patel这样表示。
由于该服务是完全托管的,因此,客户无需担心在Google Cloud上运行VMware应用带来在操作上的负担。谷歌会负责所有与基础设施相关的任务,并与NetApp、Cohesity和Dell等主流存储厂商合作提供该服务。
Yang表示,Google Cloud VMware Engine还让客户能够利用Google的其他云服务如BigQuery、Cloud Operations、Cloud Storage、Anthos和Cloud AI。
她说:“随着时间的推移,当你希望对工作负载进行迁移和现代化的时候,这些云原生服务就能帮助你简化管理、获得数据洞察、为客户提供新的创新服务。”
Constellation Research分析师Holger Mueller表示,企业工作负载运行在VMware上,云提供商试图吸引这些工作负载运行他们的服务。
他说:“更多的负载意味着更好的规模经济,这对基础设施即服务供应商就意味着能实现增长。在这场竞争中,他们试图提供最好VMware实施,以便CxO选择他们的云基础设施。”
Mueller说,理想的情况是企业可以迁移VMware工作负载而无需在虚拟机迁移到云端之后进行重新测试。“再加上Google Cloud IaaS产品的差异化,这将是一个很有吸引力的产品,但是CxO可以选择在所有三个主流IaaS厂商上运行VMware负载。”
目前已经有多个早期客户使用该服务有几个月时间了,包括资本市场基础设施提供商德意志交易所集团(Deutsche Börse Group),谷歌表示,服务体验反馈是很积极的。
德意志交易所集团执行董事会成员、首席信息官克里斯托夫·伯姆Christoph Böhm博士表示:“作为VMware的长期客户,我们希望将业务范围扩展到超大规模数据中心领域,以保持现有控制平面和生命周期管理的稳定。Google Cloud VMware Engine现在让我们能够将VMware环境快速扩展到Google Cloud,从而提高了业务敏捷性并建立了更高水平的弹性。”
谷歌方面表示,该服务已经全面上市。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。