至顶网软件频道消息:企业需要云IT,HPE宣布推出名为GreenLake的内部部署一切即服务模式——这是对Flex Capacity付费即用基础设施的一次变革。
这些GreenLake产品与融合基础设施理念(服务器、存储、网络、虚拟机管理程序、操作系统)类似,但增加了应用软件和服务,以及顶层的付费即用定价方案。
当然,这并不是第一次有厂商提出私有云即服务(PCaaS)理念。IBM通过收购Blue Box以及SoftLayer推出了Box Panel,带有通过Box软件和SoftLayer管理的内部基础设施,现在被称为IBM Cloud Private,采用OpenStack,专注于容器化。
与此同时,Rackspace也有自己的OpenStack PCaaS,似乎是HPE GreenLake PCaaS的基础。
HPE的目标是从资本支出转型运营成本,因为企业希望以云的形式消费更多服务,而不是自己拥有和运营IT设备。
我们可以预计,随着时间的推移HPE将增加GreenLake的应用数量。HPE 公司高级副总裁、PointNext Services总经理Ana Pinczuk表示,HPE即将支持Docker,HPE Flex Capacity面向容器即服务。
HPE预计将在下面5个GreenLake应用领域扩大合作伙伴公司,包括:
- GreenLake Big Data:Hadoop数据湖,在HPE技术上做预集成和预测试,HortonWorks或者Cloudera软件。
- GreenLake Backup:本地备份容量,使用HPE套件上预集成的CommVault软件,带有HPE吉良技术和管理服务。
- GreenLake Database:EDB Postgres交付的本地和嵌入式开源PostgreSQL技术。
- GreenLake for SAP HANA:由HPE操作的本地设备,带有SAP认证的硬件、操作系统和服务。
- GreenLake Edge Compute:在边缘位置可扩展的物联网技术和服务
GreenLake与IBM的CloudPrivate不同,它并不是对容器化和IBM公有云-私有云工作负载移动性的升级。GreenLake将支持Docker但是没有提到这五个应用捆绑包的容器化版本。
把所有这些想象成礼宾式的服务,拥有类似云的、特定应用的基础设施,基于本地的,由HPE提供和管理——或者未来是HPE渠道的。
除了融合系统/一体机捆绑包之外,还有基于GreenLake Flex Capacity的基础设施产品,是对现有PointNext Flex Capacity基于消费支付费用的调整。
它具有模块化的、预打包的基础设施选择:高性能计算、微软Azure Stack、SimpliVity超融合基础设施、容量规划,并面向HPE渠道提供。
每个软件包都包含PointNext咨询、专业人员、远程监控和管理服务,Flex Capacity付费即用的消费模式,参考架构HPE硬件/软件平台,支持和订阅电子学习内容。
HPE表示,这些PCaaS产品的价格与公有云相同甚至更低,但是我们还没有看到任何数字。
按照我们的理解,计量部分是基于Cloud Cruiser技术——这是HPE在2月收购的,使其成为Flex Capacity的一部分。
我们还没有看到任何配置细节或者定价数字。
好文章,需要你的鼓励
地球日之际,NVIDIA聚焦五个推动气候科学与可持续发展的项目:利用Earth-2平台开展气候模拟、借助AI推进红毛猩猩等濒危物种保护研究、通过AMP机器人实现可回收物自动分拣、借助AI技术研究早期海啸预警系统,以及通过Planet地球观测数据平台提取环境洞察。AI与加速计算正大幅提升环境保护与气候研究的效率与精度。
这项来自哥本哈根大学等多机构的研究(arXiv:2604.09746),构建了一个纽约市虚拟导航模拟系统,让150个"蓝队"AI与100个隐藏身份的"红队"AI交互对抗。红队通过伪装成热心路人,用风景渲染、权威话术等手段把蓝队引向广告牌陷阱。研究采用KTO方法进行十轮迭代训练,发现蓝队任务完成率从46%升至57.3%,逐渐习得了主动反驳、目标锚定等策略,但被骗率始终高达70%以上,揭示了AI智能体在持续社交操控下的深层脆弱性。
CoreWeave宣布推出三项新功能,旨在简化跨云AI训练与推理工作。其中CoreWeave Interconnect直接与谷歌云互联,支持开发者灵活部署训练和推理任务;SUNK Anywhere支持大规模长周期AI训练项目,可跨谷歌云、AWS、Azure及本地环境扩展算力;LOTA Cross-Cloud则允许数据集中存储、跨云运行工作负载。此次合作借助谷歌全球网络扩展了CoreWeave的服务覆盖范围,并消除了企业连接多云时依赖第三方的繁琐流程。
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。