根据 Gartner 的最新评估报告《大规模 VMware 迁移成本估算》以及其作者之一、副总裁分析师 Michael Warrilow 的观点,如果 Broadcom 收购 VMware 后带来的变化让你考虑迁移到其他虚拟化平台,请做好准备迎接一个漫长、昂贵且充满风险的项目 - 如果推迟考虑迁移,可能会面临更长时间、更高成本和更大风险。
该评估报告针对运行 2,000 台以上虚拟机且至少拥有 100 台服务器的组织进行建模分析,发现迁移项目将持续 18 到 48 个月。如果聘请外部服务提供商,每台虚拟机的迁移成本在 300 到 3,000 美元之间。
仅初步评估就需要 7 到 10 名全职员工投入一个月时间。对潜在 VMware 替代方案的技术评估还需要 6 人投入长达 9 个月的时间。迁移前的规划和测试时间则取决于应用程序和基础设施的复杂程度。
Warrilow 表示,迁移过程将十分复杂,因为 VMware 用户往往错误地将这个 Broadcom 业务部门首先视为虚拟化产品供应商。他向 The Register 表示,对于使用了 VMware 技术栈多个组件的组织来说,需要先将其视为网络供应商,其次是存储供应商,第三是管理工具提供商,最后才是虚拟化技术提供商。这种方法是必要的,因为迁移网络 (及相关的安全配置)、存储 (及相关的灾难恢复设施) 和管理工具比迁移虚拟机管理程序更加困难。
Gartner 的文档指出:"从 VMware 的服务器虚拟化平台迁移将需要理清这些投资的诸多方面。"
Warrilow 向 The Register 透露,他接触的 VMware 客户中,很多都尚未开始制定迁移计划。"每个人都在问别人在做什么,而别人也在问其他人在做什么,所以实际上没人采取行动,"他说。
这种态度意味着他担心 VMware 用户会在 2025 年浪费时间观望同行的行动,而提供替代虚拟化方案的供应商也无法获得他们期望的订单。
Red Hat 加入竞争 Red Hat 上周推出了面向考虑替代虚拟化平台的 VMware 用户的新选择 - "OpenShift Virtualization Engine"。
该产品面向仅需要基础虚拟化且对容器化不感兴趣的组织。其许可条款允许用户在单插槽或双插槽、最多 128 个处理器核心的服务器上运行无限量虚拟机。
它可以在自有硬件上运行,也可以在 AWS 云的裸机服务器上运行。Red Hat 计划支持其他公有云。
Warrilow 表示,Red Hat 的产品值得欢迎,且比 Broadcom 的产品更便宜 - 但 Oracle 的服务器虚拟化产品价格可能更具优势。
这位分析师建议尽早着手制定迁移计划,因为考虑到所需时间,大多数用户在项目完成前至少需要与 Broadcom 重新协商一次许可,因为这家芯片和软件公司倾向于提供两年或三年期的订阅。他担心 Broadcom 未来会进一步提高价格,这意味着延迟导致用户需要进行第二轮许可协商可能会面临更高支出。
Warrilow 打趣说,VMware 已成为"新一代大型机",这一地位表明它可能会在许多组织中持续存在,作为那些难以或风险太大而无法重新部署的应用程序的专用基础设施。
Broadcom 则认为其旗舰产品 VMware Cloud Foundation 套件远不止于此,它为用户提供了构建私有云的机会,这些私有云比使用公有云更高效、更具成本效益。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。