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
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。