通常,从展会回家的飞机上我不会写博客。我不是定时更新(博客)的积极分子,而 且我腿疼,不愿意在倾斜的座椅上用笔记本。不过,在这次从VMworld结束后返家的途中,我一直盯着前面的椅背,琢磨一个有点儿不得劲儿的发现:在展会 上的很多谈话中,我只发现有一个团队真正落地使用NSX了,而其他的则是购买后束之高阁。这一点让管理员觉得讨厌异常。
突然发现找不到NSX的用例
这暴露了我的真实想法:除非管理员说已投入生产了,否则我并不相信。话是很容易说的,但是支持起业务来并不是那么简单的事儿。展会的第一天,一位客户问我 关于之前在文章中写到的数据中心NSX的使用案例。他说,“我知道你是SDN粉,不过NSX最典型的使用案例是什么呢?”如果是之前我可以本能地说个不 休,不过在脑海中我回顾了一下“爬-走-跑”工程最佳实践的第一步,随后滤过了大部分根本算不上大规模的项目,我突然发现我竟无言以对,我不禁也 问,“VMware NSX的网络使用案例是什么?”
当然,在做出那个非正式的民意调查前,我一直是VMware的超级粉丝。我是最早Workstation和ESX的采用者,没有vCenter的话我根本 无法工作。我管理着Hyper-V、Citrix、CoreOS和云,同时我也乐于使用VMware的技术。我也深深地喜欢以可编程的方式管理所有事务。 不过NSX似乎有些停滞不前了,特别是在中型企业中,希望一些反馈能够帮助其改进。
关于没有NSX用例的“抱怨榜单”
展会上没有提及任何NSX用例,而如下给出了关于此管理员最常见的抱怨:
“它很难部署,甚至在实验室环境中也是。”这 是管理员最为常见的抱怨。一位专家、一本技能书,我试着让其在我们的实验室中运转起来,但好像没什么用。对于一个虚拟化产品,这有着太多的硬件和电缆。确 实,它运行起来的时候是很容易管理的,不过思科的1000V也能做到。没有快速配置流程和支持指南,很多的管理员偏离了其原有的概念及功效,仅仅因为他们 没有那么多时间。
“我的老板对它感兴趣,因而我产生了怀疑。”管理员并不喜欢推销给他们的产品,而是会亲自去挑选。当vSwitch监控器和NetFlow停止出口时,我们不再一位追求新潮,而是寻求更为值得信赖的产品。
“它比思科/瞻博等厂家的产品更贵。”每个CPU上千美元,或者每年每个VM几百美元,用上NSX你的预算会无限拉长。
“管理上的风险没保障。”作为管理员,过去十年中我们已经在几个盒子上集中管理了很多服务。能节省成本的管理固然很好,但我们也会越来越担心架构所带来的系统故障。将原有核心数据中心的基础设施全都替换掉不是那么好操作的。
“我还有更重要的事情要做。”换 句话说,IT专业人士在其身上并未看到足够投入的价值。对很多工程师来说,物理硬件已经有了,而且是更新的设施,高性能ASIC工作的也很好,没有替换掉 的理由。当然这和VMware在宣传力度方面不足也有关。其实好处还是巨大的,比如说,分布式防火墙,对东西流量作用巨大。
解决问题尚需时日,然而竞争不断
当然,还有一些宏观的挑战冲击着NSX的用例,比如说对SDN的偏见、没有像思科ACI团队那么多的开发人员以及鹊起的开源软件的应用,不过这些并非 VMware不能解决的事情。拥有着庞大的资源,VMware可以提高在培育用户和宣传力度方面的投入,此外,重新定价也没什么大不了的。
这就是说,需要先让用户了解到VMware虚拟化平台能带来的实际益处。
VMware尚有时间来培育用户,让管理员了解到vCenter给网络管理带来的好处,不过可用的时间并不多,要知道市场变幻莫测,而竞争从未间断过。
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。