AI热潮推动了数据中心业务的爆发式增长,但搭建一个数据中心并非易事。即便解决了GPU、网络交换机和存储设备的采购问题,仍需完成配置、调试,并满足客户的多样化需求。一个数据中心从建设到具备云计算、AI推理和训练服务能力,往往需要数月时间。而上线时间越长,那些闲置GPU的沉没成本也就越高。
网络自动化初创公司Netris声称,能够帮助新兴云服务商(neocloud)彻底解决这一难题。该公司提供可运行于网络交换机上的软件,同时还推出了一套与交换机对接的平台,通过自动化部署、配置和运营管理,大幅缩短新兴云服务商的上线周期。该平台还具备网络抽象能力,可按需调整硬件配置,并在硬件层面实现服务器与资源的隔离,从而支持多租户架构,让新兴云服务商能够同时服务多个客户。
在此之前,数据中心市场长期由Equinix、NTT、Digital Realty、Oracle、微软、AWS、谷歌等大型基础设施运营商主导。这些企业或依靠庞大的工程师团队,或自主研发自动化系统,基本解决了网络配置和多租户等核心问题。相比之下,规模较小的新兴云服务商往往缺乏同等资源。
Netris首席执行官Alex Saroyan在接受TechCrunch采访时表示:"作为GPU集群运营商,你每天都需要对每条链路进行配置变更。传统数据中心过去采用SDN(软件定义网络)来完成这项工作,但SDN已经力不从心——它本质上是一种软件技术。而AI场景对软件并不友好,因为流量规模极大,所有处理都必须由硬件加速完成。你需要一种类似SDN的解决方案,但必须完全基于硬件加速。这正是我们所做的事,也是我们过去八年一直在做的事。"
Saroyan表示,Netris的平台不绑定特定厂商,兼容数据中心主流网络设备和标准,同时支持英伟达和AMD的服务器。
这家初创公司的价值主张已获得众多认可,英伟达便是其中之一。两年前,英伟达在观看Netris的技术演示后印象深刻,随即向多家客户推荐了该公司。目前,Netris已在全球超过35个GPU集群完成部署,合计管理约100万块GPU,客户涵盖Lightning AI、富士康、Visionbay、慧与科技(HPE)、Tensorwave、Telus等知名企业。
为持续推进这一势头,Netris近期完成了由Andreessen Horowitz(a16z)领投的1500万美元A轮融资,本文由TechCrunch独家披露。
值得关注的是,Netris的核心技术中并未引入AI。Saroyan表示,公司仅使用此前自主研发的算法来执行自动化运营和配置管理。
"我们的起步远早于AI时代。我们很早就意识到了这一挑战,并着手开发相应的算法。AI是不确定的,有时它会'自作主张'。它适合创意性工作,但当你需要修改成千上万台交换机的配置时,创意并非必要——你需要的是高度一致且可重复执行的确定性。"
a16z合伙人Guido Appenzeller已加入Netris董事会。展望未来,Netris计划将本轮融资用于扩充工程师和销售团队、扩展对更多硬件厂商的支持,并持续丰富其算法的功能模块。
Q&A
Q1:Netris是一家什么样的公司,主要解决什么问题?
A:Netris是一家网络自动化初创公司,专注于帮助新兴云服务商(neocloud)快速上线。其核心产品是一套可运行于网络交换机的软件平台,通过自动化部署、配置和运营管理,将数据中心的上线周期从数月大幅压缩,同时支持多租户架构,让云服务商能够同时服务多个客户。
Q2:Netris的平台与传统SDN方案有什么区别?
A:传统SDN(软件定义网络)是纯软件技术,在AI数据中心高流量场景下性能不足。Netris的平台同样具备SDN的灵活性,但实现了完全的硬件加速,能够满足AI推理和训练对网络吞吐量的极高要求,同时保证配置变更的确定性和可重复性,适合每天需要对大量交换机链路进行批量操作的GPU集群运营场景。
Q3:Netris此次融资的用途是什么?
A:Netris完成了由a16z领投的1500万美元A轮融资,计划将资金用于三个方向:扩充工程师和销售团队、增加对更多硬件厂商的兼容支持,以及持续迭代和扩展其核心自动化算法的功能。a16z合伙人Guido Appenzeller也将正式加入Netris董事会。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。