Nutanix的增長得益于轉向混合云和生成式AI，以及即將支持Nvidia GPU Direct高速數據反饋協議。

Nutanix公司首席執行官Rajiv Ramaswami在接受采訪時表示，他認為Nutanix的兩位數增長還可以持續一段時間——因為Nutanix擁有卓越的混合云軟件，而且生成式AI是他們的另一個增長動力。

Nutanix表示，已經將自己的本地企業基礎架構功能遷移到了公共云，以便為運行虛擬機或容器的人員提供一致的混合云體驗。我們探討了這些話題的方方面面。

您能描述一下Nutanix在本地環境和公有云環境中的Kubernetes設施嗎？

Rajiv Ramaswami：我們在多云世界中管理Kubernetes，我們希望客戶在任何地方運行這些應用，應用可能是在原生EKS或AKS上運行的，而且我們在所有這些（本地環境和公有云原生環境）上都擁有統一的管理平面，包括亞馬遜的服務、Kubernetes服務、我們的Azure Kubernetes服務程序，其中一些可能是運行在我們自己的平臺上。

我們的愿景是人們可以在任何地方使用和運行Kubernetes集群，我們將成為管理者。我們還為塊、文件和對象提供存儲。……如果有人在AWS上構建應用，他們將能夠使用我們的存儲，并且這種存儲完全是云原生的。客戶可以在公有云中使用我們的存儲服務器作為EBS的替代方案。

優勢是雙重的。首先，相同的Nutanix平臺可以在任何地方使用：云、跨多個云、本地等。因此，如果你考慮以這種方式工作的話，則不必重做平臺應用。第二，AOS具有許多內置的企業級彈性功能。我們跨云和全球進行災難恢復，我們進行同步復制。現在，所有這些功能都可以在公共云中使用。而AWS（例如EBS）則不提供這些服務。

在這些情況下，通常發生的情況是，如果有人在云中構建應用，他們必須在應用層管理所有彈性，必須將其構建到應用中，而典型的企業是依賴于底層基礎設施的。因此，我們基本上在公有云中提供了相同的企業關鍵任務存儲，這與企業本地環境是相同的。

我相信您也希望讓企業更容易在混合云中運行數據庫對嗎？

Rajiv Ramaswami：這是關于基礎設施層，也就是平臺的。這與大多數應用需要使用數據庫的其他組件有關，這些組件是使用緩存的，例如，使用消息傳遞或流媒體。這是我們的宏偉愿景，具有前瞻性。

目前，Nutanix已經提供了數據庫管理服務。因此，人們可以使用我們的平臺管理各種數據庫，例如Oracle、SQL、Mongo、Postgres。我們想要做的就是擴展它，首先，讓它在公有云中可用，然后擴展服務范圍。

因此，我們可以管理Kafka流或Redis進行緩存。展望未來，我們的想法是，我們要么自己提供，要么與外部合作。我們對EDB Postgres有很多了解，能夠提供一系列所謂的平臺層數據服務，人們可以使用這些服務來構建應用。一旦我們這樣做了，這些服務就將是隨處可用的。

這些數據庫服務未來會包括矢量數據庫嗎？

Rajiv Ramaswami：愿景是很廣泛的。我們沒有涵蓋了一切事情的路線圖。我現在專注于事務型數據庫。而且，我知道人們關注什么，AI和GPT in a Box。所以，絕對是的——但從長遠來看，我們還沒有宣布時間表或類似的東西，我們的愿景是真正打造一套隨處可用的服務。

我們不是數據庫引擎提供商。是的，我們可能會選擇在未來某個時候這樣做，但目前我們是和其他數據庫提供商合作的。

無論客戶的數據位于何處，您都會為客戶存儲大量信息，在本地環境或者是任何公有云中。大型語言模型將需要這些信息，檢索增強生成（RAG）會為其提供幫助。您將采取什么措施來幫助實現這一目標？

Rajiv Ramaswami：我不會宣布新的路線圖，但愿景是正確的。

這正是我們的目標。正如您所說的，我們的數據是可用的，我們可以成為管理數據的平臺，我們確實認為數據將無處不在——不僅僅是在公有云中，也不僅僅是在本地環境中，而整個GPT in a Box的推出，正是為了嘗試簡化我們平臺上AI應用的部署。

目前，這個范圍稍微有限一些，也就是說，我們有一個平臺，為我們提供所有存儲的部分。最重要的是，我們能夠提供的是自動工作場所連接到模型存儲庫，這樣我們就可以接入Hugging Tree，可以連接到即時存儲庫。只需單擊一下，人們就可以下載他們想要的模型，在硬件上實例化，并將其與GPU連接。...創建一個推理端點并將其導出到API進行開發——這樣人們就可以實現自動化。

好的，這將承載AI推理和微調，那么訓練方面怎么樣？因為還是那一點，你有大量的信息，你會把哪些信息給到GPU？

Rajiv Ramaswami：GPU Direct在我們的路線圖上，我們將擁有GPU Direct，特別是針對文件——這才是你真正需要GPU Direct的地方，它已經在路線圖上了——我們知道需要什么。另一個需要的是高帶寬I/O。我們現在支持100千兆NIC。顯然，你需要能夠非常快速地獲取大量數據。我們理解這一點，我們正在實現這一點，我們正在做高帶寬，然后是一臺具有大內存的機器，所有這些都將發揮作用。

您認為AI推理必須提供準確的、完整的、不是虛假的結果嗎？

Rajiv Ramaswami：當然。你需要在模型中保持準確性，當然，要確保這種準確性，就需要大量的工作。

生成式AI有很多早期用例都是輔助用例……也就是我們廣義上所說的Copilot。換句話說，使用它，但在實際使用之前要對其進行驗證。所以我給你舉一個我們內部使用的例子，是在客戶支持方面的。

我們使用我們的設計文檔和知識庫文章部署了模型。當支持工程師收到客戶請求的時候，他或她會將其輸入到我們的GPT引擎中，它會提出建議，比如“這可能是這里的問題，這是你可能想要做的。”它加快了我們的響應時間，提高了我們支持工程師的工作效率，這樣就可以更好地為客戶服務，這對我們來說也是更好的。

而且效果很好。我們剛剛為他們完成了試點，但我們在這里要做的最重要的事情是繼續訓練和微調，直到我們能夠獲得合理的準確性。

我的想法是，總的來說，RAG方法絕對必須有效，否則AI推理就會消亡。