Nutanix的增长得益于转向混合云和生成式AI，以及即将支持Nvidia GPU Direct高速数据反馈协议。

Nutanix公司首席执行官Rajiv Ramaswami在接受采访时表示，他认为Nutanix的两位数增长还可以持续一段时间——因为Nutanix拥有卓越的混合云软件，而且生成式AI是他们的另一个增长动力。

Nutanix表示，已经将自己的本地企业基础架构功能迁移到了公共云，以便为运行虚拟机或容器的人员提供一致的混合云体验。我们探讨了这些话题的方方面面。

您能描述一下Nutanix在本地环境和公有云环境中的Kubernetes设施吗？

Rajiv Ramaswami：我们在多云世界中管理Kubernetes，我们希望客户在任何地方运行这些应用，应用可能是在原生EKS或AKS上运行的，而且我们在所有这些（本地环境和公有云原生环境）上都拥有统一的管理平面，包括亚马逊的服务、Kubernetes服务、我们的Azure Kubernetes服务程序，其中一些可能是运行在我们自己的平台上。

我们的愿景是人们可以在任何地方使用和运行Kubernetes集群，我们将成为管理者。我们还为块、文件和对象提供存储。……如果有人在AWS上构建应用，他们将能够使用我们的存储，并且这种存储完全是云原生的。客户可以在公有云中使用我们的存储服务器作为EBS的替代方案。

优势是双重的。首先，相同的Nutanix平台可以在任何地方使用：云、跨多个云、本地等。因此，如果你考虑以这种方式工作的话，则不必重做平台应用。第二，AOS具有许多内置的企业级弹性功能。我们跨云和全球进行灾难恢复，我们进行同步复制。现在，所有这些功能都可以在公共云中使用。而AWS（例如EBS）则不提供这些服务。

在这些情况下，通常发生的情况是，如果有人在云中构建应用，他们必须在应用层管理所有弹性，必须将其构建到应用中，而典型的企业是依赖于底层基础设施的。因此，我们基本上在公有云中提供了相同的企业关键任务存储，这与企业本地环境是相同的。

我相信您也希望让企业更容易在混合云中运行数据库对吗？

Rajiv Ramaswami：这是关于基础设施层，也就是平台的。这与大多数应用需要使用数据库的其他组件有关，这些组件是使用缓存的，例如，使用消息传递或流媒体。这是我们的宏伟愿景，具有前瞻性。

目前，Nutanix已经提供了数据库管理服务。因此，人们可以使用我们的平台管理各种数据库，例如Oracle、SQL、Mongo、Postgres。我们想要做的就是扩展它，首先，让它在公有云中可用，然后扩展服务范围。

因此，我们可以管理Kafka流或Redis进行缓存。展望未来，我们的想法是，我们要么自己提供，要么与外部合作。我们对EDB Postgres有很多了解，能够提供一系列所谓的平台层数据服务，人们可以使用这些服务来构建应用。一旦我们这样做了，这些服务就将是随处可用的。

这些数据库服务未来会包括矢量数据库吗？

Rajiv Ramaswami：愿景是很广泛的。我们没有涵盖了一切事情的路线图。我现在专注于事务型数据库。而且，我知道人们关注什么，AI和GPT in a Box。所以，绝对是的——但从长远来看，我们还没有宣布时间表或类似的东西，我们的愿景是真正打造一套随处可用的服务。

我们不是数据库引擎提供商。是的，我们可能会选择在未来某个时候这样做，但目前我们是和其他数据库提供商合作的。

无论客户的数据位于何处，您都会为客户存储大量信息，在本地环境或者是任何公有云中。大型语言模型将需要这些信息，检索增强生成（RAG）会为其提供帮助。您将采取什么措施来帮助实现这一目标？

Rajiv Ramaswami：我不会宣布新的路线图，但愿景是正确的。

这正是我们的目标。正如您所说的，我们的数据是可用的，我们可以成为管理数据的平台，我们确实认为数据将无处不在——不仅仅是在公有云中，也不仅仅是在本地环境中，而整个GPT in a Box的推出，正是为了尝试简化我们平台上AI应用的部署。

目前，这个范围稍微有限一些，也就是说，我们有一个平台，为我们提供所有存储的部分。最重要的是，我们能够提供的是自动工作场所连接到模型存储库，这样我们就可以接入Hugging Tree，可以连接到即时存储库。只需单击一下，人们就可以下载他们想要的模型，在硬件上实例化，并将其与GPU连接。...创建一个推理端点并将其导出到API进行开发——这样人们就可以实现自动化。

好的，这将承载AI推理和微调，那么训练方面怎么样？因为还是那一点，你有大量的信息，你会把哪些信息给到GPU？

Rajiv Ramaswami：GPU Direct在我们的路线图上，我们将拥有GPU Direct，特别是针对文件——这才是你真正需要GPU Direct的地方，它已经在路线图上了——我们知道需要什么。另一个需要的是高带宽I/O。我们现在支持100千兆NIC。显然，你需要能够非常快速地获取大量数据。我们理解这一点，我们正在实现这一点，我们正在做高带宽，然后是一台具有大内存的机器，所有这些都将发挥作用。

您认为AI推理必须提供准确的、完整的、不是虚假的结果吗？

Rajiv Ramaswami：当然。你需要在模型中保持准确性，当然，要确保这种准确性，就需要大量的工作。

生成式AI有很多早期用例都是辅助用例……也就是我们广义上所说的Copilot。换句话说，使用它，但在实际使用之前要对其进行验证。所以我给你举一个我们内部使用的例子，是在客户支持方面的。

我们使用我们的设计文档和知识库文章部署了模型。当支持工程师收到客户请求的时候，他或她会将其输入到我们的GPT引擎中，它会提出建议，比如“这可能是这里的问题，这是你可能想要做的。”它加快了我们的响应时间，提高了我们支持工程师的工作效率，这样就可以更好地为客户服务，这对我们来说也是更好的。

而且效果很好。我们刚刚为他们完成了试点，但我们在这里要做的最重要的事情是继续训练和微调，直到我们能够获得合理的准确性。

我的想法是，总的来说，RAG方法绝对必须有效，否则AI推理就会消亡。