尽管私有云给企业带来许多利益,却也会引入新的花费——它们延伸到服务器、存储和软件之外。
业务和IT领导经常被私有云的花费所震惊,因此理解和减少这些花费很关键。当公有云供应商拥有很强的成本优势时——允许用户只付所用计算资源的费用,私有云却是不同的。
对于私有云部署,业务部还必须购买、管理和维护它自己的数据中心——因此,尽管私有云有优势,但它不是节约成本的做法。甚至大多数有经验的数据中心架构师会被云成本打个措手不及。
以下是四项私有云成本,尤其是那些本应该被注意到却被忽略的。
应用重设计
几乎所有企业应用是在特定基础设施上设计并运行的。大多数企业很难从一种基础设施迁移到另一种。从实体服务器转为虚拟服务器时就会发生这种情况,如 果真发生,一些遗留应用不能在虚拟服务器上正常运行。相同的破坏可能也会发生在云上,因为不是所有应用都可以轻易地从VM(虚拟机)迁移到私有云上。
当这些情况发生,业务部必须决定,要么留下内部部署的应用,要么重新设计应用以适应云。第一个选择不受欢迎,因为它减慢企业内部采用云的速度。但是替代的选择—重新设计或者重新架构应用—代价高且需要数月的软件开发时间。
知道哪些应用需要在私有云上运行,并在你创建它们之前确保他们可以在云上运行。通过早期计划,在云评估环境下彻底审查应用,以缩减应用重设计成本。
架构变化
除了诸如自助服务等好处外,私有云提供高可用性和恢复力。用户期望访问工作量和数据储藏时不会崩溃。这意味着私有云中心依靠连通性和其他技术来创建一个更具弹性的基础设施。
恢复力和高可用性技术在传统数据中心里是老生常谈。但是它们对于云来讲是桌上的赌注。如果云不可靠,用户不会采用它。因此,采用私有云的企业经常要面对额外的架构设计变化成本,以及更多提高可靠性的设备和软件开销。
实现自动化
云提供的计算环境,不需要连续的IT监控。云用户应该有权利准备、部署和使用业务工作,而无需等待预算批准、工作进度安排和其他内部流程。这使自动化和和谐运作在私有云支持用户准备、跟踪适当业务工作流和执行其他任务时非常重要。
问题是,自动化不是天然就自动化。默认规则集合不会带你走太远。有效的自动化需要基于业务知识的综合规则集。IT和业务领导必须开发和实施这些驱动 云自动化的规则。比如,自动化要定义哪类用户有权利准备确定的资源,哪些经理必须被通知,该实例会存在多久,用户的部门是如何被掌管的。
但是,创建这些规则集只是检验和升级的连续过程的开始。自动化规则必须动态变化以适应变动中的业务情况。举个例子,如果一个部门经理离职或者换了职位,IT团队需要调整通知或审批规则关联到新经理。IT人员必须频繁地检查和升级规则,这将导致额外的私有云开销和工作。
业务流程改变
私有云把计算从管理控制中分离出来,授权给用户;员工不再需要等待IT员工、经理和CIO们来帮助计算需求。
然而,这场革命可能对没准备好的业务是破坏性的。在许多情况下,云刚开始是测试环境,公司没有真正理解它带来的好处和风险就放弃了控制。比如,云无计划性扩展和缺乏责任之类的问题,会导致混乱,以及不必要的私有云开销。
业务部门花钱来创建私有云,也必须面对私有云使用中持续的控制责任。这涉及到建立新的云使用政策或实施云工作生命周期协议——这些努力可能造成无法预料的私有云开销。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。