随着IaaS市场的继续整合,云用户将面临新的挑战和风险,但这并不都是坏消息。
基础设施及服务的市场似乎在缩水,大多数市场观察人士看到了这点,云客户也看到了。并且,随着整合的继续,必将改变IaaS的市场动态。 这些变化到底意味着什么,从长远来看,还有待观察。但是,至少从目前看来,基础架构即服务(IaaS)市场的整合可能会导致选择变少,造成更多的客户将赌注押在“安全”的供应商选择上,如微软的Azure,亚马逊网络服务(AWS)和谷歌。这也将引发对云厂商锁定新的一轮的担忧。
“由于激烈的价格竞争,IaaS市场很有可能将继续整合,”总部位于马萨诸塞州Wellesley的技术咨询公司THINKstrategies的总经理Jeffery Kaplan说,IaaS的市场整合可能会以两种方式伤害到客户,他警告说。
首先,随着竞争对手的数量下降,客户可能会面临价格的上涨。其次,他们可能被迫更换IaaS提供商,如果其IaaS厂商被迫中止服务,或被其他厂商收购,他说。 当然,并不是所有的云用户都对此感到担忧。
“作为微软Azure的客户,我们继续看到我们的计算价格在IaaS和PaaS上不断下降,” 总部位于得克萨斯州Dallas的金属公司Dillon Cage的CTO Tom Grounds说。Grounds声称所有的迹象都指向了三巨头——Azure,AWS和谷歌,而他的公司则较少受到外部市场合并的影响。
“我们是在2013年春季启动云战略的,选择了微软的Azure平台,并会继续将我们的重心放在那里,”Grounds说。 事实上,IaaS市场的整合可以最大的有利于消费者,总部设在加州Corona Del Mar,专注于DevOps的咨询公司Nebulaworks的创始人和管理合伙人Chris Ciborowski说道。还有许多较小的供应商正在试图同像AWS和Azure的这样的主流云提供商竞争,但无法达到这些厂商所能提供的功能性和稳健型。由于IaaS的市场整合,规模较小的云供应商必须提供同等的功能,或以低得多的价格提供服务,他说。
“不管是由“三巨头”云提供商提供更低成本的选项,还是由较小的提供商提供增加的功能,对于客户来说都是好事,”Ciborowski说。 挑选供应商,避免厂商锁定 对于任何数据中心的决策——无论是涉及到一个物理数据中心,还是托管设施或云数据中心,仔细评估你的供应商非常重要。
“不光要审查技术堆栈,还要考虑厂商的长远生存能力,”Grounds说。组织应审查潜在供应商的发展蓝图,确保同该公司未来的IT规划是一致的。如果你正在评估的IaaS产品来自一个大组织的业务部门,要确保母公司未来会在IaaS的产品上继续投资。 “迁移数据中心,无论是物理的还是虚拟的,从来都不是件容易的事,因此只要进行明智的规划,那市场整合应该不会对你产生什么影响,”Grounds说。
避免潜在整合陷阱的最好方法是根据服务的质量而不是价格来仔细挑选你的IaaS提供商,Kaplan说。此外,还要评估潜在的供应商在IaaS市场上竞争力,并始终有一个适当的云退出策略。 “你还应该确保有一个相应的退出条款,允许你更换供应商,如果你对新的厂商不满意,并且要有应急计划,可以让你迁移到另一个供应商,”他补充说。
至于厂商锁定,重要的是只对基础架构使用IaaS,避开专有服务和工具,如关系数据库和消息队列,Ciborowski说。除非一家公司准备在某个云供应商上孤注一掷,并且准备好承担锁定的风险,否则在应用程序和服务层上使用一个开源的替代品也是不错的思路。 “采取分层的方法提供抽象,减轻锁定风险,让跨云支持和敏捷性成为可能,”Ciborowski补充道。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。