ZD至顶网CIO与应用频道 06月23日 人物访谈(文/王聪彬):“转型”是现如今最常听到一个词,作为伴随着国家命运发展的电信行业也不例外,时下的运营商正在向着去电信化、市场化、差异化的方向不断进行探索。
在三大运营商之中,中国电信不仅拥有大量的计算资源还有充分的网络资源,在去电信化的过程中,主要通过软件定义的方式让基础设施更好的适配业务,以较为成熟的软件定义计算为突破点,以软件定义网络为发力点,最终全面实现软件定义基础设施(SDI)。
用软件定义打破电信壁垒
在90年代电信行业持续保持着两位数的增长,但伴随中国经济的转型,电信行业增长的平均数逐渐变为负值。尤其是现有的运营商网络存在多张网、大量的基础设施,设备种类繁多、复杂异构、大规模分级部署,应用实施复杂性高,流量剪刀差和网络管道化趋势严重。
种种问题所带来最大的转型需求就是“去电信化”,实现资源的开放标准,灵活精细控制基础设施能力,更好地适配上层业务,有效提高自动化和智能化水平。与此同时,拥有与之适应的运维运营体系,从以流程工单驱动的运维运营,转向以应用驱动的业务质量保证和自动化维护。
而软件定义可以满足“去电信化”的转型需求,其可分为对内和对外两部分:对内,通过编排组合、调度分配、安全隔离等手段,定义基础设施的各类元素,实现更好的控制基础设施;对外,通过开放化、软件化,打破原有服务器、网络、存储应用的壁垒,提供业务与客户快速服务能力。
“如何利用软件定义的优势避免加剧的管道化不仅是中国电信也将是未来运营商的重要工作方向之一。”中国电信北京研究院副主任工程师梁伟提到,中国电信同样是通过软件化开启网络IT化进程打破电信行业壁垒。
软件定义是产业链自下向上的整体变革,但更加标准化、开放化,也导致产业价值点的转移,单一厂商的竞争力在下降,基础设施服务及开源服务能力越来越重要。因此,使用X86通用架构可以兼具标准化和开放化的优势,帮助电信行业从传统成本高昂变为弹性灵活的基础设施,并且通过开源和自主研发更好的适配业务需求并降低成本。
用SDI来匹配业务需求
在全国中国电信拥有规模最大的IDC数据中心资源,机房面积超过100万平方米,规模以上机房超过300个,在数据中心的建设上有三大方向:第一,实现数据中心从分散提供服务器托管向集中提供IT基础设施服务;第二,实现云网数据一体化进程。即数据中心基础设施面向网络连接、面向上层应用、面向数据特征来实现融合。第三,基础设施如何更好地适配业务需求。如何匹配不同业务特征,合理处理容量、调度、迁移和安全等问题。
从三大方向出发看看数据中心要如何变化,基础设施包含负责应用执行的服务器、负责应用数据保存的存储、负责应用与数据互联网的网络。梁伟认为,无论IT形态如何改变,三个基础要素是不可或缺的,唯一可能变化的就是其存在形态,通过软件定义实现IT资源的整合、调度、自动化协同。
早在5、6年前中国电信就已经开始软件定义方向的工作和布局,而且在SDI(软件定义基础设施)的部署上获得了三大优势:
1、 建设维护的自主化。可以根据运营商内部IT和业务系统需求以及外部客户需求,自主地实现资源与不断变化的工作负载和业务需求保持动态匹配,并可在数分钟甚至数秒钟内完成。
2、 基础设施的灵活性。应用平台的部署不再是传统的垂直化部署和运营,具有动态性、扩展性和灵活性。
3、 推动IT/CT软硬件投资的变革。利用软件高效组织各类通用的硬件,软件功能强大和稳定则基础设施强大和稳定,将极大降低运营商硬件投入。
具体到SDS(软件定义存储)、SDN(软件定义网络)上,中国电信也在省公司进行了应用和部署。业务需要网络提供什么样的特性、质量保证等,更好的适配业务,像基于SDN的流量调度应对流量拥塞问题;基于SDS提高存储资源的性能、可靠性、可扩展性,实现海量数据的备份;同时SDI也在中国电信云计算公司进行部署,实现全域的计算、存储、网络一体化。
在引入软件定义后也会伴随一些问题,利用率的提升附带可用性的下降,可能带来不稳定因素,不能满足传统电信业务追求高SLA的业务模式。而且对于安全也提出了更高要求,保障着资源的有效使用。运维运营方面,基于大数据采集、存储、挖掘的应用业务建模,使基础设施更好的适配上层业务。而开放通用的X86技术体系可以很好的支持性能、资源编排、架构,在任何一个层面对基础设施进行优化,为电信行业在SDI的部署上带来全面的保证。
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。