随着云计算的大规模增长,企业在其组织中采用云计算的方法有很多种。在2016年的结构会议上,行业专家约翰•魏因曼解释了10家大型科技公司如何以自己的方式接近云计算,部署云计算基础设施。
企业接近云计算的个人目标,如对敏捷性,用户体验,成本,可扩展性和可靠性的影响,并将决定他们如何实现云计算。人们有许多许多围绕公共云和私有云之间差异的讨论。魏因曼列出了两个选项之间的以下差异:
私有云具有以下特点:稳定的需求,可预测的可扩展性,可预测的幅度,地理位置集中,自复用,DIY的成本竞争优势,核心。
公共云具有以下特点:可变需求,可预测变化,不可预测的时机,不可预测的幅度,地理分散,客户复用,成本/能力优势与DIY,内容。
以下是魏因曼作为案例研究的10家公司,以及他们如何以自己的方式部署云计算基础设施:
1.Pinterest公司
魏因曼说,Pinterest从一开始就一直采用公共云。他引用了Pinterest公司RajPatel的原话,将他们的方法称之为“基础设施佛教”,因为一旦你失去一种感觉,其他感觉就会提高。也就是说,当一家公司不需要专注于管理数据中心时,就能够专注于其他领域的创新。
2.Evernote公司
魏因曼表示,Evernote公司似乎采取了与Pinterest公司相反的方法。他引用该公司总裁罗德里格斯的话说,在公共云中运行Evernote的工作负载是其数据中心的运营成本四倍,他并不觉得数据中心难以管理。可以说,Evernote公司的业务建立是在私有云上。
3.Instagram公司
致力于照片共享应用的Instagram公司开始采用公共云。然而,该公司在2012年被社交媒体巨头Facebook公司收购后,完全融入了Facebook公司的私有云。
4.Netflix公司
Netflix公司的业务从其私有数据中心迁移到亚马逊的公共云,当时成为头条新闻。但是,这不是全部。魏因曼说,Netflix公司只在公共云中运行转换代码,客户数据及其推荐引擎。他说,该公司的DVD业务和流媒体CDN仍在自己的数据中心中运行。在这种情况下,可以认为Netflix公司运行的是混合架构。
5.Dropbox公司
魏因曼说,Dropbox公司将文件共享在一个公共云中,但该公司将它们移动到商品服务器。Dropbox公司的元数据已经在私有云中托管,这种业务迁移是成本所促成的。
6.Zynga公司
Zynga公司的大部分工作负载都在公共云中,之后该公司将其业务迁移到私有云一段时间。魏因曼指出,而令人奇怪的是,当他们的业务增长逐渐降低时,Zynga公司又返回到公共云。
7.GE公司
魏因曼说,GE公司的方法是微妙的。GE公司是众所周知采用公共云的厂商,但该公司仍然在私有云运行传统应用程序,而这些应用程序并不值得迁移到公共云。
8.Target公司
Target公司在其早期,将其电子商务基础设施外包给亚马逊公司,但最终将工作负载转移回私有云,以便更好地管理和了解客户数据。
9.沃尔玛公司
魏因曼称,沃尔玛公司采用的是“混合多云雾的方法”。该公司有一个私有云战略,他们想在每个商店都部署一个私有云,但他们也收购了OneOps公司来管理一些工作在Rackspace公司和微软Azure公共云上的工作负载。
10.苹果公司
魏因曼说,虽然这可能是炒作,苹果公司的做法似乎是混合型。他们使用私人基础设施来运行计算和能源业务,但该公司也使用来自AWS,微软Azure,以及谷歌云等公共云。
魏因曼最后总结说,每个公司都根据自己的情况采用不同的云计算策略。因此,各公司应该确定什么才是最适合他们的选择,而不是仅仅模拟对另一个公司有效的策略。
好文章,需要你的鼓励
OpenAI于周二发布AI浏览器ChatGPT Atlas,目标是让ChatGPT成为搜索和问答的首选界面而非谷歌。该浏览器目前仅支持Mac,但正在开发Windows、iOS和Android版本。Atlas将ChatGPT设为默认搜索选项,并具备记忆功能,可结合浏览历史提供个性化答案。与其他AI浏览器不同,Atlas更专注于强化ChatGPT生态系统,为OpenAI提供更多用户数据和分发控制权,而非改善传统浏览体验。
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
通用汽车宣布计划于2028年推出自动驾驶系统,允许驾驶员双眼离开道路、双手离开方向盘,首先应用于凯迪拉克Escalade IQ。该系统基于现有Super Cruise技术,采用激光雷达、雷达和摄像头感知技术,初期在高速公路使用。通用整合了已关闭的Cruise子公司的技术栈,包括基于500万英里无人驾驶数据训练的AI模型。目前美国仅奔驰拥有商用L3级自动驾驶系统。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。