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 CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。