多年以来,Zorawar Biri Singh一直着眼于企业的未来发展给出独特见解——包括在IBM与惠普担任云业务负责人、Khosla Ventures副总裁以及最近出任思科公司CTO。在今年早些时候接受采访时,他认为下一代数据中心当中将充斥着容器化微服务与预测性分析方案。而在上周的对话中,他进一步就技术发展以及企业的自我改造这一议题作出了说明。
Singh为企业的数字化转型给出了广泛性定义,即“通过持续改进周期实现的一组现代化能力、工具以及文化意识。”相较于容器取代虚拟机、微服务取代整体应用、可扩展性云基础设施、物联网设备乃至立足机器学习实现的分析能力等,Singh给出了超出技术层面之外的宏观建议。
协作势在必行
首先,Singh认为每一种转型性举措都需要以协作文化作为起点。与众多从业者一样,他同样将DevOps视为持续改进的动力根源,不过他同时意识到DevOps绝不仅仅是一种工具链或者方法。在正确实施之后,DevOps能够在企业之内建立起一套新型文化,从而打破职能壁垒并凭借新的分组关系实现新型解决方案。
不过此类协作活动要求正确的平台类型加以配合。“协作已经开始转向立足于云平台的视频、通讯、消息收发乃至语音大融合,”Singh表示。他同时指出,跨越各个部门的工具与平台正日趋成熟,并通过调整工作流的方式充分发挥云至上、移动至上这一意识取向。
不过他的目光显然放得更加长远。“下一步是考虑如何在这些平台中纳入机器学习、认知计算甚至是智能机器人,从而继续提升协作能力,”Singh表示。换言之,协作平台将最终帮助定义人员职能并实时为项目提供聚合资源,并在整个生命周期内持续这种状态——这也就引出了他所说的下一阶段,即“以人为本的数字化”。
根据Singh的说法,以为人本的数字化潮流能够“着眼于企业整体并挖掘出深层的人员工作流机制,二者之间隐性乃至显性的结合将指引企业及文化的具体转型方向。”最终,他指出,这将显著改变业务的实现方式并对企业内的传统职位设置造成巨大影响。
机器到机器潜力
在Singh看来,生产协作领域的最大潜能源自IT与运营技术(简称OT)间的对接——后者负责定义企业的核心业务特性,包括制造、垂直学科乃至物流等等。在大多数企业中,IT与OT是彼此分离的:
从传统角度讲,OT角色立足并着眼于运营企业制造环节所必需的控制流程。其以往属于定制化、孤立技术堆栈,但在数字化时代下,IT与OT的边界将很快变得模糊。
将双方合二为一将给企业带来无穷的发展机遇,特别是考虑到传感器及其它智能化设备带来的信息配合分析与机器学习处理能力将碰撞出的火花。Singh将此称为“以机器为本的数字化”,这也正是目前核心工业系统建立敏捷性技术与方法的根源所在。未来IT/OT协作的核心将围绕物联网部署展开:
到2020年,将有超过2000亿台物联网设备为我们服务,届时我们需要在数分钟甚至数秒钟之内对网络边缘产生的大量机器数据进行分析/遥测。如果无法应对由此带来的挑战,那么您将被时代所淘汰。
事实上,支持这种转型将成为决定企业命运的核心问题,因此必须将其纳入发展战略当中。
企业IT的未来前景
CIO们应当建立起扩展OT能力所必需的敏捷基础设施与流式分析平台,否则必将在市场中落于下风。正如Singh所言,“OT团队与几年前负责云与移动开发工作的业务线团队一样,必然将无法坐等IT部门为其提供工具与平台,而应自行寻求理想方案实现物联网管理。”
公有云供应商,特别是谷歌,表示其将冲击垂直市场。部分企业可能选择彻底“放弃IT业务”并接受可灵活配置的云方案,而非继续坚持持有自己的解决方案。
协作文化与敏捷性及分析机制的结合必须得到企业中高管团队的支持,因为“如果这种转型未能得到企业董事会及CEO级别人员的理解与支持,那么其相当于并未获得授权,结果则必然失败,”Singh指出。如果您的企业IT体系仍然安于现状,作为IT管理者,大家必须马上从战略愿景的角度入手加以引导。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。