随着越来越多的IT部门迁移到OpenStack平台,以帮助他们构建和管理私有云环境,CIO们和他们的团队必须决定哪些应用一起迁移到这个新平台,以及合适的时间。
并不是所有的应用都适合迁移到开源“基础架构即服务”平台。
“OpenStack对于一个传统大型企业的60%到80%的应用而言,是一个很好的平台,但它不是100%应用的一个解决方案,”John Fruehe说,他是Moor Insights & Strategy的高级分析师。
原生云应用以及电子商务和网络应用——这些需要在一个弹性环境中的应用,可以纵向扩展和缩小——通常这种类型的应用,企业都可以轻易地迁移到OpenStack平台,专家说。另一方面,遗留应用和那些仍运行在主机上的应用,不可能在短时间内迁移。
Fruehe说,一些IT领导人可能采用孤注一掷的OpenStack方案。但是他和其他分析师表示,那些想要拥有更有效、高效率的私有云的CIO们,仍然可以通过将合适的应用迁移到环境中,而放弃那些他们认为不合适的应用,至少目前,还是可以从OpenStack中获得他们想要的效果。
有鉴于此,几位专家列举了一些不适合OpenStack平台的应用类型:
·供应商特定规格的小众软件:“如果你有一个特定软件,非常行业化的应用,假设你已经在供应商规定的Red Hat Linux服务器上运行,供应商可能会说,‘我不知道这能不能在OpenStack上运行。’这种情况下,你也许不要冒风险,”Fruehe解释说,这种情况并不意味着这一应用不能在OpenStack环境中运行;而是有不确定性,就算可以运行,对于供应商可以为企业提供何种程度的支持,依然是个问号。
·和硬件紧密联系的应用。一些应用是为了在特定的硬件上运行而构建的,或者是为了在根据负载定制的芯片上运行;还有一些则使用特定的编程语言构建,从而可以深入理解硬件平台是如何工作的,Justin Shepherd解释道,Rackspace Private Cloud的优秀架构师。(OpenStack始于2010年,云管理供应商Rackspace和NASA的联合项目)。因此,IT部门不能把这些应用从现有的硬件平台中移出。“他们知道他们必须重新编写这些应用,”Shepherd指出,大多数企业的IT部门中,只有一小部分应用符合这个描述,“但其中的一些对于业务也很关键。”
·构建在主机上的工作负载和后台应用。 Shepherd认为这些应用很难迁移到云和OpenStack,这意味着大多数IT部门不能将它们作为OpenStack测试用例或移动到OpenStack平台的早期应用。然而,随着IT领导人不断累积OpenStack经验和专业知识,不断有更多的OpenStack技术面市,即使这些应用也可能可以进行迁移。“OpenStack实际上是支持主机的,”Alan Clark说,非营利OpenStack基金会的董事会主席(现在管理OpenStack)。
·单一事务关键型的应用。这些类型的应用,尤其是处理股票市场交易的应用,往往是时间敏感和内存同步敏感型的,因此如果想要把它们迁移到OpenStack环境中,需要企业交出更多的控制,Clark说,他是SUSE的行业项目,新兴标准和开放源码的总监。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。