至顶网CIO与应用频道 06月14日 人物访谈(文/王聪彬):谈到“中台”大家可能都对其概念摸不着头脑,但是说到“前台”和“后台”大家应该都有明确的认知。
从技术上,前台由各种业务系统构成,后台由基础设施构成,但是企业后台往往不能很好的支撑前台快速创新响应用户的需求,后台更多解决的是企业资源管理效率问题,而中台的定位,则是要解决:如何应对前台的不断创新。
大家最熟知的中台,应该是阿里的“大中台,小前台”战略,其将技术和业务能力沉淀出一套综合能力平台,具备了对于前台业务变化及创新的快速相应能力。
在东软集团平台产品事业本部基础软件事业部副总经理黄治纲看来,中台其实并不是一个新的概念,在技术成熟及业务诉求交际后,就会产生一个爆发点,这个点就是中台,而云就是最好的载体。
东软集团平台产品事业本部基础软件事业部副总经理黄治纲
为业务而生的中台
中台概念的出现,更多是因为企业单纯从应用的技术升级、流程改造等层面无法达到理想的快速发展,企业就会对新的概念给予期待。
敏捷是企业对于中台的基本诉求,主要体现在“业务的融合+数据的驱动+服务的开放”三个方面。黄治纲认为,中台是为了更加灵活、主动的提供面向业务的支持,本质是更敏捷的响应和变化,推动数字化转型和创新,中台不是一种新技术,而是数字化的载体,是一种新型企业资源的组织模式和经营理念,是加速融合,打破壁垒的催化剂。
中台是为业务服务,核心是赋能和激活,对于数字化转型有着非常大的价值,相对于传统技术平台,中台则更具开放性,让合作伙伴、客户参与到企业的运营过程中,将能力进行整合,提升面向新型市场的创新能力。
中台是多种技术共同发展的自然结果,黄治纲把中台划分为,技术中台、数据中台、业务中台。技术中台承载着整体基础架构,数据中台将数据资产进行有效的管理,结合人工智能的技术,实现数据驱动的目标,业务中台则对业务资产进行识别、抽象和沉淀,对业务和应用进行更为直接的支撑。
企业根据不同的需求在中台的建设上也有先后,有些企业积累了大量的数据资产对于数据中台的需求更为迫切,有些企业技术实力较强可能会从技术中台做起,当然三种不同类型的中台还有可能同时建设。但无论是什么选择,都要从业务诉求和价值出发来判断,这也是校验中台效果的最关键的标准。
黄治纲指出,中台是一把手工程,需要由顶向下的贯彻,因为中台是运营理念的改变,要打破固有的边界,进行组织和流程的调整,而非简单的新技术引入。
循序渐进的中台建设
罗马不是一天建成的,中台也是如此。我们既要仰望星空,也要脚踏实地,东软把中台建设划分为,前中台阶段、中台初期、小中台阶段、大中台阶段。
前中台阶段:系统集成及微服务化改造试点。传统企业具备大量现有系统,中台的前提是微服务化,企业构建中台的前期正是微服务化改造试点及系统集成的过程;
中台初期:大规模系统微服务化改造。具备一定微服务实施经验后,企业开展更大规模系统的迁移改造,包括所有新的系统,这个过程关键是领域的建模和业务的拆分;
小中台阶段:形成前中后台模式雏形。抽取已经微服务系统中可复用部分,形成初期中台,并将现有系统逐渐接入;
大中台阶段:中台规模不断扩大并形成领域分支,促进组织演进。中台具备一定规模,这将是一个长期的建设过程,随着业务的持续变化、技术的更迭,逐步形成完善的体系和标准,业务系统完全的扁平化,结合业务的诉求灵活的组合。
黄治纲认为,中台的规划需要结合业务的发展,企业可能无法一开始就明确每一个阶段的详细的校验规则,但是从开始阶段就一定要定义一些基本原则,包括组织、流程、设计理念等等,这是指导每一步目标性的达成标准。
中台具有行业性,由于每个行业的特点各不相同,例如在智慧城市的建设中需要考虑如何打通数据,治理数据资产,快速实现智能化决策;在医疗健康领域,着重考虑如何基于数据的共享与分析,为患者提供更有效的诊疗服务,这就都要求中台厂商具备丰富的行业实施经验与数据积累。
东软打造了“敏捷+行业”的中台应用模式,推出一体化云应用支撑平台——SaCa X行业云平台,涵盖大中台架构的前、中、后台建设的全部主要组件。黄治纲表示,东软 SaCa X 行业云平台中的X代表的是多重想象力,是东软云平台的升级,对面向不同行业云的参考架构和产品组合实现,针对不同的业务场景进行选择和扩展,形成最适合的支撑力,同时东软也在围绕智慧城市、医疗、汽车等领域不断布局。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。