至顶网CIO与CTO频道 07月16日 北京消息:众所周知,如今的世界在各个层面都发生了巨大的变化。企业级技术的种种变革,更是从根本上重塑着现代企业的基本面貌与运营方式。经过 几年的云服务供应商合并浪潮,如今基础设施即服务(IaaS)计算服务迎来了疯狂的扩张速度。云产业孕育出的庞然大物们也在快速成长,满足市场提出的、特别是在COVID-19疫情之下带来的全新需求。而伴随着COVID-19疫情的逐步消减,全球经济开始进入新的复苏阶段,预计各大云服务供应商之间也将展开新一轮技术大战。
为了使普通企业也能保持应有的竞争力,领导者们必须在经济复苏的背景之下明确各大云服务商的创新实力,及其为后续新兴技术领域制定的发展方向。
与其他行业一样,云计算领域也有着几家无可匹敌的服务商巨头。单是价值数十亿美元的数据中心基础设施,就足以把大多数有意投身云业务的厂商吓退在门槛之外。包括Amazo Web Services(AWS)、微软Azure以及Google Cloud Platform(GCP)在内的各大领先平台,都拥有着辉煌的技术发展历史。就目前来看,市场领导者们的基本地位不会出现多少变化。另外,企业客户正在全面推广IaaS增长模式,云技术带来的强大功能与规模化可用性优势实在太过强大,任何有野心的领导者都不可能无视这股力量。面对竞争激烈的商业市场,公有云正以碾压式的多区域优化、高可用性、功能性以及可见性满足着全球受众的需求。而这一切也经受住了社交隔离政策带来的种种考验,推动着越来越多的消费者依靠云技术实现彼此交互。
面对不断增长的市场需求,已经占据主导地位的各大云服务供应商将进一步巩固市场,通过自身价值主张维持增长态势。与此同时,其他体量较小的基础设施参与厂商则负责提供配套方案,主要开发以云为中心的各类相关技术与功能。
但也有不少行业观察者指出,随着这种合并与增长的不断推进,整个行业未来有可能出现发展停滞。这是因为市场丰富性的降低,最终将迫使客户只能在几家主要云服务供应商中做出选择,并减缓后者在研究与创新方面的投资力度。而供应商锁定则将成为一种现实威胁,在推动服务价值上涨的同时,让客户越来越难以将数据迁移至竞争对手的平台当中。更危险的是,正如其他以巨头级企业为主体的行业一样,公有云领域也可能出现垄断行为或者价值合谋。但好在这一切还只是逻辑层面的推断,目前的发展态势还没有朝着这个危险的方向推进。
市场正在增长,领导者正在扩张业务覆盖范围。而消费者则在这样的背景之下迎来诸多收益,具体包括:
在大多数情况下,建议大家使用至少两家云服务供应商以建立起多云业务体系,保证根据工作负载的实际需求进行业务转移。另外,保留一部分私有云功能作为备份,也能很好地解决法规与合规性问题。容器化应用程序部署技术的快速发展,则让多云业务体系真正成为可以落地的方案选项。希望这种趋势能够继续保持下去。
几乎所有企业都可以使用多种平台与多项技术迈向云端。但对于公司领导者来说,保证投资与业务目标保持一致、特别是在紧迫的数字化转型时间规划之下,业务迁移工作往往令人头痛。虽然普通客户与各大云服务商之间已经建立起良好的联系点,但安全性、效率以及业务价值等实际诉求仍是我们在云迁移道路上无法忽视的重要阻碍。
好在新的生态系统正在崛起,将帮助我们弥合这些差距。在托管服务供应商(MSP)与云服务供应商的协同努力之下,组织能够将当前业务与多种云技术进行顺畅对接,同时保持全面的传统IT运营权。以此为基础,超大规模、云运营、DevOps与数据管理等各类可行方案真正让商务智能(BI)、人工智能(AI)以及机器学习走入“寻常企业家”。这部分市场也有望成为未来一段时间内最重要的发展空间,参与厂商们将依托于客户对多云业务环境的需求而保持迅猛增长。
好文章,需要你的鼓励
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
谷歌发布基于Gemini 3的快速低成本模型Flash,并将其设为Gemini应用和AI搜索的默认模型。新模型在多项基准测试中表现优异,在MMMU-Pro多模态推理测试中得分81.2%超越所有竞品。该模型已向全球用户开放,并通过Vertex AI和API向企业及开发者提供服务。定价为每百万输入token 0.5美元,输出token 3美元,速度比2.5 Pro快三倍且更节省token用量。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。