在云计算发展的十几年中,我们见证了IT基础设施的升级换代,见证了移动互联网催生出的创新应用场景,如今随着5G、AI、物联网等新一代应用场景的出现,云计算这个产业发展的重要支柱,也迎来了新的变革。
就在刚刚结束的由中关村数智人工智能产业联盟指导,51CTO主办的“云响力Web3.0新一代云计算大会”上,“去中心化”这一代表云计算未来发展新形态的概念成为了整场大会关注的焦点。来自于华为云、腾讯云、京东云、浪潮存储、安迈云等众多一线云计算厂商以及去中心化云计算代表企业齐聚于此,畅谈了未来云计算的发展方向。会议当天一场以“新一代云计算新形态”为话题的圆桌论道,更是深入剖析了去中心化云计算的发展之道。圆桌上,中关村数智人工智能产业联盟秘书长贾昊、腾飞资本投资总监卢尊、安迈云首席战略官于晓晖、浪潮存储资深架构师叶毓睿几位嘉宾,以不同的身份角色分享了对于新一代云计算的发展看法。
需求与环境之变渴望新云出现
腾飞资本投资总监卢尊谈到,过去的中心化云计算随着当前对计算和通信负载的不断增加,导致数据规模在不断扩张,原有的服务模式越来越难以承受成本上的压力。而新的场景对于延时的要求,可靠性的要求都很高,这样的变化使得去中心化云计算成为了一种必然趋势。对此,安迈云首席战略官于晓晖也提到,为什么要做去中心化,因为当前中心化的云计算已经很难再有创新的突破,技术上也不足以支撑越来越庞大的市场需求,相对而言更难做到开放发展,而去中心化因本身技术特性的原因,可以做到兼容并蓄、多样化发展,它的出现也能够很好地填补当前中心化发展的瓶颈。
从市场健康发展的角度来看,浪潮存储资深架构师叶毓睿分析指出,中心化和去中心化的云计算,实际上是可以长期并存,适合不同的场景。以浪潮存储为例,确确实实,从我们市场营收来看,分布式存储的增速非常迅猛,远超过集中式存储的增速。但我们还是看到很多的用户需要集中式存储,集中式存储在过去30年的积累后,有它的特点,比如稳定性、可靠性,两地三中心的容灾,做得非常杰出。所以有一些用户,如金融、电信,核心的交易系统,仍然首选的是集中式。
现在传统的云计算平台,也不完全是集中式的,也有分布式特征,它在地理上是分散的,这种情况下它做到了架构上的这种去中心化,它带来的好处,企业不会因为一个城市的地震或者灾难,导致数据中心不可访问,它有AZ也即可用区域,这个层次是架构的去中心化。再往后走,是组织的去中心化。表示的意思是什么?就是所有权和运营权是相分离的,如果都集中在一个人手里,可以做到架构的去中心化,做不到组织的去中心化,如果我们把权利进一步剥离的话,就有了组织的去中心化,它其实可以在一定程度上带来制衡的作用,不会一家独大,减缓寡头垄断的趋势,这样用户会觉得这个云计算平台更安全更可靠。
Web3.0为去中心化云计算搭建更大舞台
Web3.0代表的是以数据为核心构建的新型网络架构,每一个用户所产生的数据价值,都会回归于用户本身而不再是集中于平台上,在这个大的概念下,数据产生的规模是空前的,在去中心化里,区块链技术是重要的组成部分,它创造的数据传输加密方式,解决了信任问题,这是非常关键的一环,大家遵循在这样的规则里,可以很好的进行组织结构的再造,以后的模式不再是公司制,而是社区制,大家去做贡献,散播自己的影响力,获取更多共识,这个过程中迅速凝聚成一种新的信任,它可以支持新的领域快速发展。
从技术的角度来看,以区块链为核心的Web3.0时代,正在从存储、网络、计算等各个层面进行重塑,透过去中心化代表企业安迈云的矩阵存储产品就可以看到,其基于IPFS分布式存储网络,在数据可靠性、存储成本、全链路校验、支持弹性数据扩容等方面,具备相当的竞争力。目前,该产品已在广电视频、基因大数据、健康大数据、司法存证、AI智能体领域展开应用。
万物互联的大时代已经拉开了大幕,去中心化云计算提供了更加开放、平等、公正的接入方式,企业能够更轻松的进入,在这个新的领域每一个参与者都将成为受益者,也将成为未来云计算发展的建设者。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。