敏捷是企业应对不确定性的重要手段,现代化应用则可以让企业迭代速度更快、更敏捷。
亚马逊就是一家自己走过现代化应用历程的企业,2002年亚马逊在技术上全面微服务化,同时在架构上实现“双披萨团队”,到2020年,亚马逊已经有超过10万个微服务。像产品页面的展现、购买键,是否是Amazon Prmie商品、送货的承诺、客户的评论、价格的显示等都是一个个独立的微服务,亚马逊按照现代化应用根据业务需求的迭代走到了今天。
“容器、微服务、Serverless都是现代化应用构建过程中使用到的常见技术。” 亚马逊云科技大中华区产品部总经理顾凡表示,过去15年,亚马逊云科技一直在持续不断地突破现代化应用技术。
亚马逊云科技大中华区产品部总经理顾凡
2014年推出的Serverless服务Amazon Lambda是亚马逊云科技一个划时代的创新,其可以让企业将更多精力集中在业务上。2017年在容器领域推出Amazon Fargate是适用于容器的serverless服务,实现整个集群的管理和扩展。2018年发布的Amazon Aurora在去年进行了一次迭代,将生产数据库放到Aurora Serverless V2可以在几分之一秒之内快速地扩展到数十万个事务的处理。
Gartner发布最新的《2021年云基础设施和平台服务魔力象限》,亚马逊云科技连续第11年被评为领导者,在愿景完整性和执行能力两个象限均排名第一。作为魔力象限报告的补充,Gartner发布的《云基础设施和平台服务关键能力报告》在云原生应用用例中,亚马逊云科技排名第一,在应用开发持续交付服务,以及广泛的容器服务均给出很高的评价。
亚马逊云科技也给出三个现代化应用转型策略为企业用户提供参考:
第一,Replatform平移:运用容器快速打包现有数据中心里的应用快速迁移到云上进行托管。目前80%的云上托管的容器都在亚马逊云科技上运行。
第二,Refactor重构:在不同的时间和场景针对不同的应用去选择最适合的策略,在重构时使用新技术、新架构。
第三,Shared Services Platform构建共享服务平台:企业在现代化应用和微服务到达一定的阶段会面临一些挑战。无论是微服务应用构建,还是无服务器构建,Amazon Proton都可以让两个团队真正的合力转得更快。
顾凡表示,现代化应用路径的选择,客户应该根据自己的应用特征,业务驱动重构的时机,以及现在微服务化的规模选择适当的策略。
亚马逊云科技在现代化应用有着独特的优势和产品,亚马逊云科技大中华区产品部计算与存储总监周舸总结为四个方面,第一,广泛选择,灵活部署;第二,深度集成、快速构建;第三,安全可靠、生产就绪;开源开放、合作共赢。
同时Amazon EKS Anywhere和Amazon ECS Anywhere也是帮助企业构建现代化应用的重要服务。
企业在本地部署Kubernetes的时候其实经常会遇到很多的困难,Amazon EKS Anywher可以帮助客户在本地部署和使用跟在亚马逊云科技上使用EKS一致的Kubernetes。同样,Amazon ECS Anywhere可以帮助客户直接把在亚马逊云科技上的ECS集群衍生到客户本地。
以西门子为例,其软件会交付到数以百计分布在不同区域的工厂,由于要在不同的环境和不同的基础设施上运行,会存在一定的差异性造成挑战。西门子管理的上百家工厂的软件通过转换到Amazon ESC Anywhere平台上,可以在统一的集群管理平台里,管理上百家工厂中不同生产线上的软件运营基础架构,充分地利用容器的特性衍生到各个场景里。
好文章,需要你的鼓励
随着AI策略成熟,CIO开始重新考虑对公有云的依赖,私有云和本地环境重新受到关注。调查显示,67%的企业领导计划在未来12个月内将部分AI数据迁移至非云环境。主要原因包括成本可预测性、数据隐私保护、安全问题和云集成挑战。对于持续的AI工作负载,购买自有GPU比租用公有云更经济。私有云支出增长更快,预计2025年将有54%的组织在私有云上投入超过1000万美元。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
本文深入分析了从传统AI发展到AGI过程中可能出现的智能爆发现象。基于AI专家共识的2040年AGI实现预期,文章探讨了七种主要发展路径,重点关注突破性的"登月路径"。智能爆发理论认为,智能可以像原子链式反应一样相互促进,快速产生大量新智能。文章预测2038-2039年可能发生智能爆发,随后在2040年实现AGI,但也指出了关于智能爆发的启动、控制和潜在风险等争议问题。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。