为响应“十四五“规划中关于推动企业数字化转型的号召,中国的基础设施和运营(I&O)领导者纷纷在现有的通用(公有/私有/混合)云产品基础上,开始寻找更适合特定垂直行业领域需求的产品。行业云平台(ICP)即是其中一种选择。此类平台针对某个垂直领域的需求,结合软件即服务(SaaS)、平台即服务(PaaS)和基础设施即服务(IaaS)等多种云服务,通过提供打包式模块化的业务相关能力以及技术产品来满足业务结果的需求。
ICP负责人角色转移到业务团队会改变I&O在云技术方面的定位、职责和影响力
在中国,目前的通用云服务负责人时根据企业想要实现的某一种特定上云效果决定的。比如说,想要实现工作负载直接迁移上云,会安排I&O团队负责这朵云,而想要完成应用现代化(例如容器化)的企业,则会安排I&O团队和应用团队共同负责这朵云。在这样的环境下,I&O团队对云影响力属于中到高的水平。原因在于,通用云产品的驱动因素是技术成果,而I&O团队属于技术决策团队,拥有必要的技术能力。
ICP的业务结果导向改变了这一局面。ICP侧重于业务成果,因此业务团队是最合适的负责人。在这种环境下,I&O团队所需的技能、角色、责任与影响力会发生变化,I&O团队在ICP中的定位也不同以往。例如I&O团队在ICP中的角色会从技术运营延申到业务运营。同时,由于技术团队并不直接影响业务成果,因此I&O团队在ICP中的影响力会下降至低到中的水平。
I&O领导者局限于技术视野,难以发现ICP的业务驱动因素、价值和风险
为了推动ICP价值和驱动因素评估,企业I&O领导者可以先考虑业务需求,再考虑技术问题,判断现有系统、能力、流程等能否实现需求。如果发现目前的系统、能力和流程无法支撑ICP,那么I&O领导者可向业务领导者提出建议采用ICP。
中国的I&O领导者,尤其是在严格监管的行业和国有企业工作的I&O领导者,更需要和业务团队一起仔细评估业务风险。原因在于,这类企业不仅受到董事会的管理,也受到政府部门的监督。此类I&O领导者在风险评估过程中,一定要检索、阅读、理解、接受和运用政府部门的政策与指导意见。
Gartner建议在风险评估中,先梳理现有系统、能力和流程中的各项技术,然后再结合业务观点,以确保不遗漏任何风险。同时,始终将注意力放在业务驱动因素(即驱使业务考虑ICP的原因,例如实现更好的合规成果)上,与业务领导者共同评估ICP时,应专注于探讨各项风险的业务影响。此外,评估过程中较为具体的技术问题探讨应尽量留在IT部门内部。
I&O、应用和业务团队各自为营,局限了ICP创造业务价值的能力
在通用云时代,国内很多企业的业务、IT基础设施和IT应用部门,仍然是各自为营的工作方式。同时,为了实现IT和业务的“协作”,不同企业根据其性质和文化也采取了不同的方式。例如部分企业借助业务和IT部门的例会来确保IT工作符合业务需求,部分企业则根据需求临时组织IT和业务部门的合作。
ICP不太适合使用这样的方式,因为ICP的设立是为了实现业务目标。I&O领导者应与IT企业架构团队或IT领导者共同提倡协作文化。同时,I&O团队需要与业务团队和应用团队建立跨职能团队,通过云计算顾问委员会(CCAC)改善云治理。
此外,采用新的项目执行工作方式也将对此有帮助。例如通过PDCA模型即“计划(P=Plan)、执行(D=Do)、检查(C=Check)、处理(A=Act)”模型来促进合作,实现业务成果(见图1)。
图1:PDCA模型

好文章,需要你的鼓励
谷歌正式发布JAX-Privacy 1.0,这是基于高性能计算库JAX构建的差分隐私机器学习工具包。该库集成了最新研究成果,采用模块化设计,使研究人员和开发者能够更轻松地构建差分隐私训练管道。JAX-Privacy提供梯度裁剪、噪声生成、批量选择等核心组件,支持大规模分布式训练,已成功应用于VaultGemma等先进模型的训练中。
清华团队开发DKT模型,利用视频扩散AI技术成功解决透明物体深度估计难题。该研究创建了首个透明物体视频数据集TransPhy3D,通过改造预训练视频生成模型,实现了准确的透明物体深度和法向量估计。在机器人抓取实验中,DKT将成功率提升至73%,为智能系统处理复杂视觉场景开辟新路径。
谷歌量子AI团队发布新理论成果,展示大规模量子计算机可解决传统计算机无法处理的优化问题。研究团队开发出解码量子干涉算法,利用量子力学波动性质创建干涉模式,找到经典计算机难以发现的近似最优解。该算法将优化问题转换为解码问题,配合先进解码算法实现量子加速。研究成果为量子计算应用提供新工具包。
字节跳动研究团队提出了专家-路由器耦合损失方法,解决混合专家模型中路由器无法准确理解专家能力的问题。该方法通过让每个专家对其代表性任务产生最强响应,同时确保代表性任务在对应专家处获得最佳处理,建立了专家与路由器的紧密联系。实验表明该方法显著提升了从30亿到150亿参数模型的性能,训练开销仅增加0.2%-0.8%,为混合专家模型优化提供了高效实用的解决方案。