本文是微软Windows Azure Pack系列技术解析文章的第四篇。在前面三篇文章中,我们详细介绍了Windows Azure Pack(简称WAP)的架构、安装与配置,并分别以IT管理员和用户(租户)这两个身份体验了WAP的使用体验。在本篇文章中,我们则从另一个角度,邀请一位真正的工作在第一线的最终用户来使用和体验WAP。
利用前两篇文章中所部属的微软私有云环境,我们请到了某集团旗下一互联网子公司的IT经理少甫来体验这一云解决方案。少甫主要负责该公司的互联网产品的研发与运营。少甫所在集团拥有多家互联网公司,业务范围涵盖了数码IT产品、时尚、服装、彩妆以及汽车等诸多领域。
少甫在我们所部署的微软私有云环境内试用体验了一下午,然后肯定地说,这一私有云方案至少能够解决其目前所面临的三大难题。
首先即采购扩展方面的难题。少甫所在集团的主数据中心托管在国内某大型电信运营商机房内,由专门的团队负责运维。其数据中心有进行过初步的整合,所有IT设备由集团统一采购,并由专门的团队统一维护,有一定的自动化运维基础,但由于规模所限,远远还没有达到真正的自动化运维阶段。
据少甫介绍,目前该集团旗下所有子公司用于支撑业务的IT系统都是依托于物理环境,仅测试和开发有使用虚拟化环境。而这就大大降低了业务的灵活性,当子公司增加新的业务或需要扩展时,必须提前一个季度向集团申请采购。并根据业务内容进行规划,提出相应的软件安装申请,由集团IT部门负责安装。但集团IT部门只提供有限的选择,如果有特殊的需求,则需要子公司技术人员到机房进行安装。
少甫认为,微软Windows Azure Pack加上System Center的解决方案,能够解除集团IT部门与子公司IT部门之间紧密绑定,利用WAP的多租户和预配置策略,子公司能够更灵活地升级或扩展自己的业务,而无需经历漫长的申请等待期。并且少甫也不用考虑托管数据中心内机架数量的限制,能够按所需的时间点自由扩展虚拟机。
WAP解决的另一个痛点则是运维方面的难题。尽管集团IT部门负责所有IT基础设施的维护,但是由于管理颗粒度不够,集团IT部门通常只能监控到带宽、网络流量方面的异常,在诸如磁盘故障或软件故障方面,其通常需要子公司的IT部门进行申报才能解决。并且,少甫对数据安全性方面也有颇多担忧。因为物理服务器的计算能力通常存在“过剩”的情况,为了提高资源利用率,同一台物理服务器上可能运行着多家兄弟公司的业务,一旦某兄弟公司的业务出现漏洞或者故障,运行在这一台服务器上的其他公司业务也不可避免地存在数据泄露或者业务中断的风险。
而微软的私有云解决方案中,WAP既是一个统一的管理工具,同样也是分隔数据中心管理团队和子公司IT部门的一个“中间层”,集团IT团队可以利用System Center去监控各IT基础设施的健康状况,而无需子公司IT部门去“多管闲事”。同时,利用WAP的多租户特性,尽管分属不同子公司的虚拟机有可能运行在同一台物理服务器上,但由于租户之间有严格的“隔离”,即使某台虚拟机有漏洞或者故障,并不会影响到同一台物理服务器上的其他虚拟机。而虚拟机的可迁移性也让少甫不用再为因硬件故障导致的停机风险而担忧。
而且,少甫认为,WAP带来的简便的多租户管理对其集团而言相当重要。每个租户相当于是一个私有云环境,在预配置策略下,拥有各自的灵活性,能够更加自由地部署和使用适宜的应用,不必再局限于集团提供的有限的选择。而在灵活性增加的同时,子公司IT部门又不用为基础设施的运维而负责,工作量并没有增加,反而减少了束缚,能够更加专注于子公司的业务特点进行后续研发。
好文章,需要你的鼓励
阿里云CEO吴泳铭在财报电话会议上表示,AI需求增长如此迅猛,以至于服务器部署速度无法跟上客户需求。公司正在对GPU进行配给制,优先满足使用全套阿里云服务的客户需求。过去12个月,阿里巴巴在AI相关基础设施上投入1200亿元人民币,预计三年预算可能超过当前的3800亿元。阿里云智能集团季度营收达56亿美元,同比增长34%。
这项由中国人民大学联合腾讯开发的LaSeR技术,发现了AI在生成答案最后一刻会无意中透露对答案质量的评估。通过观察这个"最后一词效应",研究人员开发出了一种让AI高效进行自我评估的方法,在几乎不增加计算成本的情况下,大幅提升了AI的自我验证能力,为构建更可信的AI系统开辟了新路径。
OpenAI为ChatGPT推出"购物研究"新功能,恰逢假期购物季。该功能面向免费和付费用户开放,支持移动端和网页版。用户询问购物问题时,ChatGPT会提供个性化购物助手服务,通过一系列问题帮助用户筛选价格、用途和功能偏好。该功能基于专为购物任务优化的GPT-5 mini版本,从优质网络资源获取产品信息。OpenAI计划推出即时结账功能,允许用户直接在ChatGPT内购买商品。
新加坡南洋理工大学团队开发的NEO模型颠覆了传统视觉语言AI的设计思路,从模块化拼接转向原生统一架构。仅用3.9亿图文配对数据就实现了与大型模块化系统相媲美的性能,证明了端到端训练的有效性,为AI系统设计开辟了新路径。