多云世界正在迅速成为众多企业内部的新常态。特别是2020年初,随之而来的新冠疫情,加速了企业上云的进程。据统计,有98%的企业计划到2021年使用混合多云环境。IDC的研究也证实了这一点,预计到2024年,90%的全球1000强组织将建立多云管理的战略,包括使用能够跨公有云和私有云进行统一管理的工具。
当企业中的用户主动采用来自不同云供应商的基础架构和解决方案时,挑战便随之而来。在混合多云的环境中,多家供应商并存、多个云的连接和管理,以及合规、安全等问题亟需解决。
研究人员进行的一项调查结果表明,企业业务被“云绑架”的主要原因如下:
IT架构的纷繁复杂,给IT运维和管理造成了很大的阻力。横跨多个云平台、多云和多集群环境也变得更加复杂,管理难度不断提升,对跨云平台的运维和管理带来了更高的挑战。
一方面,多云部署有工作负载优化的好处,多云的组合相当于对不同的云进行优化组合,但同时也带来了管理复杂性的挑战。来自IBM的调研显示,98%的企业预计未来三年内也将采用多云管理环境,但仅有38%的组织部署了多云环境运行所需的程序和工具,这说明绝大多数的客户没有相应的工具和流程来管理和运营复杂的多云环境。
另一方面,多云意味着一种灵活性,使组织可以灵活地在不同选项变得更有利时更改供应商和服务。然而,多云环境下,企业无法避免数据的跨云迁移,由此在数据一致性、低时延等方面形成了新的挑战。同时,在安全方面,牵涉到各个云服务商的安全能力差异、企业自身对安全的要求,以及各国法规遵从等综合因素的难题。
同时,多云允许企业通过采用具有最佳性价比的云计算服务来控制成本,但是企业不得不面对云原生应用与传统应用之间的管理差异性问题。而在多云因素的影响下,企业需要对云原生和传统应用之间进行统一管理,所以对集成的灵活性提出了更高的要求。
显而易见,多云增加了业务灵活性的代价,必然是多云和多集群环境也变得更加复杂,管理难度不断提升。如何在统一平台下,进行统一的智能化和可视化的管理和运维成为企业多云管理的首要诉求。
了解云环境并制定关于多云管理的决策,整个过程非常复杂。尽管绝大多数的企业事实上已在运行多云架构,但只有相对少数的企业了解如何管理这些环境。多云环境需要全新的管理解决方案,这个时候一个具体可靠能力的合作伙伴至关重要,帮助企业实现混合多云的跨平台管理。
如今的IT基础架构一般都是包含多厂商跨平台的硬件、软件和网络产品的传统IT与云的异构混合环境。所以,服务合作伙伴至少应当具备处理多厂商、多云的混合环境的公认经验,更重要的是,应当与一流厂商存在良好的合作关系,以便确保当前的产品可用性,以及对产品发展趋势和新兴技术的了解。
IBM在云管理经验方面经验丰富,并与众多客户开展一体化运维实践,而IBM可以将这样的经验复制到企业中,帮助企业从传统架构向稳敏双态架构的运维转变。其中,IBM MCMP是数字化的使用和交付平台,具有集成以及指挥与自动化管理层,在多厂商平台中支持多种技术组合。
而IBM Cloud Pak for Multicloud Management把全新的云原生能力以预集成解决方案的形式提供给企业客户,并围绕企业多云环境中的迁移、构建、管理三大难题,让企业可通过一次性构建关键任务应用,就可让应用在所有主流公有云或私有云上的运行。
IBM的多云管理方法具有集成和编配层,可以通过技术堆栈提供一致性管理。这使客户能够控制云的使用,减少影子IT,并提供对整个IT资产的性能、可用性、治理和成本的基本可见性。
同时,通过AIOps统一的方式实现智能IT运营,扩展ITSM集成/服务管理和云原生环境中的DevOps流程,实现应用的快速上云、迭代,让多云管理更具前瞻性、可预测性,从而优化客户的人力和管理成本。
IBM拥有为混合多云环境构建最佳的、有弹性的、安全的环境所需的专业知识和技能,可以将计划外停机时间减少65%,并创建一个灾难恢复流程,将配置和测试时间从几天/小时加速到几分钟。
目前,企业已经翻开了数字化重塑的“第二篇章”,未来还有更多工作负载期待走入更成熟、更开放的云环境,新一代混合多云管理平台是企业上云之路中最重要的一块基石。
IBM有能力帮助企业打造新一代多云管理平台,帮助企业实现多云管理的自动化、可视化、智能化、可定制化,成为企业多云时代的最佳合作伙伴。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。