十年云计算浪潮下,DevOps、容器、微服务等技术飞速发展,云原生成为潮流。云原生2.0是企业智能升级新阶段,企业云化从“ON Cloud”走向“IN Cloud”,成为“新云原生企业”,新生能力与既有能力立而不破、有机协同,实现资源高效、应用敏捷、业务智能、安全可信。
2020年11月30日,华为云发布云原生产业白皮书、云原生2.0全景图和行动计划,并分享了华为自身基于云原生进行的数字化转型实践,全方位赋能企业云原生落地,加速云原生产业繁荣。
华为云联合研究机构Forrester撰写的《拥抱云原生优先战略,构筑以“应用”为中心的企业现代化IT基础设施》白皮书,通过聚焦云计算基础设施及云原生应用开发及业务管理人员在引入、应用云原生技术过程中面临的挑战和需求,展现中国应用云原生技术进行应用开发的现状及未来,并提出相应的战略建议。
白皮书核心观点
云原生是中国企业应对市场不确定性的关键趋势
云原生是企业数字化转型的基础,是企业数字化平台的基石。超过半数以上的受访企业意识到传统的云计算及基础架构技术无法使得企业更加有效地应对不断变化的客户需求、来自多方面的挑战,以及满足保障业务连续性、提升运营效率的内生需求。在实现基础架构、应用架构升级和重构时,企业需要建立云原生优先(Cloud Native First)的战略,构建一体化全栈云原生平台,加速企业现代化进程。
中国企业云平台现代化进程面临多重挑战挑战
云原生实践中面临技术及管理复杂性双重挑战,需要更便捷高效的企业级平台。一方面,传统容器平台由于技术及功能方面的不完备性,使得企业不得不面对复杂的技术架构与繁琐的运维管理,比如:当前主要聚焦无状态容器应用的编排,缺乏对完整云原生应用生态的支持;主要面向单一公有云或私有云环境,缺乏多云、云边的协同编排能力,主要提供通用的基础平台能力,缺乏对新兴技术的支持,及以应用为中心的资源调度能力;另一方面,云原生开源组件成熟度不一、存在多种技术发展路线。
借助企业级全栈云原生平台,加速现代自适应企业构建
企业期待构建以应用为中心的,软硬一体化的全栈云原生平台作为企业IT基础设施,来加速企业创新及数字化转型。业务系统应用开发人员日益面临复杂的业务场景、端边云协同需求、异构计算下的应用快速开发、上线、监控及治理等难题。为了能更好地响应业务需求,受访企业普遍希望借助合作伙伴的力量有效规避选择开源技术组件、自研等带来的风险和不确定性,保障技术成熟性、开放性同时确保技术先进性。
白皮书中还能各行业的云原生建设给出了建议,聚集企业核心的业务和技术需求:
互联网行业:基于软硬协同架构,构建更高性能、更优成本、更灵活弹性的云原生基础设施满足现有业务及大数据、AI等新兴业务的诉求;
金融行业:通过全栈云原生能力实现应用架构现代化及基础架构现代化,并通过对大数据、人工智能等新兴技术栈的平台支持加速金融服务创新,同时使用云原生技术更好的支撑业务面临的多云、边缘部署的诉求。
制造行业:通过云原生技术实现基础架构的弹性,保障企业数据主权与安全,并通过分布式的场景支持实现即时的数据获取和洞察,提升企业在研发、生产、供应链及营销企业经营全链条上的智能化程度。
政府机构:通过分布式运营,更加快速地获取数据获得洞察是实现更加高效政务治理与服务的基础;同时,确保政府数据、应用安全以及应对突发情况下的基础架构弹性则是政府应用云原生技术的重中之重。
面对企业的多层面需求,需要以应用为中心的云原生基础设施,加速企业级云原生全栈平台落地,实现传统应用与云原生应用的一体化开发部署和大规模混合部署运维支持能力。
对于多数企业来讲,要构建全栈云原生平台,利用云原生技术加速企业数字化转型、应用及架构现代化进程,需要从全球技术领导力、云原生产品战略力、软硬件协同创新能力三个大的方面来考虑,选择具有清晰产品战略、成熟的平台产品以及深厚企业服务经验的合作伙伴,降低企业在技术选择和决策方面的风险,让企业可以将关注重点聚焦在业务需求上。
白皮书详细目录
点击链接下载白皮书:
https://www.huaweicloud.com/about/cloudnative2_0_whitepaper.html
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。