【乌托邦】
根据网络百科的定义,“乌托邦”,也称“理想乡(理想社会)”,是一个理想的群体和社会的构想,名字由托马斯·摩尔的《乌托邦》一书中所写的完全理想的共和国“乌托邦”而来,意指理想完美的境界。
【反乌托邦】
“反乌托邦”是乌托邦的反义语,希腊语字面意思是“不好的地方”(not-good place),它与理想社会相反,是一种极端恶劣的社会最终形态。
IBM 认为,开放式混合云架构是一个集混合云的敏捷性和企业级AI的智能为一体的技术架构;是一个以红帽 OpenShift 为底座,可以整合 IBM 和生态系统全方位技术和行业能力的技术架构;是一个让企业“上云用数智”的转型变得更快、更简单、更安全的架构——开放式混合云架构是企业数字化转型迈向“乌托邦式理想未来”的必由之路。与此相反,本文里提到的“像是科学怪人用碎片和部件堆砌起来的庞然怪物”是一个复杂难管、漏洞百出的架构,是一个“反乌托邦式”的架构。
以下分享自 IBM 的行家观点博客文章:
作者:John Kultgen 和 Douglas K.Paris White
2020年 10月 7日
现任 IBM 混合云高级副总裁,负责 IBM 的云业务。
此前八年,他是美国银行的首席技术官,负责领导美国银行的数字化转型。随着金融服务业正在大举向云迁移,Boville 决定坐下来,毫无保留地分享他过去十年在领导金融业数字化转型当中所学到的全部经验。
因为背后出现了一个大转变。就云而言,过去的情况是:“看成本,云可以降低成本。”这是成本为先的角度。
现在,我们正转向围绕业务流程、以价值为导向的方式来发挥云的价值。例如如何去改进一个已经僵化、过时和失效的业务流程?每个业务流程都会经历这个过程。
你可以重新设计人力要素,但这就给开发人员带来了压力,因为你还没有应对另外三个要素:应用、数据和数字供应链。因此,在 IBM,我们几乎是在反向进行数字化转型,也就是从后台向前端推进,我们的转型以创造更高的客户价值为聚焦点,是从 IT 后台向业务线推进的。
其中包括银行的供应商风险管理,以及银行必须遵守的全球多达75个甚至更多的监管机构提出的所有管控要求。这涉及到银行处理数据和数据隐私的方式,还与世界各地频繁变化的数据主权有关。当然还涉及到银行如何参考云安全联盟和所有参与其中的机构提出的管控要求来进行网络管控。
对于所有这些要求我们都做好了内置处理。正如我曾对我美国银行的团队所说的,我们有一个崇高的目标,那就是通过构建这种能力来降低金融行业的系统性风险。如果没有管控,对于银行以及所有为银行提供服务的SaaS供应商而言,他们的供应链就会非常脆弱,迟早会出问题。
过去几年发生过的最重大的金融数据泄露事件,让我们亲眼见证了此类风险的危害——一家银行在自己全栈平台上设计构建了自己的管控措施,然而又不具备整个金融行业的友好性,最终导致这家银行被罚款数百万美元,更为严重的是,银行的客户忠诚度和信任度也遭受重创。
这其实是一个事物的两个方面:乌托邦和反乌托邦。如果一家企业采用了错误的方法,结果将会像是科学怪人用碎片和部件堆砌起来的庞然怪物。这个怪物会造成更多的网络漏洞,更多的网络问题,更多的宕机——不是因为这些平台本身不安全,而是因为它们太复杂、太开放,以至于无法基于这个庞然怪物来进行下一步的发展。这就是为什么你需要一个有管控的架构。
与此同时,在这个庞然怪物之下,客户当初选择云的重要原因——成本,也会逐步失控,因为客户被严严实实地锁定在这些复杂的单云环境中,无法轻易摆脱。
是的,混合云,绝对没错。乌托邦式的未来是开放式的混合云架构,这正是我们利用红帽 (Red Hat) OpenShift 和 Kubernetes 正在做的事情。
恰恰相反,混合云关乎所有一切,不仅仅是 IT 的问题。
混合云也是我们行业专长的用武之地。不仅仅是银行业,我们还致力于电信、保险等其他行业,并为每一个行业量身定制他们的管控层。正是因为有了这些管控层的内置,才使得客户可以充分实现云的价值。
企业可以变得更为敏捷;可以通过虚拟化降低单位成本;可以提高开发人员的工作效率;可以以非常安全的方式增强企业获取数据、组织并分析数据的能力——所有这些都与物理位置无关。企业只有在正确的行业经验的指导下,迁移到正确的开放和安全的架构之上,才能做到这些。
我们已经将所有这些资产和能力构建在我们的云上——这正是我们带领客户走上乌托邦的云转型之路的方法。混合云不是通往未来的中间站,它本身就是未来。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。