3月20日,创原会·云原生技术精英沙龙在上海成功举办,来自云原生计算基金会(CNCF)、中国信息通信研究院、华为云以及金融、汽车、物流等行业的云原生技术精英,就云原生如何加速企业数字化转型进行了深入探讨。

创原会·云原生技术精英沙龙(上海站)现场
创原会是华为云联合CNCF、中国信通院及业界云原生技术精英们,构建的全球化云原生交流平台,旨在通过探索前沿云原生技术、共享产业落地实践,共创云原生与业务融合的无限可能。
CNCF:云原生 企业新一轮技术升级首选
CNCF亚太区总经理Keith Chan与大家一起回顾了2020年云原生的发展,在CNCF 2020云原生市场调查中,受访用户的容器使用比例已高达92%,比2016年增加了300%, 云原生技术已成为全球企业新一轮技术升级的首选。在这一趋势推动下,2020年底CNCF、中国信通院、华为云联合成立了创原会,为全球云原生技术精英提供一个开放、包容和中立的交流平台。
中国信通院:云原生理念赋能企业数字化发展
中国信通院云大所云计算部副主任徐恩庆就云原生如何加速企业数字化转型进行了分享。“企业需要打造一体化数字基础设施平台,以容器、微服务、服务网格为代表的云原生技术则是实现这一目标的最优路径,”徐恩庆强调,“云原生基础设施为上层应用开发提供敏捷、灵活的基础环境,构建灵活、容错性好、易于管理和便于监测的松耦合系统,进而显著提升企业研发、运维效率。”
华为云:技术+实践,指导企业云原生升级
随着企业云化由“ON Cloud”迈向 “IN Cloud”,云原生也随之发展到2.0阶段。华为云云原生资深技术专家汪 洋介绍,为匹配企业在云原生2.0阶段的数字化转型诉求,华为云基于擎天架构打造了 “以应用为中心”的云原生基础设施,通过感知应用特征,来准确匹配业务应用诉求;并提供云原生多云平台,满足企业核心业务大规模跨云部署、管理、监控等需求;同时,为企业各类云原生应用提供统一分发、运行、治理平台,提升业务的部署、运行、运维效率。
华为已将这一系列能力用于自身的数字化转型实践,实现研发作业域、IT生产域架构的全面云原生化,华为云云原生资深技术专家周晖在分享中总结道:“业务的全面云原生化,将资源利用率提升了3~10倍、软件版本的一次性变更成功率提升到99.7%以上、全球20+Region的部署效率提升10倍,保障全球业务高效开展。”
行业嘉宾:精英齐聚论道云原生
英特尔技术专家杨爱林就嘉宾关心的容器安全问题分享了看法:“随着容器在越来越多的核心业务系统中使用,安全问题不容忽视。英特尔发起的Kata Container项目,在保留容器轻量化、敏捷化的同时,实现了虚拟机级别的安全隔离,同时,英特尔还基于SGX技术,提供了硬件层面的安全解决方案,进而从硬件、软件层面全方位满足企业落地云原生过程中的安全诉求。”
金融、汽车、物流等行业的云原生技术专家,也纷纷就使用云原生的经验、遇到的问题进行了分享与探讨,来自德邦快递的专家彭臻对云原生为业务带来的价值深有感触:“容器从根本上解决了我们业务扩容效率的问题,使用华为云的云容器引擎CCE后,业务高峰期的扩容速度从原来的十分钟缩短到了一分钟。”
聚八方领航者,论云原生之道。自去年底成立以来,创原会已召集150+企业CTO、架构师等云原生先行者深入探讨;未来,创原会将继续围绕“提升行业云原生技术认知、共享企业云原生实践经验、推进云原生标准制定、加速企业创新业务孵化”持续建设全球化云原生交流平台,共创云原生产业繁荣。
好文章,需要你的鼓励
国际能源署发布的2025年世界能源展望报告显示,全球AI竞赛推动创纪录的石油、天然气、煤炭和核能消耗,加剧地缘政治紧张局势和气候危机。数据中心用电量预计到2035年将增长三倍,全球数据中心投资预计2025年达5800亿美元,超过全球石油供应投资的5400亿美元。报告呼吁采取新方法实现2050年净零排放目标。
阿布扎比科技创新研究院团队首次发现大语言模型生成的JavaScript代码具有独特"指纹"特征,开发出能够准确识别代码AI来源的系统。研究创建了包含25万代码样本的大规模数据集,涵盖20个不同AI模型,识别准确率在5类任务中达到95.8%,即使代码经过混淆处理仍保持85%以上准确率,为网络安全、教育评估和软件取证提供重要技术支持。
AMD首席执行官苏姿丰在纽约金融分析师日活动中表示,公司已准备好迎接AI浪潮并获得传统企业计算市场更多份额。AMD预计未来3-5年数据中心AI收入复合年增长率将超过80%,服务器CPU收入份额超过50%。公司2025年预期收入约340亿美元,其中数据中心业务160亿美元。MI400系列GPU采用2纳米工艺,Helios机架系统将提供强劲算力支持。
斯坦福大学研究团队首次系统比较了人类与AI在文本理解任务中的表现。通过HUME评估框架测试16个任务发现:人类平均77.6%,最佳AI为80.1%,排名第4。人类在非英语文化理解任务中显著优于AI,而AI在信息处理任务中更出色。研究揭示了当前AI评估体系的缺陷,指出AI的高分往往出现在任务标准模糊的情况下。