家住成都市成华区二仙桥的高先生登录区网上市民服务中心办事大厅,上传了办理医师执业变更的申请材料图片。不到半个小时,高先生的手机就收到通过审核和线下服务短信。高先生随即根据短信提示在区网上市民服务中心在线下单,委托第三方专业服务公司提供线下服务。当服务人员将变更后的医师执业证和医师资格证送到高先生手中时,仅过去了1个多小时。
把服务送到群众身边,这正是成都市成华区建设“大联动”信息平台的初衷。成华区是成都最大的主城区,拥有常住人口94.30万人,管辖14条街道。为了深入贯彻落实中央、省、市、区关于“改革创新、转型升级”的总体战略部署,推进社会治理体系和能力现代化建设,成华区制定了“大联动”方案。
攻守兼备的 “大联动”
所谓“大联动”就是充分应用互联网+、物联网、云计算等现代信息技术手段,“联动发现问题、联动解决问题”。大联动中心整合了综治、城管、应急等功能,是汇总信息、掌握情况的“中枢神经”,又是统一调度、统筹协调的“灵敏大脑”,同时还能为领导的研判分析和决策指挥提供技术支撑。
“大联动”方案的核心是建立“大联动”信息平台,依托基础数据库、业务数据库等数据通道,与公安指挥中心协作实现警务与非警务分流,与政务服务中心协作,实现543项行政审批事项“网上预约、网上代办”,与数字化城管中心协作,构建大城管体系。
信息孤岛、空间不足,两座大山难翻越
成华区“大联动”信息平台需要整合全区25个部门、14个街道的基础数据,包括人口、房屋、单位场所等9大类基础信息,这些数据需要在社区网格化管理系统、应急值守系统、扁平化指挥调度系统等十几个系统之间进行调度、查询、对比和分析,然而这些信息系统却分布在不同的地点,不利于资源的整合与管理,而且每个信息系统都相对独立,内部数据没有打通,“信息孤岛”现象严重。
想要支撑像“大联动”信息平台这种规模的系统平台,如果选用基于传统机架式服务器的云化方案,需要至少部署120台双路,而当前成华区信息中心机房已经被大量服务器、存储和网络设备占用,空间所剩无几,如果建设新的机房一方面会严重影响“大联动”信息平台上线的时间,另一方面也需要一笔不菲的资金。
如何打通系统间的隔阂,实现资源灵活调度,如何平衡有限机房空间与新上设备之间的矛盾成为成华区建设“大联动”平台必须翻越的两座大山。
浪潮融合架构整机柜服务器SR搭起云平台
针对成华区面临的两大难题,浪潮为客户量身打造了以整机柜服务器SR为基础的云计算解决方案。利用虚拟化技术,能够将单台物理服务器的计算能力最大化,破解信息孤岛难题,实现数据的灵活交互和资源的动态分配。
浪潮为客户部署了120个整机柜服务器SR节点用于搭建云计算平台。SR整机柜服务器具有高密度、低功耗、模块化的特点,适合横向扩展集群化部署。此次部署的SR整机柜服务器共拥有240个计算核心,可为整个云平台提供强大的并行计算计算能力,是建设云资源池的理想选择。相比传统机架式双路服务器,SR整机柜服务器,机柜式设计使得空间利用率大幅提升,部署空间节省了50%,计算密度提升84%,集中供电式的设计使得整体功耗节省了近15%。客户可以充分利用现有机房空间完成平台部署,无需另建机房,解决了当前机房空间不足难题。
另外,浪潮为客户提供了30台具备均衡性能和良好可靠性的四路服务器NF8460M3作为数据库服务器和管理服务器。
让数据多跑路 让群众少跑路
以浪潮SR整机柜服务器为基础的云平台,实现了数据中心资源管理、调度、多资源池融合,打破了信息孤岛,方便数据的灵活调取、对比和分析。“大联动”信息平台是成华区“大联动”体系建设的核心模块,是实现智慧城市的必然要求。
成华区“大联动”信息平台相关负责人表示:“在信息化技术不断成熟的今天,政府乃至街道社区应该用云计算技术来搭建办公网络,为老百姓提供服务,形成基于互联网+和云中心的智慧社区。”
以“大联动”为支撑,成华区积极探索“互联网+”在社会服务治理领域的应用,推进政府全域信息化建设,围绕“实验区+大联动”线上线下融合的双轮驱动智慧治理,为“智慧城市”建设开拓了新思路。“大联动”信息平台与公安指挥中心、政务服务中心、数字化城管中心互动,基本实现了信息的共享和资源的共用,探索建立警务分流、政务服务零距离、大城管的工作格局。
依托“互联网+”,成华区的“大联动”体系在民生服务中的应用正变得越来越广泛。让市民通过网络实现了审批服务事项全流程“一网办”,通过让数据在网上多跑路,让人民群众在现实生活中少跑路。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。