至顶网服务器频道 06月08日 新闻消息(文/李祥敬):经过近10年的努力,我国云计算大数据产业得到了快速的发展,相关新技术已成为推动经济增长、加速产业转型的重要力量。在“互联网+”、“中国制造2025”和“大众创业、万众创新”等国家政策的推动下,经济和社会领域对云计算大数据的需求不断加大。业务需求的拉动让云计算大数据的生态体系逐步显现,特别是云计算技术与工业、交通、金融、医疗、生活服务、教育等领域的深度结合,行业应用快速云化的趋势显著。
2017年6月14日-16日,一年一度的第九届中国云计算大会将在北京国家会议中心拉开大幕。今年围绕“生态构建 深化应用”的主题,众多院士、专家、大腕将坐镇现场,共同为大家呈现一场云计算、大数据的科技盛宴。
应该说,云平台的构建和管理是企业云化的关键。在本届云计算大会上,云计算平台构建与实践论坛将从异构云计算平台,公用云、私用云和混合云,行业云应用等方面,剖析云平台构建与自动化运维的最佳实践和最新应用案例,从而给企业构建云计算平台提供交流平台。
微软大中华地区首席技术官(CTO)徐明强
所谓“知行合一”,未来云计算会怎么走?微软大中华地区首席技术官(CTO)徐明强将会带来《云计算新时代启示》的主题演讲,在云计算第二个十年的开端,全球正目睹 IT 世界观的演变,从云优先和移动优先向智能化云计算和边缘计算的转化。徐明强将透过近年来全球及大中华区的客户具体实践,揭开新时代云化的愿景和启示。
天云软件CEO张福波
天云软件CEO张福波将会进行主题为《后云计算时代的技术与市场走向》的演讲,在张福波看来,虽然云计算在媒体的关注热度已明显下降,但这恰恰是云计算市场即将喷发的前奏。任何技术的发展必然经历概念推广、小规模采用、大规模使用三个阶段。现在的云计算正处在从小规模采用向大规模使用的过渡阶段,我们把它称之为“后云计算时代”。
基于天云软件在云市场近七年的客户经验,张福波为我们揭开“后云计算时代”哪些技术、哪些需求、哪些性能指标是市场和用户所真正关注的。
目前云计算领域的创新正进入一个快速发展的时期,以容器为代表的新兴技术在最近几年内出现并快速落地。云计算领域的创新正快速从基础设施领域转移到云应用领域,出现了容器技术、微服务架构、服务编排、无服务器计算等多种创新性的技术和方案。容器、微服务、服务编排、无服务器计算在新一波的技术浪潮中扮演什么角色呢?新一代云环境下的应用开发需要采用的技术、架构,以及应用形态应该是什么样子?这些问题正成为影响新型云计算技术落地的关键性因素。
BoCloud博云CTO李亚琼
BoCloud博云CTO李亚琼的主题分享聚焦从容器到微服务的落地案例,从实践和技术原理相结合的角度分享新技术落地中的相关经验,同时对云化过程中的应用形态和架构创新进行分析与展望,以期对上述问题的回答有所启发。
另外,中国移动政企分公司云计算中心产品经理刘松华与现场观众分享中国移动的公有云实践。
同时,云计算平台构建与实践论坛也邀请了中国银联电子支付研究院、电子商务与电子支付国家工程实验室云平台负责人祖立军、万达集团信息管理中心常务副总经理冯中茜、兴业数字金融服务(上海)股份有限公司云计算事业部总经理郑子洲与大家分享中国银联基于软件定义网络的云计算技术实践、企业混合云实践之四大谎言、银行云化实践之道。
这样一场技术界的饕餮盛宴,还不快来与我们一同“享用”?6月15日,我们相约在第九届中国云计算大会——云计算平台构建与实践论坛。
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。