云计算产业在全球高速发展,同时形成新的产业生态和技术方向,每年一届的中国云计算大会是一窥国内该产业态势的通道。
在2017年6月14-16日举行的第九届中国云计算大会上,业界领先的云管理平台软件制造商和云解决方案提供商——北京天云融创软件技术有限公司(以下称“天云软件”)展示了企业私有云、混合云以及高性能计算和机器学习支撑系统解决方案及众多实操案例,充分展示了天云软件在云计算领域的技术实力。公司CEO张福波博士在大会演讲中总结了后云计算时代的三大特征,并预测云计算的真正爆发将在2019年以后。会后张福波博士接受了媒体的专访。
在天云软件展台,SkyForm CMP(云管理平台),SkyForm ECP(企业弹性计算平台)和 SkyForm OpenLava(高性能计算任务调度软件)切中了企业从私有云到公有云、从IaaS层到PaaS层及其到应用平台层的云计算和调度管理需求痛点,引起了现场观众的广泛兴趣,前来咨询的专业人士络绎不绝。
天云软件工程师与参会观众交流
云计算应该是交付一项一项服务,而不是单纯的资源交付,云管理平台可以将资源管理起来,统一交付给用户,在资源和用户之间起到一个承上启下的作用,这正是天云软件正在做的事情。天云软件成立于2010年,致力于云平台软件研发、云系统构建、云计算行业解决方案提供及云运维服务。
“云计算的真正爆发将在2019年以后,此时,云计算的行业应用已从最早的‘概念验证阶段POC’、中间的‘采用阶段Adoption’过渡到了‘生产系统阶段Production’,”张福波表示:“进入后云计算时代后,除了生产系统上云之外,人工智能和机器学习的时代也将来临,软件架构会进一步微服务化,这些构成了后云计算时代的三大趋势。”
CEO张福波博士精彩演讲
在张福波看来,机器学习并非开拓新的领域,而是助力诸多行业更好发展。这意味着众多行业将在未来几年加大对机器学习的投入,从而使机器学习的市场呈现出高速增长态势。此外,高性能计算与云计算的结合是计算能力平台的核心所在,使人工智能和机器学习得以实现。
而因为容器技术的出现,使得每一个应用可以很容易地被部署,于是微服务就有了可行性。一旦微服务颠覆软件开发的模式,传统软件开发的模式将面临微服务的重新编排,这样一来可以极大降低软件的开发周期并提高软件成熟度以及稳定性。张福波透露,目前天云软件的开发也在全面转向微服务架构。
机器学习所需的大量计算需求为云计算,尤其是基于容器和GPU的云计算平台,增加了新的需求。随着机器学习和人工智能应用的不断完善和普及,利用云来承载各类应用的人工智能引擎将成为云计算的下一个增长点。
在后云计算时代,天云软件正在做三件事情:一是继续推动云平台成熟化,使之更加稳定、可靠、安全;二是紧跟市场需求,打造IoT和AI+的云支撑系统。天云软件所研发的基于容器并强调弹性计算的SkyForm ECP、沉淀多年的云管理平台SkyForm CMP和高性能计算工作负载管理SkyForm OpenLava,可以使云计算与高性能计算技术相结合,从而完美支撑机器学习;三是致力于开发智能运维即云计算的智慧管理,并采用人工智能以及机器学习使得产品工具更加聪明。
值得一提的是SkyForm OpenLava,这是天云软件在北美投资的研发团队基于开源软件开发的一个高性能集群调度产品,因其自主可控的特性而受到了国内企业的欢迎。
在核心团队的带领下,天云软件不断锤炼自身的产品,不断提升管理、调度能力。公司业务满足企业从私有云到公有云、从IaaS层到PaaS层的IT云化需求,基于业界最新技术架构构建安全、稳定、高可用的云系统软件,实现IaaS与PaaS资源的统一管理,帮助电信运营商、制造、航空航天、娱乐、教育和金融等行业的企业有效提高资源利用率,降低运维成本,轻松实现应用上云。
天云软件的服务架构
2016年年底,天云软件完成数千万元A轮融资,这些资金全部用于产品研发和市场拓展。天云软件CEO张福波博士表示:“天云软件的全球策略,除了持续的云计算领域深耕、不断技术革新外,也一直重视与本地合作伙伴的深度合作及行业推动。我们一直都与众多硬件及软件厂商有着密切合作,如超云、亚信、联想、Mirantis等等。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,也就是我所讲的‘后云计算时代’。同时我们相信:‘未来几乎所有的IT架构都会基于云架构、未来几乎所有的应用都会跑在云上。’我们一直致力于推动云计算发展和技术革新,未来也将会一如既往的重视与本地合作伙伴的紧密合作,共同推进行业进步。”
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。