本周关于华为公有云的更多细节公布了——就像是一个九头蛇,有着很多头的生物。
华为将基于自己的能力以及与合作伙伴一道构建全球云网络。在海外,华为正在与德国电信、奥兰治和西班牙电信等公司合作,他们将向那些使用华为基础设施的本地企业售卖云服务。
这个基础设施(也就是云数据中心)将被华为公有云联盟合作伙伴所拥有、贴牌以及运营,但仍由华为构建的。
实际上,华为正在他们所在的地区提供白牌公有云。华为表示,它希望成为五大公有云提供商,这意味着华为的公有云——包括华为自己的云以及白牌的合作伙伴云——将能够与前四大云提供商相竞争。
华为轮值CEO郭平表示:“云是智能世界的基石。整个社会在数字技术开发的过程中正在经历马太效应。再加上投资的规模效益,全球云计算将开始融合——越来越集中化。未来,我们预测全球将会有五个主要的云。华为将与我们的合作伙伴一起,致力于构建其中之一的云,我们拥有实现这一目标的技术和知识。”
我们的理解是,这五大云是中国的阿里巴巴、Amazon、Google和微软,再加上华为,其他则是一些规模较小的、专有的公有云,其中可能包括IBM和Oracle。
为了避免厂商锁定的质疑,华为提供的混合云解决方案能够集成第三方公有云平台,包括Amazon和微软。
混合云
华为认为,链接和沟通私有云是混合云的思想,这意味着,内部IT和公有云之间将进行数据和服务的转移,本地IT基础设施的配置和操作将会云化。
公有云可用作近线存储和冷存储层,热数据在本地部署的环境中保存和处理。备份、归档、测试和开发数据被发送到公有云也就是成本更低的存储中。
华为坚信云的业务可能性,所以最近将云部门的级别提升,高出公司其他部门。
客户
华为表示,自2017年3月创建云部门以来,用户群增长了238%,发布了40项新的云服务,包括一个数据仓库、高级DDoS保护和内容交付网络。到目前为止,华为已经发布了85项云服务。
有十几家汽车公司(包括大众汽车、梅赛德斯奔驰)、商业机构,飞利浦,中国工商银行以及多个政府服务平台正在使用华为云计算,以及其合作伙伴的服务。
欧洲核研究组织(CERN)一直在华为和德国电信共同开发的公有云上运行自己的工作负载。欧洲核研究组织有数千个华为的高性能计算节点,已经将大型强子对撞机(LHC)的整体维护成本降低了67%,并将在线周期从90天缩短到15天。
企业智能和人工智能应用及服务
华为正在为自己的公有云开发应用,其中就包括企业智能(EI)云服务,也就是人工智能。
华为表示,AI应用基本上是一次性使用的,但是AI需要更加通用化。华为IT产品线总裁郑叶来表示:“AI需要为企业创造更多价值。为了实现这一目标,我们必须整合单点技术,在复杂的企业场景中结合起来运用这些技术。我们将华为云定位为智能世界的推动者,它提供了AI、物联网、计算、和存储能力,为企业提供更多创新的、智能的云服务。”
这项EI服务具备:
华为自己也在使用EI服务,从供应预测到物流,从仓储到清关、过境和签收货物,把EI服务打包成可对每个容器进行3D视图,将容器整体效率提升6%,6%听起来可能不是很多,但是分散到数十万个容器的话,就是非常可观的了。
在仓储方面,EI可帮助设计出更好的放置货物和分类货物的方式,并优化路径以选择货物和储存空间,这将使仓储效率提高10%。
评论
与Amazon和Google不同的是,华为正在自己的云上开发应用平台服务,不仅仅是客户必须整合到数据中心级应用服务中的基本计算、存储和数据库组件产品。Amazon和Google提供相当于裸机的公有云,而华为及其合作伙伴提供的是企业数据中心类型的平台服务。
假设你希望从AWS那里租一辆汽车。你需要租赁的是基本的组件——发动机、变速箱、客舱、燃油、车轮等等——然后你自己把这些组装成一辆汽车。你有很大的灵活性,但是组装和定价是十分令人头疼的问题。
华为及其合作伙伴正在为客户提供类似定制租赁汽车的云产品。华为向堆栈的上层移动,策略与Amazon和Google不同,拥有Office 365的微软则向堆栈更高层移动,但是还没有达到华为及其合作伙伴的高度。
华为的策略是否奏效?如果我们看到企业从Amazon、Google和微软云转向采用来自华为+合作伙伴生态系统的云,那么我们就会知道华为的云联盟是具有吸引力的。未来几年让我们拭目以待。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。