作者:IBM Z总经理Ross Mauri
在混合云的世界里,当涉及IT基础架构时,IT主管们都会将其方案选择与可控性放到战略高度上进行考量。而在实施混合云战略时,企业采用云技术面临的最大挑战之一是安全性,安全顾虑常常会导致企业数字化转型的速度减缓。企业最关注的是信任、数据保护、合规性等问题,这正是将IBM Cloud前所未有的安全性赋予企业开发人员的首要原因。
在今年的Think大会(Think 2019)上,IBM很自豪地展示了在全系列IBM Z云产品上取得的进展,以及我们的客户如何充分利用这些解决方案来帮助他们更好地保护数据。
IBM发布了针对IBM Cloud Private(ICP)的多项重要增强功能,以提供集成平台管理和编排功能,通过在IBM Z上运行整个私有云基础架构,提供高度安全的私有云。这些更新包括:
针对IBM Cloud Private on Z的增强功能,计划于2019年3月正式发布,其中,
此外,IBM公布了全新的IBM Cloud Hyper Protect系列云原生服务的进展,这些服务旨在提供高度安全的混合云,包括可将IBM LinuxONE融入IBM全球公有云数据中心的三项服务。借助IBM Cloud目录可以帮助企业开发人员减轻负担—— 只需点击一下按钮,即可拥有业界领先的安全性与弹性,在IBM Cloud中将其应用程序现代化。这包括:
IBM也在与多家客户开展合作,例如与Shuttle公司及其领导的一家投资组合公司DACS(一家全球性的数字资产服务公司)合作,将数字资产的超高安全保护与机构及个人的增值资产服务结合起来;与瑞士软件公司Phoenix-Systems合作,这家公司正在利用Secure Service Containers for IBM Cloud Private(SSC4ICP)创建数字资产托管平台——这一新兴领域对全球最大规模的多家银行至关重要。
另一方面,IBM也通过一项战略举措在与 Solitaire Interglobal(SIL)合作开发一个用例。这家公司利用基于IBM LinuxONE IBM Cloud Hyper Protect服务,以帮助确保其独特的Wenebojo IP获得最高级别的FIPS 140-2商业安全认证,同时又能随着内容聚合的增长加而不断扩展。
这些客户实例表明了IT主管们可以充分利用IBM Z和LinuxONE的安全性这一最大优势,同时帮助企业随时随地(不管是在本地服务器、私有云,还是公有云上)部署和管理混合云并进行开发。有了这些增强功能,IBM Z和LinuxONE可提供高度安全的混合云,帮助客户走上企业级的向云之路。
云之外,还有更多发布。本周,作为Zowe 1.0的一部分,Open Mainframe Project发布了针对Zowe的一些应用更新,这些更新将使该框架更易使用和安全。目前,该项目的测试版本下载次数已超过1700次,其通信工具已拥有700多名用户,在Zowe社区有50多个代码提交者,开发者社区总体上对该项目很感兴趣,认可度很高。推出Zowe 1.0,也是在履行我们对企业开发人员的承诺——将IBM打造成一个现代化的开放平台。
上周,我们还发布了一些基于Zowe架构的单元测试新功能,统称为IBM Z Open Unit Test。此前,测试工具一直是手动的,导致它们很笨重、复杂且难以使用,在这个敏捷性比以往任何时候都更重要的时代,这会减慢开发人员的工作进度。自动化测试应该能给开发人员带来更好的应用开发体验。
在Think大会于本周在洛杉矶进行之时,这些新消息带来的势头令我感到兴奋,欲了解更多信息,请于2月15日前到访莫斯康展览展览中心(Moscone Center)的云技术及基础架构区域(Cloud and Infrastructure Village)。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。