作者:Nutanix亚太及日本地区高级副总裁兼销售负责人Matt Young
新冠肺炎被宣布为“大流行病”之后,几乎在一夜之间,业务连续性的概念发生了根本性变化。在此之前,业务连续性通常指的是企业在某一办公地点遭遇像洪灾等恶劣天气或自然灾害相关的事件而导致几天或数周关闭时,企业依然可以维持业务运转的能力。但几乎没有哪家企业或哪位IT领袖会预见到,为了应对这一全球性疫情,很多企业会关闭办公室长达数月之久。然而,真正为这种情况未雨绸缪的企业则少之又少。
即便在疫情爆发之前,许多企业就找到了能让绝大多数员工从家里连接到公司数据和应用的应对之策。但在疫情爆发之后的几周或几个月里,许多企业仍然面临困境,而另一些企业虽然照常经营,却也经常遇到新增的干扰因素,例如员工的孩子和宠物在视频会议背景中客串。在此期间所使用的一些技术解决方案和所吸取的经验教训将延续到接触远程办公后的日常工作中。
最近,Nutanix采访了Enterprise Strategy Group的高级分析师Mark Bowker,探讨影响未来工作场所的趋势。访谈的要点包括:
通过虚拟桌面基础架构(VDI)和桌面即服务(DaaS),员工几乎可以在任何地方使用任何设备访问工作桌面。通常来说,术语“VDI”描述的是托管在公司内部数据中心中的虚拟桌面,而“DaaS”则指托管在公有或私有云中的桌面。这两种解决方案都允许员工使用笔记本电脑、平板电脑或智能手机上的浏览器登录工作页面,通过移动网络或家庭WiFi连接,即时访问所有工作数据和应用。
在利用技术维持企业的业务运转方面,VDI和DaaS堪称完美典范。在不影响业务安全、生产力或性能的情况下,这一方式确保了人员流动性和工作灵活性。它能让工作人员在任何地方、任何设备上工作,安全、无阻地访问工作桌面和文件。
除了远程桌面解决方案外,许多组织正在竞相采用云协作套件、文件共享解决方案、视频会议工具和其他支持远程工作的技术。之所以这样做,部分原因是他们现在已经部署了这些技术,但也因为企业高管们看到了员工居家办公的效率。我们预测,更多的组织将继续把远程工作作为运营方式的重要组成部分,即使是在疫情结束、经济复苏之后。
更多的公司将允许现有员工每周居家办公一到两天。而其他公司将越来越多地将灵活的工作安排作为卖点招聘员工,或者在更远的地区范围内招募人才。
从某些角度来说,远程办公技术实际上提高了数据的安全性。例如,如果数据存储在中央服务器或云上,而不是存储在员工的笔记本电脑上,这将极大降低因丢失设备而导致数据泄露的危险。
然而,随着各行各业越来越多地采用远程工作解决方案,如何将这些工具与可靠的身份验证解决方案结合将变得非常重要。
此外,企业还应考虑投资后台监控工具以侦测可疑行为,比如员工从陌生的地理位置或不熟悉的IP地址登录等。
特别是在各个企业马不停蹄地推出并应用新技术的今天,IT专业人员应该回过头对不断变化的IT环境进行评估,以确保他们不会在无意中打开新的漏洞。
随着居家办公模式的快速和大规模发展,人们可能会认为,知识型员工的世界将完全数字化。但是,我们是否正走向一个实体办公室已经过时的时代?应该不是。
实体办公室消失的情况偶尔也会出现,但我们不认为会出现实体办公室大规模消失这种极端情况。因为人际关系在许多行业仍然非常重要。对许多员工来说,办公室是他们社交生活的中心。
不过,可以肯定的是,新冠肺炎疫情已经永远地改变了未来的工作模式。随着数字化和在线办公成为新常态,中国加速云转型,超融合基础架构将成为这一切的基础。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。