
工作中的网络安全专家。
日前,Rackspace Technology公司刚刚举办分析师日活动,旨在展示其最新战略与产品。作为关注Rackspace多年的分析师,我发现该公司对于客户满意度至上的承诺从未动摇。此外,Rackspace还利用技术解决各类实际业务问题,而不单纯是为了显得技术而发展技术。Rackspace以客户为中心的方法也成为其独特的竞争优势,帮助其在与大多数托管服务供应商(MSP)的对抗中脱颖而出。
Rackspace的一大核心战略领域,在于集成多种解决方案与流程,利用其咨询服务进行设计/构建、优化、管理与持续指引,借此有力支持基础设施与应用程序。更重要的是,Rackspace一直将安全性作为一项功能主体、而非事后因素。在多云世界当中,全频段安全保障已经成为维护客户数据、应用程序以及基础设施免受攻击侵扰的重要前提。
Rackspace在多云交付方面拥有丰富的经验积累。相比之下,大多数企业CIO还不知道该从哪里迈出云迁移的步伐,难以确定各类目标环境(公有、混合或私有)之间的平衡与最佳应用模式,忧心于数据主权与完整性,更害怕自己的有限预算不足以支撑整个云迁移流程。Rackspace致力于同AWS、微软Azure、Google Cloud Platform以及VMware的合作关系,确保客户能够在所有主流云环境中安全完成大规模部署。此外,Rackspace还与各大独立软件供应商及工具开发商合作,探索如何更有效地引导客户前往云原生环境。
公有云安全性令人生畏
随着公有云的持续发展,传统网络安全方法也必须得到改进。单靠将一切运行在服务器端,或者俊入侵防御系统(IPS)、端点防御系统(EPS)乃至防火墙保护基础设施即可高枕无忧的日子早已过去。另外,随着网络分布程度的快速提升,如今高达70%的员工开始居家办公,这导致IT部门及安全团队几乎无法控制哪些设备可以接入业务网络、而哪些不行。
从超大规模角度出发,我们根本无法跟上云乃至相应安全产品的变化步伐。例如,单是AWS一家就提供超过18种安全服务选项,这也让众多CSO陷入了选择困难症。Rackspace Technology在部署可实现规模经济效应、又无需选择新服务的解决方案方面带来了出色表现。特别是在云原生环境下,这种统一的体系能够帮助客户规避许多连安全厂商自己都不知该如何应对的挑战。
Rackspace的核心文化与精神,在于保证人始终与技术融为一体。如今,不少安全供应商仅提供技术服务,但却很少甚至完全不重视人在安全领域的作用。单纯依靠技术本身就是一种严重的安全隐患。换言之,要建立起完善可靠的安全体系,服务及产品只是其中的一部分。主动网络安全要求人们不断监控并响应安全事件。Rackspace在平衡技术及各层级人员方面同样颇具心得。在多云世界中,Rackspace凭借着将第三方安全工具同来自公有云供应商的云原生工具相结合,打造出更加强大的安全运营中心(SOC)产品,并由此建立起显著的市场竞争优势。
大多数托管服务供应商(MSP)致力于吹捧最新技术和流行热词凸显自己的与众不同,但却没有真正考虑到客户的实际需求。这里我要泼泼冷水——很多销售代表关注的是怎么收钱,而不是为客户提供正确的解决方案。这必然会导致客户满意度下降、方案很快过时。Rackspace Technology则很好地在技术需求与为客户建立内部专业知识之间找到了平衡点,而这一切,都是为了进一步提升客户的实际满意度。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。