当前,证券业正借助信息技术手段加速行业数字化进程。以容器、Kubernetes为代表的云原生技术为证券业务与科技的融合创新提供强大的动力。

安信证券技术平台室资深架构师沙烈宝在第四届“企业云原生创新大会Enterprise Cloud Native Innovation Conference”(以下简称“ECIC”)上接受记者采访时表示,安信证券从2016年就开始了云原生架构探索,基于Rancher Kubernetes搭建了安信的云原生底座,如今安信的应用上云战略正在稳步进行中,赋能业务的发展。
三大原则拥抱云原生
在云原生的探索方面,安信证券走在行业前列。2016-2018年,安信证券自研类业务系统逐渐增多,研发过程中的管理体系、开发规范和质量保障等需要进一步跟进。同时,公司也面临着公共的开发框架、服务治理、CI/CD 流水线等基础功能等需求。这期间,陆续采用了一些云原生技术。2019年,公司成立平台研发部门,打造基于云原生技术的业务平台。
沙烈宝说,安信证券的容器与云原生建设秉持三大原则:开放、务实和统一。“云原生是一个系统工程,我们以开放心态与Rancher为代表的优秀企业合作;我们采取务实的态度,从内部实际需求出发,用问题驱动云原生体系建设;大家思路统一、技术栈统一、流程标准统一,各团队形成合力才能有所突破。”
SUSE大中华区技术总监江鹏表示,公司是否具备开放心态决定了其创新能力,Rancher公司和产品保持开放性,提供一个完全开放的平台,给用户带来无限的可能。
企业在进行云原生落地方面往往将其当成一个技术或者产品的引入,但是技术往往是服务业务需求的。如果纯粹只是引入一个技术平台,没有梳理业务,其实是无法充分发布会云原生技术的价值。
江鹏表示,SUSE与客户梳理业务痛点,如何结合技术和流程真正解决问题,而不是只看技术热度。“客户能够以一个开放和务实的心态看这样的一个事情,作为厂商,我们能够结合自身方案和客户特点,确保项目成功,真正产生业务价值。”
沙烈宝补充说,安信证券经历了多方选择,最终选择了Rancher。一方面,Rancher的技术实力、知名度和技术影响力。另一方面,Rancher的产品体验非常好。最终是双方的价值观匹配,比如务实和积极沟通协作解决问题。
云原生赋能数字化发展
目前,安信证券的云原生建设已经进入到深入阶段,并探索服务网格以及中间件PaaS平台、aPaaS平台,进一步提升研发的易用性,一站式解决用户问题。
沙烈宝说,无论是从DevOps整个生命周期来讲,还是研发效率、工程效率、创新效率,以及单元测试以及自动化测试的覆盖率都有成倍的提升,发布效率从发布原来要几个小时,现在用Rancher几分钟就能搞定。
总之,通过云原生技术体系的建设,安信证券实现了提质增效,提升研发效率,节省运维成本,让专业的人做专业的事情。
一是让企业成本更低,云原生技术栈有效提高了效率和资源利用率,同时动态管理和调度微服务的中央编排流程降低了与维护和操作相关的成本。
二是高效的软件交付,基于DevOps理念的一站式研发管理平台,从代码管理、开发环境管理、测试管理、构建和发布管理等多个维度,为研发人员提供完整的工具平台和自动化平台,最大程度利用云服务提升软件交付能力,提升团队的研发效能。
“我们基于云原生理念构建的容器云平台、服务化平台和中间件PaaS服务,让业务研发和运维人员聚焦在满足业务功能需求,最终提升企业的效率和竞争力。”沙烈宝说。
最后谈及企业如何落地云原生,江鹏表示,企业需要处理好“PPT”,第一个“P”是Process(流程),第二个“P”是People(人员),第三个“T”是Technology(技术)。
沙烈宝则表示,安信证券内部一直倡导“十六字”方针,那就是“战略优先、规划先行、敏捷迭代、共同行动”。
好文章,需要你的鼓励
科技泡沫并非世界末日,从经济角度看,泡沫是押注过大导致供过于求。AI泡沫问题复杂在于AI软件开发节奏与数据中心建设周期的时间错配。甲骨文关联数据中心获180亿美元信贷,Meta承诺三年内投入6000亿美元基础设施。麦肯锡调查显示企业虽广泛使用AI但规模有限,多数仍持观望态度。微软CEO表示更担心数据中心空间不足而非芯片短缺,电力需求成为新瓶颈。
香港中文大学研究团队开发的Search-R3系统成功解决了大语言模型推理与搜索分离的问题,通过两阶段训练让AI在深度思考过程中直接生成搜索向量。该系统在多个领域测试中显著超越现有方法,特别是启用推理后性能提升明显,为AI系统设计提供了推理与搜索统一的新范式,展现了从专门化向通用化发展的重要方向。
Goodfire.ai研究人员首次发现AI语言模型中记忆和推理功能通过完全独立的神经通路运作。研究显示,移除记忆通路后,模型丧失97%的训练数据复述能力,但逻辑推理能力几乎完全保留。令人意外的是,算术运算与记忆共享神经通路而非推理通路,这可能解释了AI模型在数学方面的困难。该技术未来有望用于移除版权内容或敏感信息而不损害模型核心功能。
这项由ETH苏黎世等机构发表的突破性研究首次系统性揭示了优化器选择对AI模型量化性能的重大影响。研究团队发现传统的异常值理论完全失效,并开发了革命性的ABC分解框架来准确预测量化后性能。实验证明Shampoo优化器在量化场景下表现最优,该发现为AI模型的实际部署提供了重要指导,有望让AI技术在资源受限设备上发挥更大作用。