据商务部网站消息,截至今年9月,中国新能源汽车销量再创新高,仅9月份,新能源汽车销量35.7万辆,同比增长1.5倍,再次刷新记录。新能源汽车的新一轮发展机遇,也让一线互联网科技公司跨界跻身“造车新势力”,争夺新能源汽车中高端市场。
新能源汽车的崛起以及互联网企业的入局对汽车行业的市场和格局产生了重大影响。面对竞争越来越激烈的造车赛道,各大汽车企业纷纷加码数字化,希望通过完善数字化底座,例如在云上进行业务重构,来实现更高效的企业运营体系、更高效的运转。然而,根据全球企业备份和数据恢复解决方案领域的领导者——Veritas最新发布的《企业IT安全脆弱性报告》显示:如果企业IT 安全能力滞后,那么云环境的风险最大。尤其在后疫情和混合多云的时代背景下,汽车企业将面临越来越严峻的IT环境复杂性和数据管理挑战。如何更好地进行数据保护、数据治理来提高业务韧性,是包括车企在内的所有制造型企业必须重视并且直面的挑战。
中国新能源汽车制造业的某领军品牌,就是混合云深度用户中的一员。据了解,该企业的to C业务全部都在公有云上进行。并且,在配合公司业务发展的过程中,整个IT团队设定了2个既定的目标:1. 更好地支持公司研发资源的使用需求,尽可能做到计算、存储网络等IT基础设施资源的池化管理,并最终把相关资源的API接口提供到研发团队,实现更多的自动化来节省人力;2. 将基础设施资源相关的管理、服务配置做到自助化,让研发人员可以在可控的权限内,做到自行使用的体验。
然而随着该公司云上的数据和应用越来越多,IT团队在数据管理中遇到了数据体量激增以及IT基础设施多样化的问题,并且随着更高级别的自动驾驶研发投入,预计在未来几年将产生超过几十个TB级别的数据容量,公司的数据治理迫在眉睫。其实,这也是许多制造企业,尤其是进行智能制造或数字化转型中的传统企业正在面临的问题。针对这一行业痛点,Veritas建议企业应当建立一个“端到端”的解决方案:从数据捕获,到数据归档,再到数据监督,建立起一站式的数据洞察服务,比如发现暗数据、识别风险并对信息进行分类,并通过自动化工作流程帮助企业调整策略,使其可以根据事实追踪数据,最终快速响应法务和监管的请求;另外,针对运维数据,Veritas认为可通过深度分析来优化存储,这样有利于企业实现提升效率并控制成本。
另外,据《企业IT安全脆弱性报告》显示:85%的中国受访者表示,公司在过去的12个月当中经历过停工,并且,平均每家公司受到了1.33次勒索软件的攻击,打断了业务进程甚至造成了停工。除了数据治理问题,Veritas还认为,对制造业来说,其每一条生产线、每一个车间、甚至无人值守设备都是边缘环境,除了关注数据中心、总控平台之外,企业还需要特别关注边缘端的安全。在勒索软件攻击日益严峻的当下,纷纷加速上云的汽车企业,如果没有匹配的数据保护能力,那么业务运营极有可能受到影响,给企业造成极大的损失。
因此,对于那些希望加快服务交付速度、降低成本的汽车企业来说,Veritas认为最好的策略是借助统一的数据保护平台实现标准化。通过打造统一的多云数据服务平台(EDSP),Veritas可实现更好地保护汽车企业数据安全、消除运维复杂性,同时兼顾部署的灵活性并提升业务韧性。另外,在产品层面上,Veritas最新版本的NetBackup 9可全面保护任何云、数据源、工作负载及部署模式,并增强了对Kubernetes和云环境的勒索软件保护能力。通过加强企业级数据保护能力,可实现降低勒索软件攻击的风险,帮助汽车企业确保满足合规和治理需求,并最大限度地提高投资回报率。此外,无论是“造车新势力”还是传统汽车企业,不同的汽车企业在资源和资产投入方面将存在较大的差别,因而各自对数据保护和容灾的需求也会千差万别。Veritas独有的产品优势——同一产品可提供多层级的服务等级,能以更加灵活的部署方式,带来更多选择,充分满足不同汽车企业的数据保护需求。
随着数字化进程的加速,想要避免海量数据管理难、数据安全风险等问题的出现,汽车企业的生产和保护环境必须平行发展。Veritas拥有三十多年的数据保护经验,长期关注企业在数据保护方面的实践,通过打造极具扩展性的统一数据保护平台,助力汽车企业实现自动化的数据保护,并确保关键业务数据及应用的稳定运行,为其数字化发展保驾护航。
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。