作者:Shai Joshi,IBM Consulting 全球混合云服务管理合伙人
想想我们作为消费者在当今数字化时代所经历的创新速度——从安全及时地发起一笔银行交易,到用航空公司的手机 APP 在最后一分钟快速改签,或是确保一场必看的体育决赛视频播放不会在 5G 网络下掉线,所有这些日常活动都必须通过敏捷的技术平台赋能,这些平台可以帮助企业实现现代化,以满足人们不断变化的需求,提供更快、更好的客户体验。
IBM 商业价值研究院(IBM Institute for Business Value)与牛津经济研究院(Oxford Economics)合作开展的一项研究显示,企业已经摆脱了采用单一厂商的云转型方法,进入了混合、多云时代,从而提高了灵活性,同时与客户需求保持同步。如果管理不当,在转向新时代的过程中,可能会遭遇安全性和互操作性的问题,并可能由此引发影响数据安全的重大威胁。
IBM 的客户通常都是跨国经营,所在行业也往往受到高度监管,通过与 IBM 合作,他们能够对特定的应用程序进行现代化,从容管理和应对诸如安全、供应商锁定和企业韧性等重要问题。红帽 OpenShift 作为这一切的核心,为内置安全功能的开放式混合云平台提供支持。
在多云世界,现代化是必由之路,但在这个过程中必须为客户提供选择和灵活性,才能实现真正有意义的转型。企业需要正确的技术、技能和支持,这种转型才能落地实施并取得成功。
利用选择和灵活性的力量
面对现代化的压力,客户真正的挑战在于如何实施现代化。他们需要加速打造更加协作的工作方式,利用云技术,灵活地随处构建并部署任何工作负载。
红帽是促进混合多云转型的关键推手。企业不希望被锁定于单一的云提供商,而且随着监管日趋严格化,企业经常需要分散数据的存储位置,以满足数据存储位置和数据访问方式的相关法规要求。
为此,IBM 采用了混合云平台的方法,这就为我们与市场上的云服务提供商合作提供了可能。我们知道客户需要在多种环境中托管工作负载,我们希望为他们提供选择,在确保安全的情况下使用单点控制来实现这一目标。
这也是为什么 IBM 要对其软件进行红帽 OpenShift 的优化,以便帮助客户应用 AI、自动化和安全功能来实现关键业务流程的转型,帮助他们保持领先,同时满足合规性需求。通过将IBM整体的软件产品组合基于红帽 OpenShift 之上进行重建,使客户能够随时随地运行不同流程,无论是跨云还是本地部署,一切都变得更加简单。
各行各业的客户均受益于混合多云的创新
对于 4,000 多家采用 IBM 开放式混合云平台的客户而言,这一平台对于他们促进开源创新、简化现代化进程、提高安全性、加快应用程序开发至关重要。
IBM Consulting 正在与全球不同行业的企业密切合作,利用 IBM 深厚的行业积累与领先技术,帮助他们在混合云环境中实现应用程序的现代化和迁移。例如——
信任与诚信一直是 IBM 维护客户关系的基础。IBM 深信客户的数据属于且仅属于客户。同时,IBM 也深知创新绝不是一个闭门造车的过程。因此,IBM 一直在努力构建生态系统,在确保安全、尊重隐私的前提下帮助企业提高灵活性和速度。IBM 坚定地认为,供应商锁定违背了真正的混合云精神,混合云应该是开放的,同时也应该提供安全的业务。通过红帽 OpenShift 这样的混合云技术,无论客户数据存储在哪里,都可能实现开源创新。企业可以选择如何实施他们的现代化,从而履行他们最重要的使命——为客户提供最无缝的服务体验。
有关 IBM 未来发展方向和意图的声明仅代表我们的目标和宗旨,这些声明随时可能更改或撤回,恕不另行通知。
好文章,需要你的鼓励
OpenAI研究科学家Alexander Wei宣布,公司一个未发布的实验模型在国际数学奥林匹克竞赛中解决了六道题目中的五道,获得42分中的35分,达到金牌水平。该模型展现出类似人类数学家的推理能力,能够构建复杂严密的论证。这标志着AI在创造性问题解决方面的重要突破,不过该技术预计数月内不会公开发布。
约翰霍普金斯大学与StepFun公司联合研究,成功让AI学会"边看边思考"的视觉推理能力。通过两阶段训练方法,先让AI在文字推理中掌握认知行为,再迁移到视觉任务中。开发的OVR模型在多项测试中创造新纪录,为AI教育助手、医疗诊断、科研分析等应用奠定基础。
本文探讨了判断AI是否达到通用人工智能(AGI)和人工超级智能(ASI)水平所需的问题数量。目前缺乏确定的测试方法来评估是否达到顶级AI水平。基于图灵测试的分析,作者提出仅通过少量问题难以全面评估智能水平。参考美国国会图书馆主题标引(LCSH)的40万个主题领域,如果每个领域提出1万个问题,将需要40亿个问题来全面测试AGI。这种大规模测试虽然在逻辑上合理,但在实际操作中面临巨大挑战。
阿姆斯特丹大学研究团队开发出"缓存驾驶"技术,通过修改AI模型的键值缓存而非重新训练,让小型语言模型瞬间获得大模型的推理能力。该技术仅需一次调整就能让模型展现逐步推理行为,计算开销几乎为零,在多个推理基准测试中表现优异,还能实现推理风格迁移。