在AI等技术及用户应用的分布式计算里,随着算力需求的爆炸式增长,未来将推动包括公有云、私有云、边缘云、电信云等在内的多云服务市场不断增长。
ACE智能云边共创生态由VMware联合多家核心合作伙伴共同发起,致力于推动开源项目和开放云的技术创新。ACE代表AI 、云原生、边缘计算。VMware通过ACE生态联合了很多重量级企业和优秀初创公司共同开发AI、云原生、边缘计算以及其他新兴领域的技术解决方案和服务。
多云联邦学习解决方案
在数据融合交互与数据隐私安全愈演愈烈的当下,联邦学习技术为基于跨领域的企业级数据合作提供了新的范式。
VMware中国研发中心技术总监张海宁表示,数据要素化使得数据的共享以及整合成为很重要的话题,但是数据很容易被复制,安全、隐私泄露风险就会暴露出来。

VMware中国研发中心技术总监 张海宁
联邦学习作为隐私计算的一个重要的手段,通过使用多方的数据建立一个综合的模型,在这个过程中,因为使用了加密、多方安全计算等等技术,使得数据的隐私得到保证。
“我们既可以使用多方的数据,又能保证每一方的数据不会被泄露,同时保证安全,这是联邦学习最基本的出发点,因为他的隐私性保护非常好,又能充分利用各方数据。”张海宁说。
目前全国首个联邦学习开源社区FATE是在Linux基金会旗下由社区共同维护的开源项目,55%的国内隐私计算产品或者方案是参考和采用FATE实现。
VMware在FATE以及OpenFL社区中参与比较多,在联邦学习领域里有很深的参与度以及很多技术的影响力。
VMware与星云Clustar提出以VCF(VMware Cloud Foundation)为基础设施平台,FATE联邦学习框架结合星云Clustar自研网络加速技术的联邦学习解决方案,以打破数据孤岛,让客户可以使用联合建模技术,更好挖掘数据价值。
该方案作为一款综合星云Clustar与VMware技术优势的企业级联邦学习解决方案,具有更高安全、更高性能及更具开放兼容性的核心能力,可覆盖星云隐私计算平台、安全数据网络等企业级软件产品,满足多样化的用户需求,使客户可以更专注实际应用场景。
此外,该方案依托于VCF提供的统一的跨多云环境运行和管理平台,具备“一站式”交付能力,尤其专注金融领域解决数据安全与保障数据合规流通问题,可部署在联邦学习中各参与方,统一进行联邦学习任务的全生命周期管理,帮助企业用户实现联邦数据建模以及数据管理等一系列功能,以安全、合规、高效的方式服务于金融行业的反欺诈、反洗钱、信贷风控、展业促活等创新应用,释放金融数据价值。
推动碳中和计算的创新
近年来,中国正在快速发展新一轮的新型基础建设。作为新基建的重要组成部分,大数据中心是新基建的根本,并直接决定了企业未来的核心数字化竞争力。由于数字经济需求的快速增长,数据中心计算本身带来的碳排放也越加收到关注。提高数据中心能效,不仅是企业降本增效的重要手段,更是中国实现碳达峰、碳中和目标的不可缺的重要路径之一。
VMware中国研发中心边缘计算实验室主任路广表示,ESG和可持续性的发展成为潮流,VMware通过产品和相应的技术帮助减少碳效率,避免了超过12亿吨的碳排放;VMware和30多家合作伙伴一起推出了零碳云。

VMware中国研发中心边缘计算实验室主任 路广
对于企业的IT资源来讲,需要进行一定的碳评估,确定脱碳目标。在数据中心内部,如果不进行任何的容器化技术,物理资产包括各种服务器、存储、网络设备,对电力的消耗以及相应的碳排放相当高,而虚拟化、容器化以及多云技术帮助企业客户减少碳排放。
路广说,VMware整个产品家族从基础的虚拟化到存储虚拟化、软件定义的数据中心,基于云的可持续性以及零碳云,帮助企业的IT系统节省能源消耗,减少碳排放,最终达到零碳云,实现近零的目标。
在中国,VMware和英特尔也在聚合生态,推动碳中和计算的创新。VMware、英特尔和Quarkdata(云创远景)合作开发了联合解决方案DeepCooling,以加速推动在中国乃至全球数据中心规模化采用可持续的碳中和计算技术;并一道在2021年底共同发布了数据中心提高运维效率、节能减排的联合白皮书:《面向可持续经济发展的碳中和计算技术—数据中心新基建背景下的减排创新》,通过在数据中心内部综合利用物联网/边缘计算、人工智能/深度学习、和融合运维管理等技术节省能源、减少碳排放。
路广表示,在边缘的环境下收集数据,实现更快地处理边缘的决策任务,帮助企业的运维人员进行决策。DeepCooling可持续的碳中和计算技术通过持续的边缘AI干预和实时控制,帮助企业优化数据中心的整套制冷体系的能耗表现。
据悉,这套方案已经在三方的联合推动下,在国内数个大型数据中心落地,帮助客户显著改善了PUE,降低了碳排放。在已经生产性部署的环境里全面验证了显著减少制冷系统能耗和碳排放的效果。
“VMware和合作伙伴一起共同建立多赢的生态价值,同时帮助客户加速创新,解决现实的问题,同时帮助整个社会实现可持续性、公平、更多平等机会。”路广如是说。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。