作者:Gartner研究总监 李晶
Gartner研究报告2023重要战略技术趋势:行业云平台介绍了行业云平台(ICP)推动实现行业相关业务成果的方式:将软件即服务(SaaS)、平台即服务(PaaS)和基础设施即服务(IaaS)与现有以及新型解决方案的组装式模块相结合(见图1)。组装式功能允许客户对ICP以“即服务”形式交付的行业定制功能进行重新组合。
图1:行业云平台演进
![]() |
中国的“十四五”规划强调云采用,推动了一些云服务提供商或关键行业参与者为同行企业机构创建共享基础设施池(也称为社区云)。然而,一些社区云仍然采用与企业数据中心相同的方式运行应用,并且几乎不利用SaaS,因此缺乏灵活性和创新性,引发了用户的不满。灵活性和创新性的缺乏,也导致其他供应商将IaaS、PaaS和SaaS集成到一个整体云平台中,通过这种ICP部署方式来重复使用现有IT系统并为之赋能。
中国的基础设施和运营(I&O)领导者必须认识到,采用ICP可能会影响其云端I&O运营模式及其本地I&O服务战略。中国企业机构的I&O部门需要评估ICP的关键特性,采取最佳方式应对团队角色和整体战略的变化。
ICP将I&O的角色从技术提供商转变为行业平台赋能者和创新推动者
在非ICP环境中,I&O服务是根据整体业务需求形成的技术要求来设置和交付的,这样可以确保业务部门能够访问应用服务,实现预期结果。与此形成对比的是,在预集成IaaS的业务成果驱动型ICP环境中,业务团队和I&O团队需要协作,以满足企业机构的需求。
I&O领导者应认识到,传统的本地I&O服务仅可支持作为整体业务需求组成部分的技术需求,而ICP集成的本地I&O服务则侧重能够满足和交付整体业务需求和成果。因此,现有I&O服务构建的“三步走”方法论,即“计划-构建-运行”方法,由于没有围绕着业务成果去设计和落地相关服务,因此无法将构建好的相关I&O服务专注于交付业务成果,而利用设计思维则可以推动以业务成果为中心的I&O服务建设。
图2:典型的设计思维流程
此外,ICP的业务创新也使I&O团队和服务的角色发生改变,从管理业务应用服务的“最后手段”转变为能够重塑业务的创新推动者。
ICP之所以与众不同,是因为它是一种涵盖了IaaS、PaaS和SaaS的业务导向型一站式解决方案,能够利用技术创新重塑业务。在这一架构下,I&O团队在从基础设施层推动业务创新方面发挥着关键作用,不仅在ICP产品的IaaS中,而且在连接业务和ICP平台的I&O服务中亦是如此。
ICP需要组装式本地I&O服务,以实现无缝集成
采用ICP的第二个影响是在架构上重新构建集成到ICP中的本地I&O服务,使其成为可组装式服务。I&O领导者应认识到,基础设施服务的部署与应用服务的部署息息相关。多数ICP为构建应用提供组装式功能。因此,集成到ICP中的本地I&O服务也需要具备可组装性,以便能够灵活地应对不断变化的业务需求。
图3:可组装性的三个原则
在IT基础设施领域,可组装性并非新概念。个人电脑(PC)就是大多数I&O领导者使用过的典型可组装性原型设备,包含三个标准组件:显示器,由中央处理器(CPU)、内存和主板构成的主机箱,鼠标和键盘。这三个组件满足第一个可组装性原则:模块化。许多中国I&O领导者在获取他个人的第一台PC时会倾向于自行组装(DIY)。为此,通常应关注三个关键问题:需要使用哪些组件,从何处购买这些组件,如何将组件组装成最终需要的PC。这些要素满足第二个可组装性原则:架构化。最后,在自行组装PC时,设想的使用场景(例如音乐播放、图形设计、游戏)满足可组装性的第三项原则:情境化。
I&O领导者应认识到,云计算的发展在改变I&O领域的可组装性。云计算的用途与PC不同,但两者都以可组装性的概念为基础。为成功构建组装式I&O服务,I&O领导者应参考组装式业务框架,因为二者的目标类似,即快速响应不断变化的业务需求。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。