边缘计算——在更靠近终端用户而非集中式数据中心的地方进行运算的实践——多年来一直是IT领域的热门话题。由于边缘架构能够降低延迟并提升性能,企业已经广泛采用这种架构来解决速度、安全性和效率方面的挑战。
虽然这些优势长期以来都很重要,但在实时数据分析和人工智能时代,边缘计算变得更加关键。这些工作负载需要近乎瞬时的处理能力,使得传统网络架构变得不太可行。
但是,关于边缘计算的讨论有多少只是纸上谈兵,又有多少反映了真实的应用情况?企业在多大程度上积极部署边缘工作负载?他们面临哪些挑战,又看到了哪些好处?
为了回答这些问题,ITPro Today对IT专业人士进行了调研,了解他们所在组织的边缘计算策略和投资情况。本报告详细介绍的调研结果,为边缘计算的现状以及企业在网络边缘的下一步投资计划提供了宝贵见解。
主要调研发现包括:
o IT专业人士对边缘计算的认知仍然有限,55%的受访者表示他们对这一概念只是"有一定了解"。
o 边缘计算投资差异很大:21%的企业在IT预算中分配不到5%,而33%的企业至少将10%的预算投入到边缘相关项目中。
o 性能改善和安全性是采用IT边缘计算的主要驱动因素。
o 分析和数据缓存是主要用例,而更先进的应用——如AI/ML推理和智慧城市基础设施——仍然不够普及。
o Microsoft Azure IoT Edge是使用最广泛的边缘平台,尽管组织采用的解决方案各不相同。
o 混合云-边缘模型是主流架构,36%的组织都在实施这种架构。
o 成本是边缘计算采用的最大障碍。
o 企业正在部署各种策略和解决方案来降低边缘数据安全风险。
如需深入了解调研数据及其对现代IT策略的影响,请立即下载我们的《2025年边缘计算趋势报告》免费副本!
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。