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
企业谈AI基础设施时,注意力往往首先集中在模型、GPU和算力集群上。但当大模型应用走向规模化推理,一个瓶颈开始浮现:算力采购完成,并不意味着Token能够被稳定、低成本、可控地交付出去。
STATE16研究院这篇综述发现,物理AI系统存在"静默失效"风险——AI以高度自信执行基于错误世界信息的动作,却不触发任何报警,并提出在AI输出与物理执行之间建立独立授权层的框架。
穆拉蒂时隔18个月首次接受重大媒体采访,介绍其创立的Thinking Machines Lab正在开发的"交互模型"。该模型能以200毫秒间隔处理音频、文本和视频流,捕捉人类交流中的中断、修正和停顿。她还谈及OpenAI"政变周"经历,强调行业决策权过于集中的担忧,并回应了公司近期研究人员离职问题,表示这是初创实验室的正常波动。
UIUC与微软联合研发的OpenWebRL框架让4B小模型仅凭400条初始数据,通过在真实网站上边做边学的强化学习方式,在网页智能体基准上超越了用27万条数据训练的竞争对手。