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
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。