2023年8月2日 - 根据Gartner的统计结果,2022年全球基础设施即服务(IaaS)市场从2021年的928亿美元增长到1203亿美元,同比增长29.7%。亚马逊在2022年继续排在IaaS市场的第一名,其次是微软、阿里巴巴、谷歌和华为。
Gartner研究副总裁Sid Nag表示:“云已经从一项革命性的技术上升为一项革命性的业务。由于买家不断地往云中添加更多应用并对当前的应用进行现代化升级,IaaS已成为推动软件即服务(SaaS)和平台即服务(PaaS)增长的驱动力。”
“IaaS在2022年的增长强于预期,只是在第四季度由于客户致力于充分利用其先前投入的容量而略有放缓。这种情况预计将持续到2023年中期,是该市场走向成熟的必然结果。该市场未来仍有很大的增长空间,预计将在2024年加快增长的步伐。”
前五名IaaS提供商在2022年占据了80%以上的市场份额。亚马逊以481亿美元的收入和40%的市场份额继续引领全球IaaS市场(见表一)。
表一、2021-2022年全球IaaS公有云服务市场份额(单位:百万美元)
公司 |
2022年收入 |
2022年市场份额(%) |
2021年收入 |
2021年市场份额(%) |
2021-2022年增长率(%) |
亚马逊 |
48,126 |
40.0 |
35,380 |
38.1 |
36.0 |
微软 |
25,858 |
21.5 |
19,153 |
20.6 |
35.0 |
阿里巴巴集团 |
9,281 |
7.7 |
9,060 |
9.8 |
2.4 |
谷歌 |
9,072 |
7.5 |
6,433 |
6.9 |
41.0 |
华为 |
5,249 |
4.4 |
4,190 |
4.5 |
25.3 |
其他 |
22,746 |
18.9 |
18,565 |
20.0 |
22.5 |
总计 |
120,333 |
100 |
92,782 |
100 |
29.7 |
来源:Gartner(2023年7月)
微软2022年的IaaS公有云收入超过250亿美元,以21.5%的市场份额紧随其后,位居第二。由于客户需要更多的云容量支持自动化、高级分析以及各种数字工作平台功能,微软以软件为中心的战略继续推动着其IaaS收入的增长。
阿里巴巴集团以7.7%的市场份额再次位居第三,不过同比增长仅为2.4%。虽然阿里巴巴继续引领中国IaaS市场,但其在全球市场的有限扩张潜力导致增长放缓,因此阿里巴巴最近决定将阿里云业务分拆成一个独立的实体。
在排名前五的IaaS厂商中,谷歌在2022年以41%的增长率成为增长最快的公司,其收入超过90亿美元。谷歌通过加大对主权云的投资并扩大销售和营销合作伙伴计划,推动其客户群和IaaS收入的增长。
华为在2022年以4.4%的市场份额和52亿美元的收入跻身前五名IaaS厂商。自2020年加大对云的重视以来,华为在中国和新兴市场的IaaS收入一直保持稳步增长。
Nag表示:“生成式AI将继续推动云市场向前发展,尤其是超大规模云提供商还想要为当前已经普及化的生成式AI解决方案之外的产品提供支持。而随着企业将生成式AI整合到他们的技术组合中,主权、道德、隐私和可持续性方面的新市场和新机遇将不断在超大规模云提供商面前涌现。”
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。