在生成式AI的强力驱动下,云计算市场正迎来新一轮的变革。
作为这一变革的核心力量之一,公有云服务商正凭借其规模化的计算资源与灵活的服务能力,推动AI市场向前迈进。
据披露,2023年以来,青云科技陆续拿下多个AI算力大单,已公告合同金额达4.74亿元。青云财报显示,2023年度,公司新增AI算力服务,实现收入 4,823.43 万元,AI算力服务已经成为公司非常重要的新增长点及公司战略级业务。
目前AI的发展还处于早期阶段,青云坚信算力不仅是无限的,也是跨领域的。青云将持续与合作伙伴形成合力,为人工智能发展添砖加瓦。
化解冲突,变革就在眼前
从PC时代到移动互联网时代,再到如今的AI时代,每一轮技术变革都在不断降低使用门槛和开发门槛。这不仅催生了更多的需求,也带来了更多的供给。对于AI来说,市场规模越大,对算力的需求也就越为庞大。
芯片的架构、基础设施的架构、网络连接方式、存储方式、开发应用的方式,所有的一切都会随之发生变化。青云科技CEO林源将这种状态形容为是“拥抱新应用市场的驱动力,以及使用新技术之间的冲突”。
“冲突代表了机会,既是整个市场的机会,也是青云的机会。”
林源说,青云的使命就是要解决这一冲突。他认为,这一过程最终有两个核心目的,第一是降低新技术的使用门槛,让技术普惠才能产生更大的价值;第二是加速场景落地,要在真实场景中解决问题。
青云科技CEO林源
带着这样的目标,青云把场景分为算力供给端和算力消费者两类,目标是连接两方,就像操作系统一样,向下管理硬件,向上支撑应用。为了满足满足AI时代的创新需求,青云科技一直致力于打造中立的企业级数智化基石,目标是“向下管理新的算力架构,向上支持新的开发模式”。
去年青云发布了智算1.0产品,这是从2019年历经4年沉淀的结果,但是技术和市场是快速变化的,所以今年智算产品也进一步升级。
首先,从单一产品变成完成产品体系;其次,产品功能进行迭代增强;最后,交付方式更加多样化,包括私有云、边缘云、分布式云及算力云服务。
青云拥有软件产品、软硬一体、服务,不同的交互方式面对客户不同的场景去落地,并且围绕底层基础设施、算力调度、应用服务三层进行升级。青云AI智算平台能够统一调度多元异构算力资源,通过全栈AI服务,一站式满足智能管理需求。青云AI算力云提供弹性、好用、高性价比的云上算力即服务。青云AI智算一体机则是提供开箱即用的企业级算力基础设施。
青云还进一步提升国产计算支持、GPU切分、裸金属及DPU等能力,同时提供统一的数据存储流转管理服务平台、高性能网络服务、模型服务平台、故障监控与自愈系统等。
AI场景化落地与生态共建同频加速
除了研发,青云在过去一年,还做了更多落地工作,智算中心和最终企业数字化落地是主要的两个维度。
青云AI算力产品与服务已帮助20余家区域智算中心落地运营,参与了超过60个行业智算项目,服务超1275家企业客户,参建的单个智算中心规模超过3000P、总算力规模超过 10000P,管理超过12000张计算卡。
林源指出,在云计算时代,互联网行业是最早的拥抱者,两年后金融行业陆续跟进,随后传统企业和国央企也相继进入。而在AI时代,这种行业尝试的节奏正在明显加快,从原本两年已缩短至一年,甚至半年。目前青云已开始为国央企提供AI相关的服务,并且正在推进超过60个项目的落地。
青云还在智算中心、大模型、边缘智算、金融、具身智能、生物制药、高校、自动驾驶、互联网、政务十大场景发布智算解决方案,希望为千行百业的客户提供AI支持和服务能力。
然而每个企业都应该深刻认识到自己擅长做什么,不擅长做什么。林源认为,IT厂商就是要合作,不同的行业、不同的场景都有大量的“最后一公里”问题要解决,所以除了青云这个基座平台外,还需要更多伙伴参与。
青云已经与200余家生态合作伙伴展开合作,完成了138项生态适配,通过算力共赢计划、算力加速计划、模型市场共建计划,共同构建一个开放、多元、共赢的AI生态体系。
比如,青云和升哲科技在过去两年共同完成了三个政府的智算中心建设项目,在建设过程中升哲科技基于青云AI智算平台,提供了一整套端到端的服务能力,涵盖民生管理平台、数据存储和分析等,切实为政府工作带来有力支持。
青云在基础平台领域已经投入了17年,未来也将继续迈向更多个17年。青云将携手各行各业的生态合作伙伴,共同推动“人工智能+”场景应用,真正实现AI在各个行业和场景中落地。
好文章,需要你的鼓励
比亚迪在今年第三季度营收首次超越特斯拉,这一事件迅速成为全球汽车行业的焦点,引发了广泛的讨论和预测。比亚迪的崛起并非偶然,它象征着中国汽车产业的崛起以及全球汽车市场格局的深刻变革。
多家戴尔渠道合作伙伴纷纷表示,该公司去年在其存储产品上市计划中的大幅修整已经初见成效,推动各合作方的收入逐步提升。戴尔团队正积极为存储领域的合作伙伴提供当面沟通和培训支持,共同为产品销售献策出力。
角色视频合成的最新进展仍然依赖于广泛的微调或复杂的3D建模过程,这可能会限制可访问性并阻碍实时应用性。为了解决这些挑战,我