玩魔方的人应该都知道,三阶是魔方入门的基础。因为掌握了三阶魔方之后,就可以更好地理解中心块、棱块、角块的旋转规则,掌握理论知识之后再应用于其它正阶的魔方,便会容易得多。
比如,二阶魔方你可以假设它有中心块和棱块,而四阶以上的魔方就可以用降阶法把它当成三阶魔方进行还原。对于变种魔方也一样,比如,三阶魔方中的M2 U、十字公式等,就同样适用于SQ1(Square One)魔方。这就是基础的重要性所在。
如果你对魔方不熟悉,那我们换个例子。从操作上来说,玩魔方和盖楼房很像,需要从底层开始一层一层地完成,一栋楼房从开始到竣工,不仅需要详细的规划设计参数和效果图作为参考,还要按照规划从打地基、浇地梁、筑架构做起,一步步完成砌墙、封顶,再到最后的装修完工。万丈高楼平地起,这个例子不仅体现了基础的重要性,也充分说明了为什么每个项目都应该有一个完整的规划或计划。
也就是说,越是复杂的工程,越要拆解成简单的步骤,按照计划一步步完成。只有这样,才能让后期操作更有序,也更轻松,能够减少不必要的麻烦以及不可预期的风险和问题。
其实,企业上云也是这样。
如果说,5年前大多数人还在为“什么是云”、“为什么要上云”的问题而困扰,那无可厚非。但时至今日,当我们再谈起云计算时,大多的话题都已经聚焦在了“选哪种云”、“如何上云”、“怎么管理云”等更为落地的细节问题上。
那么,企业在上云过程中到底需要注意什么?正如上面两个例子的结论所说,基础和规划非常重要。首先,企业要明确自己上云的目的,并根据自身需求,选定契合的场景进行规划;然后,再按照规划从基础开始,一步步推进部署。
从类别上来看,云计算的基础是IaaS,在这之上依次是PaaS、SaaS。因此,企业的上云路线大致如此:第一步,利用云技术提升计算、存储、网络和安全等IT基础资源等供给能力、运作效率和支撑能力;第二步,在云基础平台上,搭建PaaS平台,涉及应用开发框架、中间件、权限管理、代码管理、质量测试、环境初始化等,从而解除底层平台对上层应用的束缚;第三步,在完成了IaaS和PaaS的搭建和联动之后,才能更好地实现传统应用迁移上云和云原生应用的快速部署、迭代,按照弹性扩容和缩容。
在本期《数字化转型方略》的“数据故事”栏目中,我们将介绍中国农业银行如何沿着这样的路线一步一个脚印实现了“上云三步走”。尤其是对于门槛最高的PaaS层,他如何通过开源技术构建适应其业务发展的下一代云平台。
当然,和农行不同,还有很多企业在最初接触云计算时会选择从某些业务或场景切入进行试点。比如,将一部分非关键性业务跑在公有云上,或者对于一些新型的业务,引入第三方的SaaS应用来实现。在短时间内,这也会给企业效率提升和业务创新带来可见的效果。但是随着企业系统和架构越来越复杂,云应用诉求越来越多,问题也会随之出现。比如,不同架构之间的系统如何做集成和整合?不同应用之间的数据又如何共享?等等。
回到魔方的问题上。即便你不懂三阶魔方,根据详细的教程也依然能玩转变种魔方。但是,如果你不清楚它们之间的原理和关联性,就无法很好地进行“举一反三”。欲速则不达,这个道理我们从小到大都在练习,无论做什么都要从基础抓起,要有条不紊、脚踏实地地一步步完成。
这就是魔方引发的上云思考。有人可能会问,那不会玩魔方怎么办?负责任地说,这完全不重要,你只要懂云计算就行了。因为,笔者也不会玩魔方。
所以,上云也是这样。不要光听别人说,一定要自己实践才行。
好文章,需要你的鼓励
阿里纳德数据中心与Calibrant Energy合作开发首创电池储能系统,通过绕过传统电网升级时间线,使俄勒冈州希尔斯伯勒在建数据中心园区提前数年上线。该31兆瓦、62兆瓦时储能系统计划2026年投运,将作为响应电网的动态资产,在需求高峰期放电,增强区域电网可靠性。这标志着美国首次使用专用电池系统加速大型数据中心并网。
威斯康星大学研究团队开发了LUMINA系统,专门检测AI在回答问题时的"撒谎"行为。该系统发现AI有时会忽视提供的参考资料,固执地依赖内部知识生成不准确回答。LUMINA通过监测AI对外部文档和内部知识的依赖程度来识别这种行为,在多个测试中达到90%以上的准确率,比以往方法提升13%,为构建更可信的AI系统提供了重要工具。
微软在Edge浏览器中推出增强版Copilot模式,提供更强大的AI代理功能,目前在美国进行限量预览。该模式包含Actions和Journeys两大功能:Actions让浏览器能代表用户执行任务,如语音控制打开网页或查找文章特定内容;Journeys则记住用户浏览历史,帮助用户继续之前的研究任务。此举正值AI浏览器竞争加剧,OpenAI推出ChatGPT Atlas、Perplexity发布Comet、谷歌集成Gemini到Chrome。目前Chrome占据71%市场份额,Edge仅占4.67%。
这项由法国CentraleSupélec大学领导的研究通过严格控制的实验,系统比较了AI的推理训练与传统训练方式。研究发现推理训练在数学、开放式任务中效果显著,但需要70亿参数以上模型才能充分发挥优势,且成本增加明显。研究为AI开发者提供了明确的应用指导,有助于根据具体场景选择最优训练策略。