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
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
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%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
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。