每天上下班的高峰时段,都被堵在“寸步难行”的环线上,然后看着一旁一路畅通的「公交车专用道」,满心只有“羡慕嫉妒恨”。
公交车专用道的设计,其实要解决的正是城市交通拥堵这个棘手的问题,通过鼓励更多人选择公共交通出行,从而减少私家车上路,缓解道路交通压力。这个设计对于北京这样一个“全城”甚至“跨城”通勤的城市来说非常重要,尤其是住在外环甚至远郊的上班族,很多人都会选择公交出行,因为这不仅省时还省钱。从这个角度来说,鼓励公共交通除了解决交通的问题之外,还有很多其它的好处,比如说成本节约,再比如说节能环保等等。
细想起来,这是不是有点像使用公有云的好处?——可以多人共享、减少资源浪费,可以按需付费、降低使用成本,没有设备要求、使用门槛低。
但是,公交车专用道的设计其实也存在一些问题。它的逻辑是通过“牺牲”私家车来提升公共交通的通行效率,如果说公共交通的占比足够大,的确可以提升整个城市的交通运营效率。不过,如我们所看到的,公交车确实独享了一整条车道,但其车流量并不大,反而因为私家车通行效率下降,加剧了交通拥堵程度。于是,就出现了分时段的公交车专用道——在时段限制之外,私家车可以继续使用该车道,这在一定程度上能减少资源浪费,解决上面提到的这个问题。
如果从这个角度来理解云的话,传统的虚拟机云就是全天候的公交车专用道,眼下流行的容器云就类似于分时段的公交车专用道。前者是一种分区独享资源的模式,后者则是分时的资源共享。
在使用过程中,每台虚拟机都要运行一个完整的操作系统、消耗大量的内存和CPU资源,与此同时,随着规模扩展,虚机部署会从几十台、几百台甚至到几千台,这就意味着极高的运维和管理成本。而容器不同,它是一种比虚拟机更轻量的虚拟化技术,资源利用率更高、成本更低,此外,还具有高敏捷性、弹性和可移植性,能保证企业应用的快速上线,甚至是频繁上线。
容器的这种能力,对企业而言,在如今越发复杂的经济环境中也变得更为重要,它可以帮助企业更平稳地实现数字化转型,加速其业务的创新,提高其市场响应能力。
正因如此,容器被寄予了厚望。据Gartner就预测,到2022年全球会有75%的企业使用基于云原生的容器技术构建它们的应用系统。也就是说,这将是一个巨大的市场。但是,Gartner在最近题为《预测分析:全球容器管理(软件和服务)》的报告中也提到,Red Hat、Rancher Labs和VMware等容器市场领导者的销售额将从今年的4.658亿美元增长到2024年的9.44亿美元,这仍然低于Gartner曾预测的到2022年基础设施即服务软件公司将从托管软件容器市场中获得10多亿美元的价值,也远远低于VMware传统虚拟化软件产品的收入数据。
换句话说,虽然容器正在快速普及,但其实还没有带来可观的利润,原因大概是以为它的话题关注度要远高于技术的实际应用。这既与企业的“观望”心态有关,也与技术的落地难度有关。
所以,今年至顶网云能力评估小组的公有云评测把目标从公有云主机转向了容器。而在本期《数字化转型方略》的“云云众声”栏目中,我们将为大家介绍其中的详细缘由,剖析容器的技术优势、企业的应用需求,以及未来应用发展前景。
总的来说,技术的应用和城市交通的管理一样,都是一个需要用实践去不断论证理论的过程,在这个过程中,要持续完善机制、不断优化方向,而不是怕尝试、不尝试。如作者老董在这篇文章中所说,“我们要向那个追求长生的猴子学习,面对不同的技术,都问上一问、试上一试。最终,必然能找到有效的‘真技术’。数字化转型的道路,也必定会在大家的不断努力实践中,越走越稳、越走越宽。”
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。