“今天,数字化转型已成为GDP的主要驱动力,政府和企业未来的创新,就是围绕云、数、智的创新。紫光云以紫鸾平台实现多云无界,以绿洲平台加速业务敏捷重构,云智原生服务政企数字化转型。”
12月23日开幕的2021混合云大会上,紫光云公司产品及解决方案负责人李承东在大会论坛上发表《以云与智能服务政企业务数字化转型》的主题演讲,向与会来宾介绍了紫光云在混合云领域的技术优势,以及服务政企客户数字化转型的洞察与实践。
引领政企上云新趋势
如今,随着 “数字中国”建设的深入推进,从政务云到智慧城市,政府和企业加速上云成为大势所趋。到2023年,数字GDP在我国国民经济占比将有望从2018年的34.8%,上升到51.5%。然而以往政企客户普遍部署多个云,不仅造成重复建设浪费资源,同时产生大量信息孤岛,让跨云协同困难重重。
紫光云认为,政企用户的上云、用数、赋智,离不开围绕云、数、智的全面创新。今年,针对政企用户业务敏捷交付需求,紫光云推出了具有“多云无界协同”、“业务敏捷重构”两大能力的同构混合云—紫光云3.0。紫光云3.0由紫鸾平台和绿洲平台组成,覆盖公有云、私有云、同构混合云、多云、边缘云等各种云计算应用场景,实现了架构统一、无界混合、极简运营、一致体验。
解耦重构上云用数赋智之路
紫光云3.0致力于通过同构硬件基础,降低维护难度,实现多地多级协同、公有私有协同、中心边缘协同。同时,以数据的重构和解耦,提升业务敏捷性,迭代性,让用户管理有据可依。
紫鸾平台以“管理一平台、应用一架构、SDN一张网、安全一策略”模式实现多云无界协同,形成对底层资源有效控制,让用户策略得以下发,助力政企资源、能力灵活部署。
紫光云打通“用数”全流程,在底层打造面向数据融合、数据运营、数据智能的融合工具链条,形成服务链体系,帮助用户全域、敏捷、智能化的“用数”。
绿洲平台借力UniCloud Stack 基础能力,整合优化多项大数据生态技术,构建了组件化、模块化、多环境兼容的开放架构,打通数据汇集到数据使能流程,助推客户数字化转型效率,降低大数据能力在百行百业中落地门槛。
“云是底座,数是生产要素,智能化是融合工具,以智能化融合云与数,再联合生态,才能促进业务的深度结合,实现政企业务创新。” 李承东介绍。
紫光云公司产品及解决方案负责人 李承东
同构混合云走向分布式云
分布式云是紫光云在同构混合云领域的未来迭代方向。
后疫情时代数字资源使用需求激增,数字资源的分散布局,乃至跨国布局,给管理和调用带来了新的挑战。某大型跨国企业数据中心遍布全球,紫光云助力其打造了全球化布局,集约化管理云平台,以管理上的“一朵云”,统管技术架构上的多云系统,成功为该公司总部及二三级单位在线提供一体化云服务的云计算运营,有效解决了该公司多云容灾备份、多云统一管理、多云安全策略统一部署等需求,实现了其在业务上的应用快速部署需求。而案例中同构混合云走向分布式云的新变化,也一定程度上代表了未来政企用户创新发展的趋势。
在十四五规划中,数字化建设占据着重要的篇幅,云计算产业,已经成为数字化转型的核心驱动力。融合了紫光云公有云丰富的云服务能力和新华三多年深厚积累的私有云能力,架构统一、无界混合、极简运营、一致体验的紫光云3.0已经在企业数字化转型的过程中发挥了无可替代的关键作用。相信紫光云将围绕“云+智能”,在智慧城市、行业云上做出更多新成绩,推动更多政企客户迈向云端。
好文章,需要你的鼓励
西部数据首席产品与工程官Ahmed Shihab表示,公司HAMR技术进展顺利,OptiNAND能提供容量优势。HAMR技术物理原理已突破,正进行制造工艺优化。相比希捷10盘片技术,西数11盘片设计提供更大发展空间,可更快推向市场。OptiNAND结合UltraSMR算法可实现更高单盘容量。公司采取保守策略,注重可靠性,客户已完成相关软件认证。硬盘在数据经济中仍是基础,在视频监控等写密集型应用中具备成本和耐久性优势。
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
一旦人工智能达到通用智能(AGI)或超级智能(ASI)水平,人类将无法逆转回传统AI。AGI与人类智力相当,ASI则超越人类智慧。由于人类会对此类AI产生依赖,且AGI/ASI具备自我保护能力,通过全球禁令、内置终止开关或控制措施都难以有效阻止。AI末日论者担心existential风险,而AI加速主义者认为将解决人类问题。唯一可能的逆转机会是AGI/ASI主动选择关闭自己以拯救人类。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。