
在刚刚过去的马年除夕,中国网络电视台(CNTV)通过多语种、多平台进行了央视春晚的全球直播,CNTV总工程师宋维君的团队负责这次全球直播的技术准备工作。为了应对流量的增加,以往采购服务器、租用带宽是必备的工作,但是从立项、采购到实施,往往需要3个月的时间。而这一次只用了2天,宋维君的团队就完成了这个部分的技术准备工作,虽然设置了应急预案,但是春晚播出过程中却非常顺利,预案没有用上。带来这一变化的原因,是微软Windows Azure云服务对CNTV春晚直播的技术支持。
CNTV技术中心负责本次春晚直播的核心骨干
除了时间和流程的节约之外,在成本节约上,技术中心副总监白剑认为这笔账就更加划算了。“春晚直播是一个短时的流量增加,访问量上会有5倍以上的增长。如果按照传统的IT支持的做法,其实是不太划算的。但是如果采用Windows Azure灵活的可扩展能力,特别是可以按需付费,成本节约甚至可达90%。”
提及对微软云的采用,白剑更愿意把它看做CNTV在向新媒体转变进程中必不可少的一个选择。云计算的灵活性、可扩展性、开放性,正好符合CNTV在业务转型当中的需求。
宋维君介绍说,中国网络电视台是国家网络电视播出机构,是以视听互动为核心、融网络特色与电视特色于一体的全球化、多语种、多终端的网络视频公共服务平台。开播四年来,中国网络电视台已初步构建起“一云多屏、全球传播”的新型传播体系,实现了互联网、手机电视、IP电视、互联网电视、移动客户端、公交车载、户外大屏等全覆盖,打造了CCTV网络春晚、中国公开课等网络文化品牌,成为中国最具影响力的网络电视台和深受用户喜爱的公共信息娱乐网络视频平台。白剑告诉记者,虽然没有被拿来与爱奇艺、搜狐、土豆等视频网站进行比较,但是CNTV以每天带宽流量过T的规模,其实已经排在视频网站的第五位。
对于CNTV来说,这些“多屏“背后的支撑就是”一云“,也就是云计算。但是对于CNTV来说,采用云计算不是赶时髦,而是大势所趋。
据白剑介绍,去年一年,CNTV整体业务量翻了一番。一方面要应对业务量的巨量增长,一方面还要在增长中保持业务创新,因此对于技术系统或者IT系统来说,所承载的压力也会更多,需要不断地去灵活应对。在这种情况之下选择云计算这一模式,就是顺理成章了。
其实在云计算服务供应商的选择上,CNTV先后接触了包括盛大、阿里、微软在内的多家公司,之所以选择微软Windows Azure基于以下几点原因:
首先,是Windows Azure的可扩展性。微软提供的是公有云、私有云和混合云服务,这些服务可以根据CNTV业务需求和业务变化进行自动的迁移。CNTV设立了一条baseline(基线),基线以下的业务放在私有云上;基线以上的业务放在公有云上。
对于基线的设定,白剑如此解释:“基线就是必备的一些服务能力,比如我们每天有4000万的UV,我们的基线是1500万UV,超过1500万UV以上的用户,我们可能就会放到公有云上去做服务;或者换一个角度来说,我们可能会在早上7点钟的时候使用私有云去做服务,到上午11点的时候,开始有用户访问高峰,我们会把一部分用户切到公有云上去,到晚上11点之后,我们就把所有公有云的服务全部都停掉,用私有云去服务。”
值得强调的是,这一切换工作都由系统自动完成,这也是微软提供的一项服务,是微软云一项比较好的功能。
其实提及选择微软Windows Azure的原因,还包括其他很多。比如Windows Azure的开放性,在此之前,CNTV没有采用过Windows操作系统,而全部采用Linux,但其实Windows Azure对开放式的系统平台,包括操作系统、开发工具都是一个特别好的支持。
再比如,Windows Azure按需付费的特色,也非常符合CNTV的需求。
另外白剑强调,在Windows Azure上线之前,微软帮助CNTV做了大量测试工作,包括性能测试、架构方面测试和指导,微软国际化、标准化的工作流程和方法也让CNTV受益匪浅。
据了解,现在央视新闻客户端、央视悦动客户端以及CNTV点播播控平台三部分首先采用了Windows Azure的服务,央视新闻客户端、央视影音和央视悦动客户端的总体下载量已经超过了七千万,播控平台全网的用户数也达到了日均4000万。对于CNTV来说,未来会把底层全部云化,在客户端以及CNTV点播播控平台等业务外,业务会逐步迁移,首先把移动终端和互联网终端向Windows Azure迁移。而在大数据方面,未来CNTV也会考虑与微软合作。
采访最后,谈及体会,白剑表示,云计算整个体系结构和以往是完全不一样的,它是一个颠覆性的形态,从系统的设计开始,一直到前端的运维、测试、优化...都需要IT从业者有一种颠覆性的思维。白剑这一体会对于众多正在考虑加入云计算滚滚大潮中的用户来说,异常宝贵。
好文章,需要你的鼓励
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。
南洋理工大学与腾讯联合研究团队开发出Rolling Forcing技术,实现AI视频实时流式生成的重大突破。该技术通过滚动窗口联合去噪、注意力锚点机制和高效训练算法三项创新,解决了长视频生成中的错误累积问题,可在单GPU上以16fps速度生成多分钟高质量视频,延迟仅0.76秒,质量漂移指标从传统方法的1.66降至0.01,为交互式媒体和内容创作开辟新可能。
华中科技大学研究团队发现,通过让AI模型学习解决几何问题,能够显著提升其空间理解能力。他们构建了包含约30000个几何题目的Euclid30K数据集,使用强化学习方法训练多个AI模型。实验结果显示,几何训练在四个空间智能测试基准上都带来显著提升,其中最佳模型达到49.6%准确率,超越此前最好成绩。这项研究揭示了基础几何知识对培养AI空间智能的重要价值。