科技行者 7月24日 北京消息:7月23日下午,“鲲鹏凌云,开启多元新架构”论坛在北京召开,来自全国大中型企业的客户代表、云服务生态伙伴、行业专家以及开发者代表参加,对云计算架构的现状和未来发展方向展开深入探讨。
华为公司副总裁、华为云业务总裁郑叶来在论坛以《鲲鹏凌云,开启多元新架构》为题发表了主题演讲,并与25家伙伴、华为云中国区总裁洪方明共同发布“华为云鲲鹏凌云伙伴计划”。

郑叶来指出,Cloud2.0时代,是“云+AI+5G”时代,企业需要多元化云服务架构。随着5G技术的应用和普及,海量智能终端数据的应用需要一个新的云架构生态系统支撑,ARM架构能很好地支持应用移动化和终端化的需求。华为云基于华为鲲鹏处理器打造了鲲鹏云服务和解决方案,开启云上的多元新架构。华为具备从芯片到服务器到平台的全栈自主创新能力,软硬件深度协同使我们的鲲鹏云服务具备极致性能,更好地帮助客户实现业务安全可靠和产业智能化升级。
鲲鹏云服务的发展离不开伙伴的支持,需要ISV、咨询、迁移服务等各类伙伴共同参与,携手合作,共同奋斗,才能建设欣欣向荣的鲲鹏云服务生态。华为云计划首批投入1亿元生态资金,为合作伙伴提供培训、技术、营销、市场等全面支持,帮助100家伙伴完成基于鲲鹏云服务的开发、应用移植,让伙伴通过华为云市场实现5亿元以上销售收入。
鲲鹏凌云伙伴计划具备“更领先、更迅捷、更开放”三大特点。首先,鲲鹏凌云伙伴计划首批投入1亿生态资金,这也使得华为云成为全国首家战略投入鲲鹏云生态建设的云服务厂商,并为开发者及行业ISV提供最领先的技术服务支持;其次,华为云将在云市场开辟鲲鹏专区,优先推荐伙伴的应用上架到华为云市场;同时,华为云具备云边端协同的优势,为伙伴提供开放的生态支持。
云计算领域的生态伙伴积极参与鲲鹏生态,目前已经有超过80家伙伴的应用在往鲲鹏云服务移植,其中25家已率先完成华为云鲲鹏云服务兼容性测试的认证。
对于解决方案、应用移植,中软国际互联网ITS集团副总裁高巍介绍道,通过方案设计,相关应用的组建测试、验证等一系列环节,中软国际实现了将金融、政府、制造解决方案,以及企业平台和云自主产品成功移植到鲲鹏云服务。他表示,高性能、更安全的鲲鹏全栈云服务让政府、金融等客户的系统能够更加安全可靠、自主可控。
同样,上海思普信息技术有限公司总经理应思红也表示,华为云鲲鹏云服务具备高安全、高效益、易迁移等优势。在未来,思普也将继续携手华为云,共建鲲鹏新产业。
此次大会,郑叶来也介绍道,成为鲲鹏凌云伙伴具有一定的标准:首先需要是华为云解决方案伙伴计划的成员,并且要加入到华为云云市场计划中,同时还要具备X86异构系统移植或开发的硬实力。在加入鲲鹏凌云伙伴计划后,合作伙伴将享受优质的培训支持、全面的技术支持、市场营销支持、业务支持等四大支持福利。
首批加入华为云鲲鹏凌云伙伴计划的企业名单如下:
北京并行科技股份有限公司
北京博海迪信息科技有限公司
北京超图软件股份有限公司
北京东方通科技股份有限公司
北京金山办公软件股份有限公司
北京迁徙科技股份有限公司
北京三体云联科技有限公司
北京致远互联软件股份有限公司
北明软件有限公司
达孜帆软软件有限公司
广东盈世计算机科技有限公司
杭州登虹科技有限公司
杭州中威电子股份有限公司
江苏国泰新点软件有限公司
软通智慧科技有限公司
厦门卡伦特科技有限公司
上海思普信息技术有限公司
上海英方软件股份有限公司
深圳市奥思网络科技有限公司
深圳市智物联网络有限公司
西安盈谷网络科技有限公司
用友网络科技股份有限公司
云和恩墨(北京)信息技术有限公司
中科软科技股份有限公司
中软国际科技服务有限公司
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。