数字化转型就像是一场越野长跑,终点在哪里不知道,路上遇到什么障碍不清楚,一路上打怪升级,不断需要滋养,还有更重要的一点,那就是速度,数字化转型,数字化的需求能不能快速响应,怎么能做到开发不拖后腿。
CIO的焦虑
作为一个企业IT部门的掌门人,支撑企业的业务部门业务高效、顺利的完成,是他们责无旁贷的工作,他们的工作,最关切的问题是什么?
一直以来,在他们心中,首要问题就是稳定,稳定是所有事情的基础。没有一个很稳定的IT架构的话,其他就都不重要了。这也是很多人很容易理解的一点。
稳定解决了,那么在稳定的架构当中,速度问题就突出出来了。现在很多的需求来自于他们的业务部门,业务变化快,就要求他们能做到快速响应,需要很快把应用开发出来。
过去,过去开发一个软件,一个应用可能需要半年、一年的时间,但是,以目前业务部门的变化速度来看,这么长的开发时间,根本等不及。很多的极端情况,可能在几周之内就要开发出来,特别是移动端的应用,因为很多应用都需要手机端支持,所以手机端应用本身迭代速度快,更需要敏捷开发。
那么,这个时候怎么办?
云原生的开发速度
云原生从字面意思上来看可以分成云和原生两个部分。
云与本地相对,传统的应用必须跑在本地服务器上,现在流行的应用都跑在云端,云包含了IaaS、PaaS和SaaS。原生就是土生土长的意思,我们在开始设计应用的时候就考虑到应用将来是运行云环境里面的,要充分利用云资源的优点,比如云服务的弹性和分布式优势。
这也还不能解释为什么云原生可以解决开发高效的原因。
云原生的字面意思上,看不出它的优势,但云原生需要进一步理解为:云原生=微服务 + DevOps + 持续交付 + 容器化。微服务顾名思义,就是把服务更加颗粒化;DevOps的意思就是开发和运维结合,你中有我,我中有你;持续交付就是在不影响用户使用服务的前提下,不断更新新功能,频繁发布给用户使用;容器化就是运维的时候,不需要再关心每个服务所使用的技术栈,每个服务都被无差别地封装在容器里,可以被无差别地管理和维护。
这其中,怎么发挥出敏捷开发的优势呢?
技术是无国界的,不断的提升技术能力,吸收全球的技术开发成果,开源的开发方式,恰好是无国界的技术交流法宝。
恰好可以让我们共同携手一起能够去协助很多的企业做到数字化转型。在云原生方面,在很多技术能够从开源技术当中得到它的优势。
OpenShift是红帽的云开发平台即服务(即PaaS),也就是一个开源开发平台,提供弹性的开发支持,让很多企业用户可以在OpenShift上去做云原生开发,实现敏捷的开发速度。
云原生怎么用
云原生的最成熟应用是什么?
红帽全球副总裁兼大中华区总裁曹衡康认为,对于云原生业务应用而言,就像“一千个人心中有一千个哈姆雷特”,每一个云原生用户的需求不同,他们云原生的业务应用不同,需求都是根据他们自己的情况设计出来的。所以,用“最成熟”的描述不够准确。

图:红帽全球副总裁兼大中华区总裁曹衡康
在海信,云原生的Paas平台是基于工业互联网的思路走的。不仅仅是为海信云业务提供了很多的支撑,也融合了在工业互联网平台下,有很多的API的接口需要打通,互联互通的概念,所以不仅在OpenShift上有很多原生应用,也对周边很多很多的系统进行了连接。
同样是云原生,在兴业证券,所建设云原生的体系,就全面的推行了微服务的架构和应用。
从这两个案例来看,他们的云原生应用平台,海信也好,兴业也罢,都被认为是最适合这个行业的,可以帮助他们完成实现业务价值的云原生应用平台,都是好应用。
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。