ZDNet至顶网软件频道消息:现在,云基础设施市场的竞争非常激烈,每个厂商都在尽可能的使自己与众不同。建设基础设施需要大量资金,选择正确的位置来配置资产就更加重要。云供应商可以对产品或技术水平创新,但位置同样重要,那么原因究竟是什么?
为什么位置很重要?
多样化的位置很重要有以下原因:
世界范围内部署数据中心并不便宜,这就是大型云供应商的优势所在。它不只是为数据中心配置装备和人员,更重要的创新来自那些设施的效率。这是否意味着使用当地的地理环境或者建立自己的电力系统可以让数据中心更环保?这些只有在真正达到规模时,才有助于降低价格。
现下情况
不同的供应商都有区域的概念,或数据中心在一个特定的区域。通常,他们被分割成多个地区,所以可以在地区内实现冗余,但对真正的冗余并不够,由于整个地区可能会故障,或有可能遭遇风暴似的地区事件。因此,真正的地域分开非常重要:
Data Center Locations by Geography
|
Provider |
USA |
Europe |
Asia |
Other |
|
Amazon Web Services |
3 |
1 |
3 |
1 |
|
Microsoft Azure |
5 |
2 |
4 |
1 |
|
|
1 |
1 |
1 |
0 |
|
Rackspace |
3 |
1 |
2 |
0 |
|
Softlayer |
5 |
2 |
2 |
0 |
Azure以12个区域领先,接着是Softlayer的9个,Amazon 8个,Rackspace 6个。Google比较落后,只有3个。
巨头选址
长时间以来,亚马逊在欧洲只有一个数据中心(虽然随着德国新中心的建立而改变),这很奇怪。如果想保持冗余性,就需要2个数据中心挨着,否则延迟会是一个问题。例如,在两个数据中心间复制生产数据库将延迟更久,如果要跨海洋发送数据(例如从美国到爱尔兰)。在爱尔兰和德国之间复制会更好!
2014年以来,随着声称在新数据中心耗资12亿美金,Softlayer也正在推广到其它地区。最近,它推出了香港和伦敦的数据中心,接下来还有更多计划,美国北部2个、欧洲2个、巴西、阿联酋、印度、中国、日本和澳大利亚2个。
最令人失望的是Google,它在基础设施支出一大笔钱,其实有很多全球的数据中心,还不是Google云的一部分。当然,Google是新加入云市场的,大部分的需求来自搜索和Gmail等产品,消费者的需求将占主导地位。考虑到Google推出新功能的速度,如果它真的想和别人竞争,将很快取得进展。
关于中国
我专门从上述数据排除了中国,但它仍然是一个有趣的案例。问题是,即使国内的连接非常好(某些区域),越境会显著增加延迟和丢包,微软和亚马逊都在中国拥有数据中心,但是需要一个单独的账号,通常必须在中国申请。Softlayer宣布在上海成立了一个数据中心,值得关注的是,它是否可以连接到全球专有网络并具有很好的吞吐量?对Google来说,它4年前公开离开中国,因此它不可能在这儿推出一个数据中心。
很明显,位置将是一个竞争优势,目前微软占据第一,但是很快会输给Softlayer。考虑到投资的金额,云的可用性下一步会扩展到哪儿将值得关注。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。