ZD至顶网软件频道消息: 公有云市场竞争日趋激烈,电信巨头Verizon双拳难敌四掌,将于今年春季关闭自己的公有云平台。
上周,Verizon在给用户的信中表示,所有运行在Verizon Plublic Cloud、Reserved Performance and Marketplace Services上的虚拟服务器将在4月12日关闭运行。Verizon敦促用户迁移到成本更高的Verizon Virtual Private Cloud上,或者寻找其他云服务供应商。同时,Verizon表示,Verizon Cloud Storage (VCS)用户不会受此影响。
据知情人士透露,Verizon与Google正在开发基于Verizon品牌的混合云服务,该服务将运行在Google的公有云上。
一位不愿透露姓名的Verizon合作伙伴公司高管称:“我认为Verizon退出公有云市场,更加证明了此事。如果Verizon与Google合作,Verizon就没有道理保留自己的公有云基础设施。”
Verizon致用户信中明确指出,在截止日期之后,Verizon将不会保留公有云平台上的任何数据,剩余的内容将会被“无可挽回地删除”。对此,一些合作伙伴猜测此举可能意味着Verizon将出售自己的数据中心资产。
事实上,在去年第四财季电话会议上,Verizon首席财务官Fran hammo就曾表示,Verizon正在评估出售自己数据中心事宜,但是截止到1月尚未做出决策。
据了解,Verizon此举对渠道的影响并不大,此前,渠道商对公有云产品的依赖性并不大。一位合作伙伴公司高管表示:“我们更愿意销售私有云,而不是公有云产品。”
Verizon合作伙伴Intelisys对于Verizon关闭公有云的决定并不感到意外,Intelisys公司云转型高级副总裁Andrew Pryfogle表示:“目前我们看到私有云的销售额迅猛增长,Verizon是这个领域的一个重要玩家。”
公有云在渠道中并不是一个热门产品,因为这些解决方案对渠道不是那么友好。不过,因为企业用户在公有云和私有云中都有工作负载,因此渠道商们将负责在公有云业务关闭之前帮助用户迁移数据的工作。
Andrew Pryfogle表示:“已经在Verizon公有云中部署了重要基础设施的客户不得不寻找新的服务商。其中一些最终很可能会选择Azure或者AWS,一些则有可能会以私有云替代。”
Verizon退出公有云,加速了公有云市场的洗牌,像AWS和微软Azure这样的业界巨头挤掉了越来越多的竞争对手,这些巨头允许用户只凭借一张信用卡就可以用上云服务。像惠普这样的公司也不能幸免,去年惠普宣布将在1月31日之前关闭自己的Helion Public Cloud平台,转而把精力放在私有云和云管理产品上。
对于此次退出公有云的决策,一位Verizon的新闻发言人称,即将关闭的只是接受信用卡支付的云服务。
Verizon发言人表示:“随着我们继续专注于企业市场,我们将在4月12日终止接受个人信用卡刷卡的利基云服务。我们有众多面向企业和政府用户的企业级的云服务,包括像云存储和虚拟私有云这样的多租户产品。2016年,我们还将在云平台上有重大的投资。”
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。