ZD至顶网软件频道消息: 众所周知,IBM是一家系统集成商,但是这家公司开始将注意力转向所谓的服务集成,将自己更多地变成一个云经纪,一个通往自己的SoftLayer、以及AWS和微软Azure的网关,对于后两者来说,IBM扮演了分销商的角色。
这场游戏的计划是这样的:使用一个名为cloudMatrix的IT即服务产品,成为公有云供应商以及内部基础架构的网关。IBM的cloudMatrix也涵盖了同应用程序及云架构相关的成本和财务模型。
去年11月份,IBM收购了Gravitant,从表面上看CloudMatrix是对Gravitant所提供的服务进行了更名。实际上,cloudMatrix同IBM的各种平台工具集成在一起,能够达到更好地涵盖云优化最佳实践的规模。
现在,云经纪这个概念并不算特别独特了。如同我在2010年所说的,云经纪这个想法是很有前景的。最终,每家公司都会有一大堆公共云供应商,并且可以通过经纪公司获得最好的交易、优化成本并且快速挑选供应商。这里的梦想是有一家公司可以在亚马逊网络服务、谷歌、IBM和微软之间游走,实现成本优化。
但是云经纪的涅槃却从来都没有出现,即使是这个行业已经变得更加成熟了一些。那么为什么是现在呢?IBM的全球技术服务部门总经理Richard Patterson表示,“组织和业务单位在使用外部云方面变得成熟。”
对于IBM来说,成为更多服务的集成商是至关重要的。从一开始,IBM的服务部门一直在努力增长。同时,云计算已经消除了很多繁重的系统工作,IBM的顾问们可以处理这些工作。这也就是说,混合云仍然需要大量的集成。
虽然cloudMatrix是云经纪,用这个词可能略微有点不妥当。CloudMatrix的使用价格是根据用户所使用的虚拟机的数量计算的。IBM真正想做的是成为观察IT基础架构的一个玻璃窗口,提供的财务引擎能够进行即时成本分析。在云平台方面,CloudMatrix支持AWS、Azure和SoftLayer以及VMware vCloud Director 和vRealize。OpenStack和谷歌云平台将在未来几个月内添加进来。
简而言之,IBM的目标是要打造一个IT服务管理系统,它还能够让你购买云服务。这种经纪能力可能是让cloudMatrix有别于其他类似产品——例如RightScale——以及拥有类似cloudMatrix产品的其他传统科技领域竞争对手的关键所在。例如CA本周就推出了一个新的云计算监测服务包。
但是Gravitant的联合创始人Manish Mod用在建设之前就估算一个应用程序的成本的能力吸引了我的目光。还有调查问卷能够评估应用程序对于云是否友好。
例如,为基础架构下载很多材料的功能已经可以使用了,并且能够帮助企业技术高管使用特定的方法。财务内容和实际的管理工具同样引人注目。跟踪云服务的支出、账单和扣款是至关重要的。CloudMatrix预填了一些公共定价数据,IBM分销竞争对手产品的价格并且能够处理企业可能有的个性化的订单。
CloudMatrix聚焦在以下三个方面:
这种做法行得通吗?
IBM正在通过此举改造陈旧的剧本。IBM的服务部门是出了名的什么都能够实施。从历史上看,该服务部门是捆绑同IBM捆绑在一起的,但是在实际部署中仍然可以灵活变通。该部门的工作是集成系统并创造计费工时。cloudMatrix和IBM历史上的做法并没有太多的不同。如果客户想要,IBM将分销竞争对手的云产品。你能想象谷歌分销AWS吗?谷歌将管理AWS实例,但是这样做只是为了获取更多的工作负载。
在很多方面,IBM的价格数据以及涵盖的云选项和Progressive在保险领域所做的一样。通过展示其定价及市场情况,它赢得市场信誉和业务——即使它不是价格最低的保险公司。
IBM此举的初步效果似乎很不错。Gravitant在被IBM收购之前已经建立了客户基础,实现了投资净回报。IBM计划对它进行拓展。Patterson表示cloudMatrix已经进入了银行业和食品行业的一些企业。Patterson表示,“主要的用例都是云端的。”
IBM对cloudMatrix的计划是随着时间的推移,教会它更多的部署模型。Patterson表示,“CloudMatrix在决策树和决策模式上将变得更智能,以便更好地配合供应商和工作负载,提供各项建议。” Patterson表示,“随着越来越多的部署,它的价值将不断增加。”
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。