ZD至顶网软件频道消息(文/邹大斌): Docker是当今IT领域最热门的话题之一。由于Docker能实现应用发布的标准化,能快速部署和启动和节约部署时间,还能方便应用的持续集成以及支持DevOps等诸多优势,而备受软件开发者关注,越来越多的企业开始评估或者使用Docker,特别是一些互联网企业已经率先将Docker企业应用到生产环境中,带动了Docker热。
根据Forrester对外公布的一个调查数据,目前大约48%的企业已经在使用容器,超过一半的企业有在一年内使用Docker的计划。同样,Forrester来调查了哪些因素阻碍了企业采用容器,调查发现75%的企业担心安全;71%的企业担心可扩展性,64%的企业担心性能;还有62%的担心集成;61%的企业担心管理。
很显然,对绝大多数企业而言,受限于自己的技术实力,要真正把Docker应用到生产场景,还有不少问题,在此时一个可靠的能支持Docker的开发工具和一个高效的运营平台和一套关于Docker的最佳实践就显得弥足珍贵。这些需求催生一批工具的问世,也带动PaaS平台对容器的支持。
“容器对红帽是一项具有战略性的技术,红帽正在和开源社区一起努力,致力于实现容器就技术的标准化,让容器的开发和使用更容易,也让容器更健壮,更适应于生产环境。”红帽副总裁兼OpenShift PaaS业务部门总经理 Ashesh Badani在接受记者采访时表示。
红帽副总裁兼OpenShift PaaS业务部门总经理 Ashesh Badani
比如,为了加速容器的落地,红帽与Amazon、Microsoft、CoreOS、Docker、Intel、Mesosphere等一起发起了开放容器计划(Open Container Initiative)。另外,红帽还与Google合作实现OpenShift与kubernetes的集成。
红帽把容器技术的进步分为四个阶段,即接纳(Adopt)、扩张(Expand)、部署(Commit)、转型(Transform)。第一个阶段以2013年3月Docker的推出为标志,这个阶段的主要特征为“想用容器技术来开发应用”,主要需求是一些桌面级的开发工具;第二段始于2014年,开发者开始将容器应用到服务器环境中,尝试用容器来支持生产环境,主要需求为服务器运行时环境(Server Runtime),CoreOS、Atomic Host和谷歌的Kubernetes等就是出现在这个阶段;第三个阶段始于2015年,企业开始真正将容器部署生产中,此时的需求主要为容器平台和运营管理工具。进入2016年容器技术已经进入第四个阶段,即企业开始实现容器的标准化和微服务化,此时市场的需求表现为IaaS、PaaS等平台对容器技术的支持。
“容器技术发展到今天,市场需求已经不单单是一个容器平台,而是一个真正生产级的PaaS平台,这也正是红帽不断完善OpenShift的原因。”Ashesh Badani说。
红帽的OpenShift是一个提供了原生支持容器技术的PaaS平台,相对于其他PaaS平台,对容器技术的原生支持成为红帽最为骄傲的一点。实际上,为了表示红帽对容器技术的充分重视,红帽甚至将OpenShift改名为OpenShift Container Platform。
Ashesh Badani介绍说,目前,OpenShift Container Platform分传统的On-Premises版本和公有云版两类。传统的On-Premises包括OpenShift Container Local、OpenShift Container Lab、OpenShift Container Platform和OpenShift Cloud Suite,而公有云版包括OpenShift online、OpenShift Dedicated等。
值得一提的是,在与Mesos与Kubernetes之间,红帽明显是站在Kubernetes这边的,其OpenShift与Kubernetes有紧密集成,而Mesos显然没有这种待遇。解释说,红帽选择Kubernetes很大程度是红帽认为Google在容器积累了大量的实践经验,这些能为其他企业带来非常有价值的参考。不过,他也表示红帽并不排斥后者。他认为,未来Mesos与Kubernetes两者之间也会走向融合。
“红帽在开源软件有20多年的经验,我们可以把自己Linux上的经验移植到容器上。正是基于这些经验和技术积累,让OpenShift红帽具有安全、可移植性、可管理和一个统一完整的整体解决方案等优点。”在采访最后,Ashesh Badani再次强调了红帽OpenShift作为一个容器平台的上述优势。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。