ZD至顶网软件频道消息:价格战是否是云服务厂商必经之路?
10月14日,阿里云在杭州云栖大会上抛出一个“重磅炸弹”,宣布中国区包括云服务器ECS、云数据库RDS、云存储OSS及云安全产品等在内的云产品全线下调,核心云产品最高降幅达50%,并且,购买时间越长折扣越高,两年七折,三年五折。
而从阿里巴巴集团2016财报看,阿里云降价似乎已经成为一种习惯,在过去一年里阿里云降价居然达到17次。但阿里云并不是降价的唯一爱好者,腾讯云,以及国外巨头AWS、微软Azure都进行了降价,甚至刚刚宣布全线杀入云计算市场的Oracle,一进场就以低价向用户示好。
云计算价格不断走低,这是否意味着云计算价格战大战在即?对此,阿里云表示,由于规模效应的影响,以及不断挖掘的技术红利,降价已经是必然。
来自摩尔定律的利好因素
“英特尔给你的,微软都会拿回去”,这个规律在消费级电子设备市场无往不利。硬件越先进,软件就会想方设法利用掉,因此,很多手机即使看起来好端端的,但是发布两三年后,系统运行却比“睡着的兔子”更慢。
而在企业级云计算领域,对于这个直接输出计算能力的行业,到未必是这样。从Xen到KVM,从虚拟化到Docker,工业界对于性能的挖掘和利用率的追求简直穷凶极恶。
大会上,阿里云发布了新一代的云服务器系列产品,三款产品是中国企业第一次与Intel合作,为云计算量身定制的CPU。它具有高主频、高密度的特点,可以大幅度提升效率、提升用户体验,并降低成本。
阿里云资深总监李津表示:“阿里云与Intel合作定制的专门的处理器,根据云计算行业的需要来做改进,而不再使用通用化的芯片,因为有些功能用不上,有些功能不够用。所以,一增一减一改进,其带来的变化就有了。”
与此同时,阿里云还与AMD弹性高性能计算进行深度合作,在AMD新一代服务器级别的GPU驱动下,无论是在深度学习,VR,3D渲染领域,还是金融分析 、气象分析、地质分析,计算化学、动力学模拟、基因工程等行业,都将获得高效的计算服务和出色的人机交互能力,这部分能力是可以直接反映到价格上的。
规模效应的影响
规模效应是阿里云另一个重要的降价空间,虽然,马云在云栖大会开场就预言,未来制造业的规模化和标准化将被个性化、定制化替代,但是,显然规模效应在阿里云身上还发挥着重要作用。
据了解,作为全球第三的云计算服务企业,阿里云上一个年度,用户增长了1.4倍,在2016财年第二季度达到57.7万,一年的新增用户相当于过去几年。
阿里云用户发展一直可圈可点。阿里云国际业务总经理喻思成在8月的云栖北京大会上曾表示,“过去一年里,有数万中国企业使用阿里云海外基础设施来拓展业务,全球一张网的数据中心布局为企业用户节省了逾百亿的出海成本。”
目前,除国内数据中心,阿里云在香港、新加坡、美国西部和美国东部设立有数据中心。今年年底之前,阿里云还将启用位于欧洲、澳洲、中东和日本的数据中心,在全球主要互联网市场均有云计算资源覆盖。
除了不断扩大用户规模,在业务发展的过程中,阿里云也一直非常注重降低数据中心的运行成本。阿里云位于浙江千岛湖的数据中心,是国内最大的新一代绿色数据中心。利用深层湖水制冷技术,以及一系列阿里巴巴自主研发的技术和产品,千岛湖数据中心比普通数据中心全年节电约数千万度,减少碳排放量一万多吨标煤,并且还打破了此前由Facebook俄勒冈州数据中心创下的WUE0.28(水分利用率)的最低节水纪录,大大节省了数据中心的运行成本。
李津表示,规模效应体现了云计算共享经济的本质,规模越大成本越低,产品降价成为必然。
云计算市场洗牌在即
降价将让云计算的应用更普及,会带来更多的云计算客户。但是同时,行业基价一再被刷新,将对云计算产业产生不小的影响。
一方面,当技术和服务不能成为销售卖点时,云服务提供商不得不再一次以此价格作为锚点进行横向对比,至少在公有云领域,那扇云计算机会之窗又被猛地收拢了,每下降一个百分点,都会带来一声叹息,行业竞争也越来越残酷。
今年8月,李津在接受ZD至顶网记者采访时曾表示,云计算市场在两三年内将会完成洗牌。他认为,云计算是服务、技术、产品三位一体的,没有互联网母体业务的云计算厂商很难理解什么是互联网技术、什么是互联网生态以及怎么用互联网技术服务客户。而在这种情况下,当价格也不再成为优势,结果则显而易见了。
不管如何,便宜地获得计算力,这是正确的方向。李津表示:“我们一直在努力挖掘技术红利,把云计算做成人人用得起的普惠科技。希望有一天用户不必再烦心价格,可以潜心于自身的核心业务发展。”
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。