IBM宣布推出的这款软件平台名为IBM Cloud Private,设计旨在帮助企业利用类似公有云的能力,构建本地部署的私有云环境。这款平台还让企业能够利用流行的云原生工具在两种环境中去做应用开发。
IBM Cloud Private可以做到这一点,是因为它构建在开源应用容器编排软件Kubernetes之上,支持Docker容器和CloudFoundry应用开发平台。
Docker容器可以用于让软件从一个计算环境迁移到另一个环境的过程中可靠地运行。应用和其他依赖关系、库和其他二进制文件捆绑在一个包内,以提取出应用运行的底层基础设施中的任何差异。
有了IBM Cloud Private,企业就可以在这个平台上构建他们应用的容器化版本,然后跨各种云环境进行迁移,用于不同的用途和用例。IBM还宣布推出了其应用开发软件的新容器友好版本,包括IBM WebSphere Liberty、DB2和MQ,以帮助实现这一点。
IBM表示,能够在私有云和公有云之间轻松迁移工作负载,这一点对于很多客户来说至关重要,特别是那些所处行业有着严格法规要求的企业。例如,IBM Cloud Private对于金融服务公司来说具有一定吸引力,它可以设置一个私有云环境来确保应用数据是保存在企业内部的。然后在需要利用新的分析和机器学习工具时,迁移到公有云环境中。
分析公司Wikibon首席分析师Dave Vellante表示,IBM Cloud Private平台意味着IBM试图进入“真正的私有云”。他将这定义为内部部署的基础设施,基本上是模拟公有云的。他解释说,这个市场的增长几乎是公有云基础设施即服务的2倍,部分原因要归结于这个市场越来越多地意识到,并非所有人需要公有云提供的所有功能。
Vellante表示:“CIO们意识到,他们并不是简单地重塑他们的业务,并将业务强加到公有云端。相反,他们必须将云运营的模式带入他们的数据中。”
Vellante说,即便如此,IBM的新平台可能并不适用于所有人,因为像AWS这样的公有云提供商仍然在成本和创新方面拥有巨大优势。“我估计AWS在自动化以及支持云原生应用方面比IBM领先3-5年。”
尽管如此,IBM Cloud Private平台仍然代表着IBM在正确方向迈出的重要一步,Constellation Research首席分析师、副总裁Holger Mueller这样表示。他指出,该平台提供的混合云新能力现在是企业需要且想要的。
“对Kubernetes和CloudFoundry这样的开源项目的支持,是这款架构的关键,让企业能够跨不同云和部署带入他们的负载。”
不过IBM Cloud Private的另一个优势是,它可以帮助到那些正在从内部部署环境转移到云环境中的企业。客户之一,汽车租赁公司Hertz正在使用该平台做到这一点。
Hertz公司首席技术官Tyler Best表示:“对于像我们这样致力于减少或者消除对内部数据中心依赖的很多企业来说,私有云是必须的。对于大型企业来说,一套涵盖公有云、私有云和混合云的战略,从传统系统过渡到云的有效方法。Hertz是IBM私有云和公有云的早期客户之一,如果我们整体云产品组合缺少了私有云,那么我们是不可能实现我们的技术目标。”
IBM表示,目前IBM Cloud Private已经面向客户提供。该平台针对IBM Z、IBM Power System和IBM Hyperconverged Systems(基于Nutanix)进行了优化。此外,它还兼容来自Dell EMC、思科和联想等厂商的硬件系统。软件方面,还可集成IBM DB2、PostgreSQL和MongoDB这样的数据库服务。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。