至顶网软件频道消息:根据IDC全球公有云服务半年度追踪报告的2017下半年报告显示,2017年全球公有云服务市场增长29%,总额达1170亿美元。尽管2017年的总体增长率略低于2016年,但前16家厂商(按市场份额)在此期间的收入继续加速增长,并在公有云服务市场占据主导地位。这16家厂商的市场份额从2016年的47.9%上升到2017年的50.7%,占全球公有云服务支出的一半以上。
从区域来看,美国仍然占据大部分公有云服务收入。美国所占的全球份额在2017年略有下降,从62%减少到60%,这是因为其他地区对全球市场的贡献有所增加。据IDC预计,未来几年这一趋势将持续下去,因为新的区域服务和全球竞争对手的扩张日益成为推动全球增长的强劲因素。
IDC高级副总裁兼首席分析师Frank Gens说:“2017年是扩大公有云服务普及的关键一年,公有云服务继续呈现违背通常的市场规律:连续第五年,支出增长保持在29%,即使这个时候市场已经增长了3倍。2017年,主要参与者的市场份额也出现了一些令人感兴趣的变化,他们对云计算的关注度明显提高,竞争压力也在逐渐加大。未来三年将决定未来20年谁将是IT行业的领导者。”
软件即服务(SaaS)细分市场的特点是提供商整合、客户采用日趋成熟以及稳定增长。企业资源管理(ERM)、客户关系管理(CRM)和协作应用程序对SaaS增长贡献最大,占所有SaaS交付应用的64%。2017年,供应链管理(SCM)和内容应用分别代表增长最快的两个SaaS应用类别,增幅分别为27%和28%。
IDC SaaS和云研究总监Frank Della Rosa表示:“SaaS交付模式占全球公有云服务收入的68%。SaaS应用继续以22%的可观增幅增长,2017年达到750亿美元,预计到2022年达到1630亿美元。在系统基础设施软件(SIS)类别,安全SaaS占所有收入的42%,到2022年的复合年增长率为13%。尽管定期有SaaS初创公司涌现,但Salesforce、微软和Oracle等老牌技术厂商仍然位列SaaS提供商榜单之首。”
在平台即服务(PaaS)领域,同比增长率从2016年的48%略微放缓至47%,2017年收入略高于170亿美元。IDC预计随着对新开发方法的认识,同时阻碍公有云采用的因素之间消除,这一增长将持续下去。
IDC平台即服务研究总监Larry Carvalho表示:“应用需求继续推动PaaS服务的增长以提高开发人员的生产力。容器和无服务器计算等新兴技术正在改变PaaS服务的交付和消费模式。随着越来越多的企业展示平台价值,不久的将来采用率将仍然保持在高位。”
在基础设施即服务(IaaS)领域,在新地区的企业采用和增长继续推动着全球IaaS收入的增长。尽管收入增长,但收入增幅本身是放缓的——从2017年的40%下降到2016年的45%——因为2017年的总体市场规模略低于250亿美元。
IDC公有云基础设施即服务(IaaS)研究总监Deepak Mohan表示:“企业采用公有云IaaS仍处于早期阶段。企业IT组织对增加使用公有云IaaS很感兴趣,主要提供商继续在解决大规模采用的障碍。这些因素将继续推动越来越多工作负载部署在公有云IaaS中,预计至少在未来两年内这个市场还将以目前的速度保持增长。”
好文章,需要你的鼓励
前谷歌资深工程师David Petrou创立的AI初创公司Continua宣布完成800万美元种子轮融资,由GV领投。该公司开发AI智能体技术,可加入SMS、iMessage和Discord等群聊平台,为用户协作提供智能支持。Continua能够在群聊中自动设置提醒、发起投票、添加日历邀请或生成待办清单,解决群聊混乱问题。公司通过微调技术让AI理解群聊动态,具备社交智能,只在需要时提供帮助。
艾伦人工智能研究院开发的MolmoAct是首个开源的机器人空间推理模型,通过"看懂-规划-执行"三步思考法让机器人具备类人的空间理解能力。它不仅在多项基准测试中表现优异,还支持直观的视觉轨迹调教,用户可直接在屏幕上画线指导机器人行为。研究团队完全开源了模型、代码和数据集,为全球机器人研究提供强大基础平台。
Anthropic宣布为企业客户增加Claude单次提示词的信息处理量,以吸引更多开发者使用其AI编程模型。Claude Sonnet 4现支持100万token上下文窗口,可处理75万词或7.5万行代码的请求,是此前限制的5倍,超过OpenAI GPT-5的40万token。该功能也将通过Amazon Bedrock和Google Cloud等云合作伙伴提供。更大的上下文窗口有助于AI模型更好地处理软件工程问题和长期自主编程任务。
这项由北京大学和清华大学联合完成的研究首次提出时间自奖励语言模型,通过"锚定拒绝"和"未来引导选择"策略解决了AI自学习中的梯度消失问题。该方法让AI既能从过去的低水平样本中学习反面教材,又能向未来的高水平样本学习正面目标,成功维持了清晰的学习对比信号,在多个基准测试中显著优于传统自奖励方法。