微软于2008年10月推出了Azure。在随后的十年中,微软的云平台已经从“红狗”开始走出了很长一段路。
十年前的本周,微软在洛杉矶举行的2008年专业开发者大会(PDC)上,正式推出了Azure云平台。从那以后,一些相关的产品名称已经发生了改变,微软的一些——但并不是全部——计划已经实现。但无可否认的是,随着时间的推移,Azure已成为微软的一项核心服务。
当时,当微软最初介绍所谓的“Windows Azure”时,我们中的许多人都认为它是微软将在该公司自己的数据中心中运行的Windows Server的改编版。(在我看来,这样的最初描述不算是太糟糕的尝试。)
Azure操作系统的代码代号为“红狗”——这是使用了硅谷一个俱乐部的名字,它是由微软操作系统专家团队设计的,其中包括了VMS和Windows NT之父Dave Cutler。(一件趣事:Azure团队穿了红色的鞋子参加PDC大会,以此举向“红狗”这个名字致敬。)
我在2008年是这样解释该操作系统的:
“‘红狗’对组成微软托管云的Windows Server 2008机器进行组网和管理。在最高的层面,‘红狗’包含四个'支柱':存储(类似文件系统)、‘结构控制器’——这是一个用于建模/部署和配置的管理系统、虚拟化计算/ VM以及一个开发环境,允许开发人员在他们的桌面电脑上模拟‘红狗’并插入Visual Studio、Eclipse或者其他的工具来编写针对它的云应用程序。‘红狗’的架构方式是微软只需要在一台机器上部署‘红狗’,然后可以使用虚拟化技术在云中的其余服务器上复制它的多个实例。”
Cutler在通过电子邮件与我进行的交谈中表示,在这四个支柱之中,面板控制器才是“独家秘方”。Cutler表示:
“我们认为,赋予了RD(红狗)显著优势的一个组件是结构控制器。结构控制器拥有整个云中所有的资源,并在一个持久集群中的一个节点子集上运行。它无需任何操作干预,就可完成放置、自动配置、更新、打补丁、容量管理、负载均衡并实现云中节点的扩展。”
随着时间的推移,微软最终将“Windows”与“Azure”两个名字脱钩。但是该公司仍未按计划将其部分关键云服务(包括Office 365)迁移到Azure上。(一些比较新的Office 365服务确实运行在Azure上,但不在Exchange、SharePoint等核心服务上运行。)在最初拒绝了允许客户在自己的数据中心托管Azure的计划之后,微软最终发布了Azure Stack——一个Azure设备平台,实现了这种模式。
也许很容易被遗忘的一件事是:微软最初推出Azure只是作为平台即服务(PaaS)业务。后来,该公司的高管们看到了钱——也许是唾手可得的客户——是在基础设施即服务领域(IaaS)。从那个时候开始,微软就开始在Azure上提供Linux了。目前,有一半的Azure虚拟机都在使用Linux,而不是Windows Server。
但是,业内绝大多数人都认为,微软现在是排名第二的云供应商,位于亚马逊之后。Azure上目前有数百种服务可用。微软在全球运营着54个Azure域。Azure是微软“商业云”收入流的重要组成部分(尽管微软至今仍然没有透露商业云超过300亿美元的年化营业收入水平中有多少要归功于Azure)。
对于十年(还要加上之前三年左右的开发时间)的时间来说,这一结果不算太糟糕。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。