在传统的应用架构中,企业怕是难以应对数据规模激增带来的技术挑战,这时,容器技术为企业提供了全新的思路。凭借弹性伸缩、快速部署等优势,容器为应用程序的开发及部署带来了前所未有的灵活性,并借此在多云之间、云与本地系统之间,乃至不同本地系统之间应用程序工作负载的往来迁移等场景下,得到广泛应用,并成为最受瞩目的云计算领域的趋势之一。
但是,有效构建起复杂的容器化环境仍然需要大量的技巧及经验。容器即服务(CaaS)也由此应运而生,作为平台即服务的一种变体,这个概念正在被广泛使用,以加速容器的采用。不过,CaaS是厂商们「略带忽悠 」的另一个「即服务 」术语?还是有确实「有点东西 」?
数据表明,CaaS并非浪得虚名。
根据Flexera发布的《2020年云计算现状报告》来看,在此次面向750位IT高管的调查中,大部分云采用者(53%)也在同时使用CaaS;而随着容器在企业发展中所占比重的提升,CaaS保持着良好的上升趋势与运营走向。值得注意的是,CaaS已经成为云驱动型企业当中得到广泛使用的第二大「平台即服务 」,远高于去年调查中的第六位,仅次于占比62%的「数据库即服务 」。调查报告的作者表示,“如今,越来越多的企业利用容器加快部署、扩展运营,并提高云环境下工作负载运行效率等等,他们对容器技术的关注度不断增长,目前来看,这一趋势保持着旺盛的推进势头。”从增长速度来看,CaaS以同比17%的增幅排名第二,仅次于物联网服务(21%)。另一大快速增长的类别则是机器学习与人工智能,其同比增幅同样为17%。
总体而言,这项调查在2020年第一季度进行,发现公有云与混合云解决方案的采用率不断上升,其中AWS、微软Azure以及Google Cloud各自占据重要的市场份额。
除了基础云产品之外,不少企业还开始从公有云服务商手中筛选CaaS产品,来增强并加快应用程序交付能力。AWS的Elastic Container Service 与 Elastic Kubernetes Service (ECS/EKS)最受欢迎,使用率高达54%,远高于去年Flexera云报告中的44%。另有24%的人已经有计划采用ECS/EKS。Azure容器服务的采用率达到46%(去年为28%);而Google Kubernetes Engine(GKE)的占比也由15%增长至24%。
来自Scalyr公司的Eric Olsson表示,CaaS确实带来了一系列重要的收益,能够在部署的速度及控制之间求得良好平衡。“敏捷方法缩短了开发与测试的时间,而云计算则缩短了部署周期。持续集成(CI)与持续交付(CD)进一步加快了交付速度。除此之外,容器还可以提供功能更强大、更灵活的解决方案。当然,伴随着所有这些因素,容器也带来了额外的配置要求与复杂性。”
目前,缺乏专业知识仍是使用容器技术的最大挑战,有41%的受访者将其列为头号难题。另有38%的受访者认为将传统应用程序迁移至容器才是最大挑战;34%的受访者表示安全性才最让人头痛。此外,超过四分之一的企业甚至发现就连服务供应商,也存在容器技术缺失问题。调查报告的作者们提到,“资源方面的挑战可能源自容器技术的不断迭代与快速普及。将传统应用程序迁移至容器同样相当困难,因为容器针对微服务架构进行了优化,但传统应用程序并非如此。”Flexera调查的作者们指出,CaaS采用率的提升,可能有助于应对这一系列挑战。
调查结果还显示,Docker与Kubernetes的受众仍然相当可观。近三分之二(65%)的组织使用Docker,另有14%的组织有计划在短期内使用。58%的受访者正在使用Kubernetes,另有22%正计划使用。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
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。